我国证券投资基金行业十五年来的发展令人瞩目,然而最近几年,受到次贷危机和欧债危机的影响,证券市场产生了大幅波动。在风险增加的情况下,对证券投资组合进行研究成为对基金管理的必然要求。有关研究表明,资产的有效配置对投资业绩的贡献率高达93.6%。近年来,国内基金行业开始对数量化资产配置模型展开研究,这些研究大多是吸收了国外的数量化模型,但中国市场毕竟有别于国外市场,因此,有必要探索改进国外成熟的数量化模型,并应用于中国证券市场的方法。Black-litterman模型是由高盛公司提出的,该模型从诞生之初就被实际应用于基金投资决策中,经过多年的发展已经得到广泛的认可。本文首先对经典的均值方差理论作了简单的回顾,然后对原始Black-litterman模型中各个复杂的输入参数作了详细的论述,并且使用了Bootstrap方法和神经网络对原模型做了改进,建立了新的ANNs-BLR模型。Bootstrap方法能够很好地修正原模型在计算市场均衡收益率时产生的误差；神经网络模型能够很好地捕捉到股票市场复杂的波动规律,以该模型的预测结果替代原模型中投资者的主观观点,可以有效的提升模型绩效。本文选取了剔除数据不全股票后的上证50指数的41只权重股作为样本。在采用了误差修正模型,并使用BP神经网络的估计量替代模型观点收益向量后,得到了下一期的模型收益和资产配置结果。在第一部分实证研究中,结果表明,ANNs-BLR模型无论是在有无卖空限制、有无配置权重上限的情况下,配置的稳定性都优于均值方差模型,模型收益率和夏普比率也都高于均值方差模型。在第二部分实证中,本文针对中国股票市场非流通股票普遍存在的情况,对分别采用总市值权重、流通市值权重以及经过误差调整的模型配置绩效进行了比较,结果显示流通市值权重更加适合该模型,能够取得更好的投资绩效；而且误差调整过程也能够有效改善模型绩效。