在国内外证券投资行业的不断发展进步中,量化投资在国内市场逐渐萌发。虽然国内量化投资行业发展起步较晚,但是借助国外成熟市场的先前经验与发展成熟的技术工具,有助于中国的研究者迅速跳过量化投资初期的摸索阶段,可以直接运用经过国外市场验证的、较为成熟的投资策略,逐渐发掘出与中国资本市场相匹配的量化投资策略。在计算机技术的发展进步中,人工智能、机器学习等新技术的应用也提高了量化投资模型的表现效果。中国量化投资行业仍有较高的研究价值。伴随着余额宝的诞生,中国公募基金行业迎来了飞速发展阶段,公募基金总规模实现了高速提升。由于监管严格执行去杠杆政策,银行理财不再保本且收益率持续下降,公募基金凭借公开透明、投资门槛低的优势为投资者提供更好的投资选择。但是,尽管公募基金取得了令人刮目相看的亮眼投资成绩,许多投资者却仍没有取得相应的投资收益,主要原因就是许多客户没有能够在合适的时点进行买卖。投资者往往更倾向于选择近期已经实现较高收益的基金购买,这些爆款基金可能在板块轮动中无法继续取得高收益,使得高位入场的客户陷入被套牢的困境。目前市场上的公募基金数量已经远远超过了股票数量,如何让普通投资者在市场中选择合适的基金并随市场走势动态的进行调整,从而实现基金公司与客户的双赢已经成为行业发展中不可忽视的一大问题。为了改变这一现状,从2019年底起,基金投顾的概念开始在中国开始崭露头角,众多头部银行、券商、独立销售机构以及基金公司均拿下了试点资格,意味着财富管理服务机构从卖方导向买方导向的转型,客户服务将从产品营销转向资产配置。改善业内过去主要通过基金销售环节赚取佣金造成的市场火热时基民追高的现象。基金投顾需要试点机构以大类资产配置为理论基础,通过以ETF基金为核心的公募基金作为底层资产,运用计算机技术与人工智能等创新科技来进行投资。如今的智能投顾业务试点,目的是促使金融机构发挥其投资研究上的专业性,从用户需求入手,确保用户真正实现资产增值。从国外较为成熟的理财市场来看,投顾模式是财富管理行业发展到一定程度的大趋势。因此如何从现有的上市ETF基金中选出具有投资价值的标的构建投资组合并可以对组合业绩进行合理评价,就是这些基金投顾试点机构首先需要解决的问题。由于ETF基金也可以在二级市场进行流通交易,因此,传统多因子选股量化模型在ETF筛选上也存在着一定的适用性。通过寻找与ETF基金收益关联度最高的一些因子,使得这些因子对于ETF基金未来收益具有一定的预测能力,从而可以构建投资组合,获得超越市场的收益。这些因子包括ETF基金本身具有的特殊因子以及通过其跟踪指数模拟的因子,对于ETF量化组合构建适用的因子的选择与筛选就成为了构建ETF量化模型中最重要的部分。本文选取2015年1月1日前成立的69只跟踪股票指数的上市交易型ETF基金作为基金池。ETF基金数据回测时间区域为2015年1月6日至2019年12月31日。在传统选股因子中寻找可以应用于ETF基金筛选的因子,其中包括ETF基金本身具有的特殊因子以及通过其跟踪指数模拟的因子,作为模型特征值。计算样本月度涨跌幅,将月度涨幅是否超过沪深300涨跌幅作为二元变量,当ETF基金能够获取超额收益记为1,反之标记为0,以此为样本标签输入模型进行分类预测。本文通过XGBoost算法构建对于ETF基金月度收益率是否能够取得超越沪深300的超额收益的分类预测,每月关于因子预测结果进行资产组合调仓,以期获得超越沪深300的收益。对于模型预测可以取得超额收益的基金,将资金在这些基金中进行平均分配,构建投资组合。基础模型建模完成后,本文还尝试对量化策略进行增强,在模型中加入了岭回归以及随机森林算法,运用bagging集成算法的思想对数据集并行训练并通过投票的方式得出最后的优化后模型。与原模型相比,新的优化模型在回测运行实现了投资收益率的提升。