证券投资基金已成为资本市场的重要组成部分，其健康发展关系到金融市场的稳定与实体经济的发展。在基金行业持续增长的背景下，作为一个重要投资品种，证券投资基金应提高盈利能力，满足人民群众日益增长的投资需求和高质量财富管理的迫切期待。证券基金投资对象所在的市场无疑是一个庞大而复杂的演化系统，资产价格的波动受到政治、经济、行业和投资者情绪等多种因素的作用，并且其影响方式、程度以及所导致价格的波动频率往往也各不不同，交织起来使得市场的变化异常复杂且难以把握，加之价格之间存在着非线性及高度噪音等特征，因此要构建起有效的投资组合十分困难。为此，本文以证券基金主要的投资标的为分析对象，运用机器学习的理论与方法对基于市场时机与行业轮动的基金投资进行系统研究。
　　首先，综述现有相关文献，基于机器学习分析基金投资决策机制。本文在界定基金投资的基础上，对基金投资的基础性理论进行分析；从具体股票选择、投资组合构造和基金绩效评价等方面明确基金投资组合管理的关键环节；以基金投资决策理论为依据，结合机器学习算法，阐述基金投资决策机制，并在市场时机与行业轮动视角下，建立基金投资决策与管理框架。
　　然后，运用机器学习算法探讨基金对市场时机的选择能力。基金市场时机的选择以准确的市场行情预测为前提。本文基于Gauss过程，构建基于机器学习的市场预测模型，讨论模型结构、均值函数和核函数特点，设计参数估计和模型评价方法。同时，以中国市场和美国市场为对象，开展相关实证研究，发现Gauss过程模型对插值和延伸预测都表现得非常稳定，据此建立的基金市场时机选择系统则能较准确地甄别信号，可为后续基金投资策略的制定提供前提条件。
　　接着，采用机器学习算法考察行业轮动效应和资产配置。本文将行业轮动效应定义为隐Markov状态之间的转移过程，行业指数为隐状态节点，设计基于隐Markov方法的行业轮动效应识别模型。选取18个行业对应的1696家上市公司2011年至2018年的交易数据作为样本，证明中国证券市场行业轮动效应显著，强势行业保持一定的持续性，行业转换的概率较低。基于此，运用机器学习算法对行业转移概率矩阵进行估计，并计算行业资产权重，发现行业转移概率矩阵与行业资产权重结果有较高的契合度，同时轻工制造、食品饮料、医药卫生、国防军工、计算机等行业在资产组合中出现的次数较多，且比重较大，新常态下的经济转型升级特点得以印证。
　　最后，根据市场时机的选择与行业轮动效应的识别，在优选个股的基础上构建不同类型的基金投资组合，并评价其绩效。本文的实证结果表明，从市场时机与行业轮动角度出发，基于机器学习构造的基金投资组合取得了较高的绩效，能够适应市场行情的变化，具有较高的业绩适应度和持续度，对于被动型投资组合、成长型投资组合、价值型投资组合和平衡型投资组合，基金投资均取得较高的收益率，不同类型投资组合的投资收益率均超过了120%，并且基于收益率绩效、绩效适应度和绩效持续度的评价指标都表明机器学习型投资组合具有较好的稳健性。同时，基于上述结果，提出机器学习驱动下的投资组合优化对策。