公募基金业绩预测与选择研究--基于横截面回归的机器学习方法.pdf

摘要

摘要

近年来，在中国经济高质量发展和实现共同富裕战略目标的背景下，公

募基金凭借着其低门槛、多样化、规范透明等特点，深得中国投资者的推崇。

截止到2022年12月底，中国公募基金市场管理规模已超过26万亿元，整体

上呈现良好发展态势，但其中仍存在投资者利益被轻视，投资者教育同质化，

缺乏针对性等问题。基金市场中占比最大的普通投资者因缺乏经验和专业知

识，更容易受到多种外部因素影响，在投资中呈现出较大的非理性，从而导

致选基、投资失败的现象。

为帮助投资者克服在公募基金投资过程中的局限性。本文在研究众多公

募基金业绩影响因素和公募基金业绩评价相关文献的基础上，首先使用

Lasso、岭回归、支持向量回归机（SVR）、随机森林、梯度提升回归树

（GBRT）、XGBoost、LightGBM以及深度神经网络八种机器学习方法构建

了公募基金业绩预测模型，通过比较预测业绩（超越基准收益率与累计收益

率）与真实业绩的差距，来观测使用基金历史回报、风险因素和衡量基金经

理能力的各种指标是否对于公募基金未来业绩具有预测效果并对影响基金未

来业绩的因素进行分析；其次，在不同的市场情形下，根据预测结果构建投

资组合，并使用收益标准差、最大回撤、夏普比率、索丁诺比率等指标对投

资组合的收益与风险进行评估，以进一步的分析模型的业绩预测能力和对

“好坏”基金的区分能力；最后，通过投资组合单个和多个投资周期的实际

业绩表现来衡量基于机器学习预测模型的选择有潜力的基金的有效性。

经过实验发现机器学习方法对基金未来业绩具备一定的预测能力，同时

也具有对“好坏”基金的区分能力，使用机器学习方法所构成的投资组合无

论是在一个投资周期还是在多个投资周期，最后所取得的收益率均能超越随

机选择基金所构成的组合和沪深300指数涨跌幅。但遗憾的是，当使用超越

基准收益率作为预测指标时，对于基金的区分能力弱于使用累计收益率作为

预测指标，这可能是因为基金经理对基金基准设置不够准确，造成了一定的

风格漂移。而各个模型在不同的市场情形下的表现不同，在市场连续上涨期

间，使用神经网络模型所构建的投资组合不仅风险低于其他模型的组合而且

I

公募基金业绩预测与选择研究—基于横截面回归的机器学习方法

获得了更高的累计收益率；而在市场连续下跌期间，XGBoost所构成的投资

组合虽然能获得超越其他模型和沪深300指数涨跌幅的累计收益率，但也承

担着较高的风险。另外，在经历八个投资周期后，神经网络模型的组合最终

取得最高的收益率，这说明神经网络模型长期表现更佳。

本文通过实验证明，使用基于横截面回归的机器学习方法在一定程度上

能够预测公募基金未来的业绩并帮助选出具有潜力的基金；使用神经网络构

建模型，预测基金未来的累计收益率对基金的筛选效果更好。从而为投资者

选择基金提供了一些经验和参考，为基金公司和基金监管部门改进管理方式

提供一些启示。

关键词：机器学习，公募基金，业绩预测，基金选择，神经网络

II

Abstract

Abstract

Inrecentyears,underthebackgroundofChina'shigh-qualityeconomic

developmentandtherealizationofthestrategicgoalofcommonprosperity,mutual

fundshavewonthepraiseofinvestorsbyvirtueoftheircharacteristicssuchaslow

threshold,diversification,standardizationandtransparency.Byth