近年来,随着我国“资管新规”的落地和经济新常态下投资环境的变化,金融市场上几乎不存在可满足各种投资需求的单一资产,大类资产配置逐渐成为机构投资者的一种理想投资策略。在国外,资产配置的相关研究已历经了近百年的时间,并在投资实践中获得了较好的投资回报。但我国相关资产配置理论研究在投资实践中的应用仍处于起步阶段,尤其缺少可操作性强、投资回报率稳定的量化投资模型支撑,无法在策略交易中获得理想的收益。基于此,本文在对已有相关理论方法研究的基础上,以我国资本市场为主要投资标的,借助机器学习算法,构建一个大类资产配置量化投资模型。首先梳理了国内外大类资产配置模型、量化投资模型和基于机器学习的大类资产配置模型的研究现状,介绍了资产配置的理论基础和经典配置模型,根据现有研究存在的问题,使用python语言构建一个有效的基于机器学习的大类资产量化投资模型,该模型由两个模块组合而成,一部分是基于机器学习的资产涨跌方向预测模型,起到优势资产的筛选,提高模型整体收益率的作用;一部分是基于预测结果的固定比例投资回测模型,利用资产配置的方法控制模型整体风险并通过回测检验模型的有效性。首先,根据模型的数据要求,选择出预测模型所需的资产代表指数与宏观经济指标,以及回测模型所需的资产投资标的;然后,引入支持向量机、随机森林、XGBoost、GBDT、BP和LSTM六种机器学习算法,将资产收益率的涨跌方向预测转化为模式识别中的分类问题进行研究。以国内外十几种宏观经济指标的月度数据为特征变量,股票、债券和黄金三种类别的六种资产的月末收盘价为标签,未来1个月的资产收益率变动方向为响应因子,借助机器学习的强大数据学习能力,构建特征变量和标签之间的映射关系,输出六种资产2015年1月至2019年10月的涨跌预测结果。以预测模型的预测结果为交易信号,使用经典资产配置模型中的固定比例配置模型,设置五种资金分配比例进行回测交易,最后根据回测结果对比得出最佳预测模型为BP神经网络模型,最优资产配比为100/0。基于BP神经网络的100/0配比的大类资产量化投资模型在回测区间内获得了36.47%的策略收益率和21.4%的最大回撤率,远高于所设置的沪深300基准资产的同期收益情况,因此该模型是一个有效的量化投资模型。利用市场的套利不充分,该模型对短期内的投资具有一定优势与指导意义。与现有研究相比,本文的核心贡献在于利用多种机器学习算法,构建了基于中国金融市场的大类资产配置量化模型;并且,将机器学习模型与传统资产配置模型相结合,对大类资产配置模型进行了改进与应用研究,有效地拓宽了资产配置的量化投资策略设计思路,对机器学习方法在量化投资领域的进一步应用也具有实际的参考意义;并且,对我国资本市场的健康发展与投资机构的投资实践,具有重要的理论与应用价值。