近年来,开放式基金的规模不断扩大,类型也日益多样化。开放式基金以其流动性好、风险分散、相关信息透明度高、基金相关数据更新及时等优势备受欢迎。尤其是开放式基金中的股票型基金和混合型基金,已然成为投资者最为青睐的投资对象,但二者皆包含较多投资类型以及较高投资风险,专业投资意见和理念的缺失也导致个人投资者投资策略选择的困难。合理构建投资组合对个人投资理财具有一定的意义。得益于机器学习算法的发展与进步,关于基金的量化研究逐渐发展。集成学习算法在此基础上经过不断地创新与改进,被广泛应用于金融领域的研究中,但大多数学者主要集中于基金业绩表现以及基金风险度量的研究,鲜有学者将集成学习的研究视角转向个人投资者,探讨如何利用集成学习算法高效选取优质基金构建投资组合的分析相对较少,然而,筛选优质开放式基金投资组合对于构建一个业绩表现较好的投资策略至关重要。同时,对投资组合资产配置的研究集中于分析个别模型的优缺点,并未通过不同资产配置模型间的对比,具体分析适用于何种类型基金的投资策略构建。因此,本文尝试将集成学习算法模型运用到开放式基金的投资策略构建中,并通过三种常用资产配置模型投资策略的对比,进行实证分析,具有一定的理论意义和现实意义。随着开放式基金的发展,基金投资组合构建的困惑对投资者来说依然存在,因此,本文主要基于集成学习算法模型构建开放式基金投资策略,研究过程如下:首先,根据相关文献研究梳理,选择了三种在金融场景中应用较为广泛且具有一定实际应用效果的集成学习算法,分别为随机森林算法（Random Forest）、GBDT算法（Gradient Boosting Decison Tree,梯度提升数）和Light GBM算法（Light Gradient Boosting Machine）,对股票型基金和混合型基金的收益率进行预测,通过模型评价指标平均绝对误差、均方根误差,综合评估三种集成学习模型的预测效果。对比结果证明,随机森林模型对股票型基金和混合型基金收益率预测效果最好。因此选用随机森林作为基金收益率预测模型,并通过预测每个持仓周期的全部样本基金收益率,挑选出排名前四的基金作为持仓基金。再根据资产配置模型的相关理论,分别运用等权重模型、最小方差模型和风险平价模型,对持仓基金进行投资权重的配比,构建股票型基金、混合型基金投资策略,并进行市场回测计算投资策略的投资结果,选用年化收益率、年化波动率、夏普比率和最大回撤这4个具有代表性的指标,对不同资产配置模型构建的开放式基金投资策略进行对比分析。本文根据以上实证分析得到以下主要结论:（1）集成学习算法随机森林的拟合效果较好,对股票型基金和混合型基金的收益率预测效果更优。（2）最小方差资产配置模型更加适用于股票型基金和混合型基金的投资策略构建。（3）本文所研究的股票型开放式基金和混合型开放式基金的投资策略,与基准中证全指作比较,投资效果均优于基准。本文的创新点主要有以下几点:（1）预测方法的创新,引入了三种集成学习算法模型来完成基金收益率预测相关研究。（2）研究思想的创新,大多数文章对基金业绩表现进行研究,本文与这些研究的不同之处在于,考虑到个人投资者的投资需求,对股票型基金和混合型基金的投资组合构建以及策略效果进行研究,给个人投资者提供投资思路的参考。本文构建的股票型开放式基金和混合型开放式基金投资策略在业绩上有着不错的表现,但在之后的研究中依然存在着很大的进步空间。如增加开放式基金的研究类型,优化特征的选择,优化集成学习算法以及资产配置模型,并将该方法应用到更多的研究当中。