FOF基金凭借着在传统投资组合基础上进一步精选基金来更好地分散投资风险,自诞生以来一直受到中外投资者的关注。虽然相较于国外金融投资市场国内FOF基金的出现较晚,但是随着2016年中国证监会《公开募集证券投资基金运作指引2号——基金中的基金指引》的发布以及国内证券投资基金市场规模的不断发展壮大,最近几年FOF基金在中国发展迅速。在这种情况下,如何准确高效地从庞大的基金产品中筛选出合适的投资标的,并通过合理的投资组合方式获得稳定的投资绩效,成为了证券投资机构和普通投资者共同关注的问题。本文首先提出了一种基于机器学习的FOF基金动量效应检验方法,相较于传统方法主要考察基金过去单一的收益率指标,此方法将基金的风险收益指标作为机器学习的入模变量,通过考察机器学习动态建模预测效果来验证动量效应。为了解决动态建模中大量的数据标注需求,本文构造了一种数据自动标注方法,通过基金次月的相对业绩表现来对当月基金进行数据标注,极大的提高了标注效率。在数据的处理过程中,本文通过变量分箱和WOE编码的方法,将原始数据依概率分布进行映射,使非线性数据也表现出线性特征,在提高模型适应性的同时也为基金评分模型的构建奠定了基础。最后通过六种机器学习模型动态建模的方式初步验证了FOF基金池在月度调仓频率下的动量效应,在综合比较了模型的准确性和可解释性后,利用逻辑回归二元分类结果分别构造了动量策略赢家和输家组合,进一步对动量效应进行了验证。在FOF基金量化投资策略的构建中,本文继续利用逻辑回归算法将模型输出的概率值映射成分数,构造了一种在机器学习二分类结果上进一步筛选基金的评分模型,并通过在回测期内每个调仓日对基金进行评分的方式获得了策略的投资序列数据。在基金投资组合方面,本文通过构造的评分权重计算公式提出了评分权重投资组合和评分权重风险预算组合。由于现有的量化投资平台大都只提供了股票和场内基金的回测功能,为了对策略的投资绩效进行回测验证,本文基于Python面向对象编程技术构建了一套基金量化投资回测框架。最后通过与不同投资收益的比较研究对基于动量效应和机器学习评分模型的FOF基金投资策略的资产配置能力、基金筛选能力以及仓位管理能力进行了分析。研究发现基于评分模型的评分权重投资组合和风险预算投资组合的业绩稳定性和风险收益比更好。通过和均值方差及风险平价模型的对比发现,此量化投资策略在资产配置方面的表现更加符合FOF基金分散持仓的投资需求。通过和沪深300指数以及随机投资序列进行业绩对比发现Wind五星评级基金在回测区间内的表现要好于同时期的市场基准收益,在市场低迷的时候仍获得了正的超额收益,同时也体现了评分模型选基能力的有效性。最后通过构建的基金持仓进攻性指标分析了基金在市场不同状态的持仓信息,发现此策略在回测期内仓位管理能力显著。总的来看,基于动量效应和机器学习评分模型的FOF基金投资策略研究达到了预期的投资效果,在回测期不同的市场行情下都表现了较为稳定的获取市场超额收益的能力,此投资策略也丰富了将机器学习和量化投资方法应用于基金投资市场的研究实践。