截至2021年的4月份,中国公募基金规模已经达到了 35万亿元,成火箭般的增长态势,影响基金收益的宏观、微观信息量也成指数的增长。随着国民收入的提高,可投资资产也快速增长,在公募基金的投资需求及供给都成倍增长的背景下,依托于金融投资理论和机器学习技术不断成熟,智能基金优选有强烈的技术需求,越来越多学者开始探索基于机器学习技术的智能理财,尝试通过机器学习技术对基金的收益、风险、投资效率等进行分析,快速适配投资供求关系。本文在分析了基金基本面、风险预期、基金经理选股择时能、宏观趋势等因素和基金业绩的关系,对比分析了多种基金评级的理论方法的基础上,探讨将套利定价理论（APT）、资产定价模型（ICAPM）、C-L等金融模型与机器学习相关算法结合,尝试将遗传算法结合实际应用场景做改进,用改进后的算法筛选出有效因子,通过有效因子输入带惩罚参数的基金优选模型筛选出基金产品优选池,对优选池做行业穿透择时分析筛选出最优基金池,再将人工设置的收益目标、风险接受度等变量输入模型中形成供求关系,尝试采用LSTM算法预测基金的宏观趋势,用随机森林结合混沌矩阵构建监督学习场景将基金风险定级并计算目标风险值匹配度,以得到最优基金组合。通过构建基金优选模型、行业穿透主题择时能力模型和宏观影响因素模型并采用历史数据回测显示,基于机器学习的多模型组合基金优选的25组基金组合具有业绩均受A股宏观指数的影响,选股择时能力强的基金比择时能力差的基金业绩更好,稳健型基金产品持有期收益率普遍大于同期基准产品,激进型的年化收益率较高但平均波动率也较大等特点,回测结果和历史数据相符。这一现象可说明基于多个机器学习算法模型结合金融学模型实现基金优选是切实可行的。本文通过结构化建模、历史数据回测验证、统计分析等方法获得实证数据,对后续此类课题的研究具有借鉴意义,结合具体应用场景做实例分析,可为投资者实际投资过程中提供方法和数据参考。