随着互联网金融的发展,基金理财投资已经成为人们当下主要的投资方式之一,如何利用科学的方式对人们的基金投资行为进行辅助指导是提高人们基金收益率的有效方式之一,尽可能地提高自己基金收益率也是大多数基金用户投资基金的目的。基金数据是一种典型的时间序列数据,时间序列预测算法对于此类数据有独特的优势来匹配。对于投资者来说,主观地投资基金风险太大,基金的分析也是一个费时费力的过程,如何在降低基金分析门槛的同时还能有效提高用户投资基金的收益就变得尤为重要。经过分析,机器学习中的时间序列预测算法就可以作为研究基金理财投资的方法之一。本文在此基础上进行了大量实验并进行了优化,最终实现了基金理财辅助系统,该系统可以降低用户投资基金的门槛,同时还能帮助用户提高收益。本文主要研究工作如下:（1）详细描述了5种当前主流的时间序列预测模型以及他们各自的优缺点,并且结合基金数据的特点,分析得到了3种理论上适用于基金预测的时间序列预测算法模型,分别是LSTM、BP神经网络和SVM。（2）分别用LSTM、BP、SVM模型和改进后的STL-LSTM、STL-BP、STL-SVM模型对电子、医药生物、国防军工、汽车、环保、银行、钢铁、煤炭、房地产和电力设备十种板块未来30个交易日的净值数据进行了预测,并利用GA对BP进行了优化,最后根据预测结果和误差分析总结得到结论。结论表明电子板块基金预测最适合的模型是LSTM;医药生物、国防军工和电力设备板块基金预测最适合的模型是STL-GA-BP;银行板块基金预测最适合的模型是STL-SVM;房地产板块基金预测最适合的模型是STL-BP;汽车、环保、钢铁和煤炭板块基金预测最适合的模型是STL-LSTM。（3）设计、实现并测试了基金预测辅助系统。该系统针对不同板块基金应用对其预测效果最好的模型来处理,并以折线图展示该基金未来30个交易日的预测净值,同时给出用户预测买点、预测卖点和预计收益率。系统测试表明该系统可以作为用户在基金理财投资中的有效辅助工具。