Black-Litterman模型是由Black和Litterman在1990年于高盛公司工作期间提出的,克服了传统的Markowitz均值方差理论在实际应用中的缺陷,比如对参数的输入极其敏感,权重集中在有限的几个资产上,无法实现分散化,无法单独考虑分析员的观点,并且样本外表现不如简单的等权重组合,最大化估计误差等问题。但是该模型没有指出投资者观点收益如何确定。并且受投资者情绪,市场环境,投资标的的影响,投资者观点具有强烈的主观性。随着中国金融市场的发展,数据量的提升,交易频率和交易标的的增多,主观定性研究很难考虑到不同来源的信息,用于预测收益率,可能造成更大的误差。大多学者利用时间序列模型改进这一问题,但是金融数据波动大,线性拟合无法描述各个时期收益率与因子之间的关系。有一部分学者开始用机器学习和深度学习的模型进行尝试,但是应用的因子大多为技术面因子,具有强烈的相关性,没有考虑到传统的量价因子指标。且没有考虑到结合不同深度学习模型进行预测。本文聚焦于Black-Litterman模型中投资者主观观点及观点不确定性难以量化的问题。在观点预测方面,采用深度学习的方法和多因子模型结合起来,综合考虑了Barra模型中提出的九类风格因子17个小类因子,历史收盘价和历史收益率,共19个因子。在深度学习模型方面,采用了CNN-Bi LSTM-Attention模型。该模型结合了不同深度学习网络的优点。其中LSTM模型,在处理时间序列数据上有很大优势。并且为了使模型不仅能够从过去中习得信息,也能从后往前推测信息,采用了LSTM的一种变体,双向LSTM（Bi LSTM）。但是由于LSTM模型始终有一条连接各个神经单元的线,所以当序列足够长时,仍然会出现梯度消失的问题,所以本文结合了注意力机制,使得模型可以记住更长的序列,并且注意力机制还可以识别重要的特征。最后为了增加模型的非线性性和提取重要特征,加入了CNN神经网络层。采用RMSE,MSE,MAE对模型进行评估。将该模型与CNN-LSTM-Attention、CNN-Bi LSTM与双层LSTM模型进行比较,发现CNN-Bi LSTM-Attention预测效果较好。最后本文将Black-Litterman模型下得到的后验收益率与协方差矩阵经过均值方差优化方法和最小方差优化方法构造从2021年1月31日到2022年1月31日的策略,月底计算组合权重,持有期为一个月,并且根据实际情况加入不允许卖空的限制条件。将Black-Litterman模型构造的组合与根据实际收益率和方差矩阵构造的组合相比。结合了BL模型的组合具有更高的收益率,并且走势明显好于市场组合。