分级基金作为一种结构化产品，因其满足不同风险等级偏好者的投资需要而备受投资者的青睐，每一只产品除基础份额外，还包括低风险低收益的A份额以及高风险高收益的 B份额，前者适合风险规避者，后者适合风险偏好者。我国自首只分级基金成立以来九年多时间，无论从规模还是数量上，分级基金都实现了爆发式的增长。而具有杠杆性质的分级基金进取份额，更是受到投资者的热捧，行情暴涨时给投资者带来了极为可观的收益，但同样因其杠杆性，自2015年6月至2016年1月之间的几次暴跌行情，却给投资者造成巨额亏损。　　分级基金的三种份额中，最吸引投资者的是其无疑是其自身带有杠杆特性的进取份额，上涨的行情时能够给投资者带来丰厚的收益，与此同时，下跌的行情造成的亏损也被成倍的放大。对分级基金来说，折溢价率是判断其投资价值的重要参考指标之一，尤其是对进取份额来说，长期的溢价是其投资风险的原因所在，因而了解其进取份额折溢价率的影响因素，以及能够通过影响因素进而预测进取份额折溢价率就显得尤其重要。　　本文首先介绍分级基金的研究背景、研究意义（理论意义与实践意义）、分级基金在国内外的发展历程、现状、分级基金基本知识：如分级基金定义、特征、折溢价率等方面。　　其次站在理论分析的角度上，探究分级基金进取份额折溢价率的影响因素，选取了折算机制、配对转换机制、投资者情绪、上证综指（000001.SH）收盘价、跟踪指数收盘价、价格杠杆、换手率以及成交量八个因素。　　最后根据对数据的获取难易程度，选取了上证综指收盘价、跟踪指数收盘价、价格杠杆、换手率以及成交量五个影响因素进行建模，结合机器学习各模型的优缺点，最终选择了Bagging回归、随机森林回归以及BP神经网络回归模型分别对进取份额折溢价率从进取份额折溢价率数值的以及折溢价率涨跌这两个方面进行预测，最后，利用贝叶斯模型平均思想，并建立基于Gibbs抽样方法的马尔科夫链的蒙特卡诺模拟（MCMC）计算各模型权重，对单一模型权重进行赋值的组合预测模型。通过对比各模型的预测效果,最后研究结果表明：Bagging回归在此处的预测效果优于BP神经网络以及随机森林，经过MCMC模拟得出的组合模型无论对于预测折溢价率数值的MSE还是预测涨跌准确率来说，预测效果从整体上来说都有一定的改进。