近年来,不少基金管理公司和投资人都青睐于通过指数追踪进行投资。所以,如何构建一个合理的股票投资组合并使其拥有较小的追踪误差便成了研究指数追踪的焦点。本文获取了2021年2月19日至2021年4月26日上证50指数及其50只成分股的5分钟线的收盘价,共2206个样本数据,以此作为研究对象。考虑到分位数回归和模型平均的优点,本文采用基于分位数回归下的模型平均方法来构建指数追踪组合模型。本文对上证50指数的收盘价数据进行了描述性统计分析,发现上证50指数的收盘价数据不服从正态分布,且具有尖峰、厚尾和右偏等特征。因此,选择基于分位数回归模型来考察不同分位点处上证50指数收盘价与其成分股收盘价之间的关系。理论上可以选择全部成分股进行指数追踪,但50只成分股之间存在多重共线性,且要想利用有限的资金进行投资,必须对股票进行合理的选择。因此,本文在0.05、0.10、0.25、0.50、0.75、0.90、0.95这七个分位点处,采用逐步回归、Lasso-QR、SCAD-QR进行变量选择,结果显示:逐步回归在这七个分位点处均保留了大部分成分股;Lasso-QR方法保留了相同的26只成分股,入选的成份股个数大幅度减少;SCAD-QR方法在0.05（低分位点）和0.95（高分位点）分位点处保留的成分股较少,在其余五个分位点处保留的成分股较多。在进行变量选择的同时可进行参数估计,直接构建模型对上证50指数进行指数追踪,但是采用这种单一的模型进行预测,可能会忽略模型的不确定性,无法对各成分股是否对上证50指数有稳健的影响做出准确的判断。因此,本文考虑构建嵌套型备选子模型,在分位数回归参数估计的基础上使用S-AIC和S-BIC这两种方法来计算各子模型的权重,以此来建立指数追踪组合模型,并考察它们的追踪效果。本文在各分位点处,分别建立了以下追踪组合模型:1)以50个成分股为可选变量,考虑50个嵌套型备选子模型,建立基于Full-QR下的S-AIC、S-BIC模型平均指数追踪组合;2)利用逐步回归在这七个分位点处获得稀疏解变量之后,分别建立基于step-QR下的S-AIC、S-BIC模型平均指数追踪组合;3)利用Lasso-QR方法在这七个分位点处得到稀疏解变量之后,分别建立基于Lasso-QR下的S-AIC、S-BIC模型平均指数追踪组合;4)利用SCAD-QR方法在这七个分位点处得到稀疏解变量后,分别建立基于SCAD-QR下的S-AIC、S-BIC模型平均指数追踪组合。最后,对比所有模型的追踪评价指标得出:基于SCAD-QR（τ=0.25）下的S-AIC模型平均追踪组合的追踪效果相对最好,该模型具有良好的稀疏性、稳健性。通过实证分析可知,运用基于分位数回归下的模型平均方法,可以从不同分位点处对上证50指数进行详细的刻画,也可以从不同分位点处筛选出对上证50指数有显著影响的成分股,所建立的组合模型具有稳健性。因此,基于分位数回归下的模型平均方法在指数追踪中的应用是有效的和可行的,这对指数型投资有一定的参考价值。