袁先智，劉海洋，周云鵬, 嚴(yán)誠(chéng)幸，馮 馳 李欣鵬，李 波，郭鐵信，錢(qián)國(guó)騏，曾 途

1 成都大學(xué) 商學(xué)院，成都 610106 2 廣西大學(xué) 商學(xué)院，南寧 530004 3 中山大學(xué) 管理學(xué)院，廣州 510275 4 成都數(shù)聯(lián)銘品科技有限公司，成都 610041 5 中國(guó)平安財(cái)產(chǎn)保險(xiǎn)股份有限公司 蘇州分公司，江蘇 蘇州 215006 6 山東大學(xué) 中泰證券金融研究院，濟(jì)南 250100 7 重慶理工大學(xué) 理學(xué)院，重慶 400054 8 中南大學(xué) 數(shù)學(xué)與統(tǒng)計(jì)學(xué)院，長(zhǎng)沙 410083 9 墨爾本大學(xué) 數(shù)學(xué)與統(tǒng)計(jì)學(xué)院，墨爾本 VIC3010

引言

2016年9月11日，中國(guó)證監(jiān)會(huì)頒布并實(shí)行《公開(kāi)募集證券投資基金運(yùn)作指引第2號(hào)——基金中基金指引》，為基金中基金(fund of fund,FOF)的市場(chǎng)化和規(guī)范化鋪平了道路，進(jìn)一步豐富了中國(guó)金融產(chǎn)品體系，為投資者提供更多的選擇。FOF通過(guò)遴選優(yōu)質(zhì)基金構(gòu)建基金池來(lái)實(shí)現(xiàn)提高收益、降低風(fēng)險(xiǎn)和降低費(fèi)用的目的，因此如何選取優(yōu)質(zhì)基金成為構(gòu)建FOF基金池的核心要素之一。從SHARPE[1]建立基于風(fēng)險(xiǎn)和收益的基金評(píng)價(jià)指標(biāo)，到BARBER et al.[2]從基金自身以外的因素對(duì)基金業(yè)績(jī)的影響的研究，以及GALAGEDERA et al.[3]建立的三階段多維度基金績(jī)效網(wǎng)絡(luò)評(píng)估方法，已有研究都將挖掘基金業(yè)績(jī)的有效信息作為重要的研究方向?；鹗袌?chǎng)的迅速發(fā)展，學(xué)術(shù)界和應(yīng)用領(lǐng)域?qū)鹂?jī)效的探討層出不窮。由于數(shù)據(jù)存儲(chǔ)技術(shù)和網(wǎng)絡(luò)技術(shù)的進(jìn)步，金融科技領(lǐng)域的數(shù)據(jù)量級(jí)飛速增長(zhǎng)?，F(xiàn)有的社會(huì)網(wǎng)絡(luò)中存在大量的信息，信息量大、密度低且來(lái)自不同維度，因此對(duì)于數(shù)據(jù)的融合處理變得尤為重要，而在大數(shù)據(jù)框架下從多維度數(shù)據(jù)提取出影響基金績(jī)效強(qiáng)弱的特征和方法的研究還很少見(jiàn)。鑒于上述背景，本研究以2018年Wind基金評(píng)級(jí)無(wú)缺失的701個(gè)債券型基金作為樣本，從基金自身、基金經(jīng)理和基金公司3個(gè)維度出發(fā)，結(jié)合海量結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)構(gòu)建刻畫(huà)基金特征的基礎(chǔ)指標(biāo)體系；特別是在5%(基于抽樣樣本2倍的標(biāo)準(zhǔn)方差)的誤差容忍度下使用基于馬爾科夫鏈蒙特卡洛的吉布斯抽樣方法[4]對(duì)與基金業(yè)績(jī)相關(guān)的特征進(jìn)行深入挖掘，提出提取基金特征的有效方法，篩選出與基金業(yè)績(jī)有關(guān)聯(lián)的特征指標(biāo)；利用比值比，即在邏輯回歸模型中以自然對(duì)數(shù)為底數(shù)的回歸系數(shù)的指數(shù)函數(shù)，對(duì)篩選出的特征指標(biāo)進(jìn)行相關(guān)性分類；使用受試者工作特征曲線[5]對(duì)篩選后的特征指標(biāo)對(duì)基金業(yè)績(jī)的預(yù)測(cè)能力進(jìn)行系統(tǒng)分析。本研究提出在多種可以影響基金業(yè)績(jī)的特征因子且存在觀測(cè)樣本數(shù)據(jù)不全的情況下，如何有效進(jìn)行特征提取，實(shí)現(xiàn)構(gòu)建FOF基金池的一般方法論，為支持業(yè)界針對(duì)FOF建立優(yōu)質(zhì)基金池提供了一種新的思路，也為更多學(xué)者探討影響基金績(jī)效的指標(biāo)特征提供新的分析方法。

1 相關(guān)研究評(píng)述

SHARPE[1]建立了基于基金風(fēng)險(xiǎn)和收益的基金績(jī)效評(píng)價(jià)指標(biāo)——夏普比率，通過(guò)對(duì)美國(guó)34家共同基金的研究表明，基金績(jī)效具有一定持續(xù)性，即基金現(xiàn)有業(yè)績(jī)對(duì)基金未來(lái)業(yè)績(jī)產(chǎn)生影響；VIDAL-GARCA et al.[6]基于時(shí)間序列模型對(duì)35個(gè)不同國(guó)家的共同基金樣本的研究表明，基金的績(jī)效表現(xiàn)在統(tǒng)計(jì)和經(jīng)濟(jì)意義上具有一定的持續(xù)性，特別是對(duì)于排名靠前和靠后的國(guó)家的共同基金?；鹂?jī)效表現(xiàn)也受到基金規(guī)模的影響，ELTON et al.[7]和YIN[8]的研究表明，基金規(guī)模過(guò)大會(huì)帶來(lái)流動(dòng)性問(wèn)題等，從而侵蝕基金業(yè)績(jī)；梁珊等[9]通過(guò)實(shí)驗(yàn)研究發(fā)現(xiàn)，開(kāi)放式股票型基金規(guī)模對(duì)基金選股能力和基金平均風(fēng)格收益存在倒U形的影響。關(guān)于基金費(fèi)率對(duì)基金業(yè)績(jī)影響的研究，一般認(rèn)為較高的費(fèi)用代表基金管理者個(gè)人投入多、實(shí)力強(qiáng)，基金投資管理能力也應(yīng)該較好，投資業(yè)績(jī)較佳。還有學(xué)者關(guān)注基金業(yè)績(jī)與基金資金流量之間的關(guān)系以及對(duì)贖回異象進(jìn)行分析，即基金的凈資金流隨基金業(yè)績(jī)的增長(zhǎng)而下降[10]，但也有研究表明基金業(yè)績(jī)與資金流量之間具有正相關(guān)關(guān)系[11-12]。

除了基金自身的因素外，基金經(jīng)理的個(gè)人特質(zhì)、職業(yè)特質(zhì)和能力特質(zhì)等也影響基金的業(yè)績(jī)?；鸾?jīng)理的個(gè)人特質(zhì)方面，BARBER et al.[2]的研究表明，男性基金經(jīng)理比女性基金經(jīng)理交易更加頻繁，進(jìn)而帶來(lái)的交易成本的增加使男性基金經(jīng)理的收益率較低；ESHRAGHI et al.[13]認(rèn)為基金經(jīng)理的自信與基金業(yè)績(jī)存在倒U形關(guān)系；BODNARUK et al.[14]的研究結(jié)果表明，基金業(yè)績(jī)與基金經(jīng)理的風(fēng)險(xiǎn)厭惡程度存在相關(guān)性?；鸾?jīng)理的職業(yè)特質(zhì)方面，HAN et al.[15]的研究表明團(tuán)隊(duì)管理的基金比單一經(jīng)理的基金業(yè)績(jī)更好；徐瓊等[16]發(fā)現(xiàn)排名靠前的基金經(jīng)理平均任職時(shí)間相對(duì)較長(zhǎng)，反映出投資經(jīng)驗(yàn)豐富的基金經(jīng)理在提高基金業(yè)績(jī)和風(fēng)險(xiǎn)控制方面具有一定的競(jìng)爭(zhēng)優(yōu)勢(shì)?；鸾?jīng)理的能力特質(zhì)方面，CHEVALIER et al.[17]采用橫截面法研究基金經(jīng)理個(gè)人特征對(duì)基金業(yè)績(jī)的影響，在被解釋變量中加入體現(xiàn)基金風(fēng)格的代理變量，結(jié)果表明管理基金業(yè)績(jī)與基金經(jīng)理畢業(yè)院校和成績(jī)高度相關(guān)，是否有MBA學(xué)歷對(duì)基金業(yè)績(jī)影響不顯著。

基金公司特征對(duì)基金業(yè)績(jī)也產(chǎn)生影響?；鸸窘?jīng)營(yíng)規(guī)模反映了基金公司的整體實(shí)力，通常認(rèn)為基金公司規(guī)模越龐大，實(shí)力越雄厚，旗下基金數(shù)量越多，基金整體水平可能越高，存在規(guī)模效應(yīng)[18-19]。但ELTON et al.[7]認(rèn)為基金公司規(guī)模越大，每只基金獲得的支持和資源越分散，最終對(duì)基金產(chǎn)生負(fù)面影響?；鸸径聲?huì)的強(qiáng)監(jiān)管也將給基金的業(yè)績(jī)帶來(lái)積極的影響[20]，ADAMS et al.[21]的研究證實(shí)獨(dú)立董事比例高的基金公司旗下基金的業(yè)績(jī)表現(xiàn)更好。此外基金公司的歷史業(yè)績(jī)表現(xiàn)也對(duì)基金未來(lái)業(yè)績(jī)產(chǎn)生影響，SIALM et al.[22]的研究證實(shí)經(jīng)營(yíng)不善的基金公司旗下的基金即使表現(xiàn)良好，也難以帶來(lái)足夠的新資金，同時(shí)面臨極高的基金經(jīng)理流失率。中國(guó)部分學(xué)者也專門(mén)對(duì)機(jī)構(gòu)投資者的投資特征與企業(yè)和市場(chǎng)之間的聯(lián)動(dòng)關(guān)系進(jìn)行研究分析[23-25]。

綜合上述研究，刻畫(huà)優(yōu)質(zhì)基金的指標(biāo)可能來(lái)自于多個(gè)方面的多個(gè)特征，因此通過(guò)模型方法篩選優(yōu)質(zhì)基金面臨可選特征維度過(guò)高的問(wèn)題(即維數(shù)災(zāi)難)，不同維度的特征給分析基金業(yè)績(jī)帶來(lái)難度。PREMACHANDRA et al.[26]利用二階段DEA網(wǎng)絡(luò)模型建立基金的績(jī)效評(píng)估方法，GALAGEDERA et al.[3]進(jìn)一步將評(píng)估方法拓展到三階段DEA網(wǎng)絡(luò)模型，但該方法仍然是基于多個(gè)指標(biāo)的基金績(jī)效評(píng)估方法，并未解決如何提取基金績(jī)效關(guān)聯(lián)特征。

在金融科技領(lǐng)域，對(duì)多維數(shù)據(jù)的特征信息(特別是包含非結(jié)構(gòu)化數(shù)據(jù)特征信息的信息集)進(jìn)行特征挖掘和提取的方法較少?；鸬奶卣鞣N類繁多，與基金相關(guān)的海量數(shù)據(jù)中包含非結(jié)構(gòu)化的文本或圖形特征，用傳統(tǒng)方法難以在大量數(shù)據(jù)中進(jìn)行有效的量化篩選等。本研究結(jié)合金融科技領(lǐng)域目前的數(shù)據(jù)現(xiàn)狀，利用隨機(jī)搜索算法提取基金績(jī)效關(guān)聯(lián)特征，是不同于已有研究的一個(gè)方向。在大數(shù)據(jù)隨機(jī)搜索算法方面，AGRAWAL et al.[27]提出關(guān)聯(lián)規(guī)則的概念和APRIORI算法，認(rèn)為動(dòng)機(jī)是針對(duì)購(gòu)物籃分析問(wèn)題。但在搜索關(guān)聯(lián)規(guī)則空間時(shí)要實(shí)現(xiàn)這些算法在計(jì)算上非常困難，規(guī)則空間隨著特征數(shù)的增加呈指數(shù)級(jí)擴(kuò)大。之后諸多學(xué)者都對(duì)關(guān)聯(lián)規(guī)則挖掘問(wèn)題進(jìn)行了大量的理論探索、算法改進(jìn)和設(shè)計(jì)，特別是基于隨機(jī)搜索方法及相關(guān)的應(yīng)用方面做了許多工作，如在吉布斯抽樣方法的研究和應(yīng)用方面，除GEMAN et al.[28]、SCHWARZ[29]和QIAN et al.[30]進(jìn)行了一系列基礎(chǔ)性工作外，QIAN et al.[31]提出基于吉布斯采樣構(gòu)建的算法，在不損失信息的情況下大大減少了后續(xù)挖掘的規(guī)則空間，并在之后利用基于吉布斯抽樣方法，針對(duì)貝葉斯多變點(diǎn)問(wèn)題進(jìn)行研究。另外，GLASSERMAN[32]利用馬爾科夫鏈蒙特卡洛方法在計(jì)量金融方面進(jìn)行了大量的應(yīng)用研究，NARISETTY et al.[33]探討一種用于支持模型選擇的一致可伸縮吉布斯抽樣算法。但是比較全面的、基于隨機(jī)搜索方法對(duì)影響基金業(yè)績(jī)的關(guān)聯(lián)特征指標(biāo)方面的系統(tǒng)性研究和方法目前并不多，特別是在大數(shù)據(jù)范疇下以多維度數(shù)據(jù)信息為出發(fā)點(diǎn)，并在設(shè)定控制誤差容忍度(如不大于5%)情形下，建立與基金業(yè)績(jī)強(qiáng)弱關(guān)聯(lián)關(guān)系的特征因子提取和分類的工作更是少見(jiàn)。因此，本研究希望找出影響基金業(yè)績(jī)的特征因子的提取、篩選并分類的方法，將分類樣本按相關(guān)性排序，從而基于FOF優(yōu)質(zhì)基金池，構(gòu)建針對(duì)基金篩選的一般方法。

2 大數(shù)據(jù)隨機(jī)搜索算法

2.1 基金業(yè)績(jī)相關(guān)特征提取的基本思路

本研究的重點(diǎn)是建立針對(duì)影響基金業(yè)績(jī)的主要特征指標(biāo)的提取方法。需要指出的是，提取影響基金業(yè)績(jī)的特征不是基于傳統(tǒng)計(jì)量回歸分析工具直接實(shí)現(xiàn)的，本研究要考慮存在多種可能影響基金業(yè)績(jī)的特征因子，同時(shí)還面臨樣本觀測(cè)量不足的客觀現(xiàn)實(shí)困難，在這樣的前提下，需要采用新的方法和路徑實(shí)現(xiàn)特征提取。

通常情況下，假定有M個(gè)可能影響基金業(yè)績(jī)的變量，最基本的篩選方法是考慮所有可能的組合情形。但對(duì)這種考慮所有可能組合的方法，即使只考慮線性組合，也至少有2M次的判斷處理，這就是典型的NP問(wèn)題[34]。另外，如果使用統(tǒng)計(jì)回歸分析方法，可能出現(xiàn)建模時(shí)支持M個(gè)自變量的統(tǒng)計(jì)推斷模型方法面臨樣本觀測(cè)量不足的問(wèn)題，特別是大數(shù)據(jù)場(chǎng)景下海量數(shù)據(jù)與有限樣本觀測(cè)量之間的矛盾。為了解決NP問(wèn)題和樣本觀測(cè)量不足的困難，從20世紀(jì)50年代開(kāi)始，在馬爾科夫鏈蒙特卡洛模擬框架下的吉布斯抽樣方法日趨流行和發(fā)展起來(lái)，其實(shí)質(zhì)是通過(guò)隨機(jī)搜索的思想[4]，可以解決上面提到的NP問(wèn)題以及樣本觀測(cè)量數(shù)據(jù)不足前提下的許多實(shí)踐和應(yīng)用問(wèn)題。吉布斯抽樣方法也在最近30多年中得到極大發(fā)展，如GLASSERMAN[32]的研究。

本研究在馬爾科夫鏈蒙特卡洛框架下，利用吉布斯抽樣方法建立影響基金業(yè)績(jī)的特征因子的提取方法。假設(shè)任意一個(gè)變量是否與基金業(yè)績(jī)存在關(guān)聯(lián)性服從伯努利分布(僅包含存在關(guān)聯(lián)性和不存在關(guān)聯(lián)性兩種結(jié)果)，伯努利分布的參數(shù)可表示為一個(gè)變量與基金業(yè)績(jī)存在關(guān)聯(lián)的顯著性(以下簡(jiǎn)稱關(guān)聯(lián)顯著性)。為了計(jì)量關(guān)聯(lián)顯著性，首先，本研究隨機(jī)從備選變量集合中選擇一個(gè)子集I0進(jìn)行建模，擬合基金業(yè)績(jī)指標(biāo)，本研究選擇以Wind評(píng)級(jí)作為業(yè)績(jī)?cè)u(píng)價(jià)標(biāo)準(zhǔn)；其次，采用AIC準(zhǔn)則[35]或BIC準(zhǔn)則[28]構(gòu)造馬爾科夫鏈蒙特卡洛中的狀態(tài)轉(zhuǎn)移概率，保證用于構(gòu)建模型的特征子集始終能向擬合優(yōu)度更高的方向轉(zhuǎn)移，最終每一個(gè)變量被選入特征子集的概率(非條件概率)隨著模擬次數(shù)的增加而穩(wěn)定于一個(gè)特定的值，這個(gè)值即為各個(gè)變量關(guān)聯(lián)顯著性的理論值；最后，由馬爾可夫鏈的性質(zhì)可知，進(jìn)行吉布斯抽樣抽取的初始特征子集I0不會(huì)影響最終的模擬結(jié)果。同時(shí)，在特征因子與基金業(yè)績(jī)是否存在關(guān)聯(lián)性服從伯努利分布的假定下，為了使吉布斯抽樣結(jié)果的誤差不大于5%，本研究設(shè)定控制樣本誤差需要的隨機(jī)抽樣樣本量為400，這就解決了特征空間復(fù)雜度高而且觀測(cè)樣本不足的問(wèn)題，同時(shí)將NP問(wèn)題通過(guò)吉布斯抽樣方法中的隨機(jī)搜索轉(zhuǎn)化為多項(xiàng)式復(fù)雜度問(wèn)題，從而減少計(jì)算的復(fù)雜度，即在觀測(cè)樣本數(shù)量有限的條件下，通過(guò)吉布斯抽樣方法，基于AIC準(zhǔn)則或BIC準(zhǔn)則構(gòu)造轉(zhuǎn)移矩陣，對(duì)特征因子的所有情況(構(gòu)建成的冪集)進(jìn)行篩選，得出與基金業(yè)績(jī)相關(guān)的特征集，基于比值比的指標(biāo)分類方法，提高了指標(biāo)的可解釋性。

2.2 基于吉布斯抽樣方法支持下的影響基金業(yè)績(jī)的特征因子提取方法

影響基金業(yè)績(jī)的因素非常多，如何在指標(biāo)復(fù)雜、觀測(cè)數(shù)據(jù)有限的前提下平衡模型的可靠性和可解釋性，是一個(gè)比較困難的工作。QIAN et al.[30]首次在特征挖掘過(guò)程中使用吉布斯抽樣方法，給出大數(shù)據(jù)框架下進(jìn)行特征篩選的方向。本研究采用的基金業(yè)績(jī)特征篩選方法正是在這一方法基礎(chǔ)上，使其能夠?qū)鹑趫?chǎng)景做出實(shí)時(shí)、準(zhǔn)確、有效和可解釋的全面分析。在此基礎(chǔ)上，建立一種基于馬爾科夫鏈蒙特卡洛框架下的吉布斯抽樣算法，以比值比作為驗(yàn)證標(biāo)準(zhǔn)參數(shù)，實(shí)現(xiàn)基金績(jī)效關(guān)聯(lián)特征的提取和分類，從而支持FOF基金池的構(gòu)建。提取影響基金業(yè)績(jī)的特征因子的主要流程如下：

第1步 建立基準(zhǔn)模型，構(gòu)建初始特征集合。

在篩選特征之前，根據(jù)基金的三分類確定基礎(chǔ)模型，本研究基于Softmax函數(shù)建立評(píng)價(jià)基金的模型，基于模型初步篩選部分特征作為初始特征，隨機(jī)抽取一個(gè)特征子集，即

I0=(0,1,1,…,0)∈{0,1}k

(1)

其中，I0為在初始特征中隨機(jī)抽取的一個(gè)特征子集，k為在初始特征樣本中存在的特征數(shù)。初始模型中系數(shù)不為0的特征記為1，系數(shù)為0的特征記為0。

第2步 基于AIC準(zhǔn)則和BIC準(zhǔn)則構(gòu)建特征分布函數(shù)，即構(gòu)建支持隨機(jī)抽樣的標(biāo)準(zhǔn)。

PC(js=1|J-s)

(2)

其中，PC(js=1|J-s)為概率分布函數(shù)，s為特征數(shù)，js為第s個(gè)特征，J-s為除第s個(gè)特征之外全部特征的組合，IC為J-s的確定值。由于特征的復(fù)雜性，本研究無(wú)法直接構(gòu)建概率分布函數(shù)PC(J)，因此嘗試基于AIC準(zhǔn)則和BIC準(zhǔn)則構(gòu)建指標(biāo)轉(zhuǎn)移概率函數(shù)PAIC(J)和PBIC(J)，分別基于AIC準(zhǔn)則和BIC準(zhǔn)則構(gòu)建兩組條件概率分布函數(shù)，目的是在最后一步中比較兩者的模型效果。條件概率分布函數(shù)可表示為

(3)

第3步 確定抽樣次數(shù)，若進(jìn)行有限次重復(fù)抽樣關(guān)聯(lián)顯著性的誤差，可根據(jù)(4)式進(jìn)行計(jì)量，即

(4)

其中，Std(p)為特征頻率的標(biāo)準(zhǔn)差；p為某一變量的關(guān)聯(lián)顯著性；t為抽樣次數(shù)，t=0,1,2,…,M。在樣本特征的吉布斯抽樣中假定所有樣本特征服從伯努利分布，可以表示抽樣誤差。

若按照2-sigma準(zhǔn)則控制模擬誤差，為了保持提取特征的顯著性，通常需要使模擬誤差控制在0.05以內(nèi)，則由(4)式可知需要進(jìn)行400次抽樣。這里，n-sigmia等于n個(gè)單位的標(biāo)準(zhǔn)差Std(p)，n=1,2,或3。若選用更嚴(yán)格的誤差控制準(zhǔn)則(如3-sigma準(zhǔn)則)或縮小誤差控制范圍，則需要更多的抽樣次數(shù)。本研究使用2-sigma準(zhǔn)則控制模擬誤差，可以在保證顯著性的同時(shí)降低計(jì)算的復(fù)雜度。

確定好最大抽樣次數(shù)M后，進(jìn)行吉布斯抽樣，具體過(guò)程如下：

(2)對(duì)s循環(huán)進(jìn)行抽樣，s=1,2,…,k，有

(5)

(3)得到(J(1),J(2),…,J(M))。

第4步 計(jì)算特征頻率，并篩選入模指標(biāo)。

第5步 構(gòu)建最終分析模型并進(jìn)行模型效果測(cè)試。

選擇關(guān)聯(lián)顯著性大于某個(gè)設(shè)定水平(根據(jù)實(shí)際工作的需要設(shè)定)的特征指標(biāo)建立邏輯回歸模型，分別在訓(xùn)練集合和測(cè)試集合中檢驗(yàn)?zāi)Ｐ偷男Ч?。比較使用AIC構(gòu)建分布函數(shù)的模型與使用BIC構(gòu)建分布函數(shù)的模型結(jié)果，根據(jù)比較結(jié)果確定最優(yōu)模型。

3 基金業(yè)績(jī)關(guān)聯(lián)的特征刻畫(huà)

3.1 基金樣本的選取和劃分

由于基金業(yè)績(jī)與市場(chǎng)整體走勢(shì)相關(guān)，同時(shí)考慮到數(shù)據(jù)樣本的豐富性，本研究選取2018年Wind基金評(píng)級(jí)無(wú)缺失的701個(gè)債券型基金作為樣本，用于特征挖掘和分類模型構(gòu)建。訓(xùn)練集和測(cè)試集的樣本中好、中、壞3個(gè)等級(jí)的樣本比率相同，并按照3:1的比例將總樣本劃分為訓(xùn)練集(526個(gè)樣本)和測(cè)試集(175個(gè)樣本)。在本研究的分析中，訓(xùn)練集將用于特征挖掘、模型的參數(shù)估計(jì)和模型效果的初步檢驗(yàn)，測(cè)試集將用于模型效果的最終檢驗(yàn)及壞樣本的閾值劃定。

通常從基金的投資收益和風(fēng)險(xiǎn)角度測(cè)量基金業(yè)績(jī)。綜合考慮基金投資收益和風(fēng)險(xiǎn)的指標(biāo)中較為經(jīng)典的3個(gè)指標(biāo)為詹森指數(shù)、夏普比率、特雷諾比率[36-37]。目前多家評(píng)級(jí)機(jī)構(gòu)和學(xué)者都提出了較新的業(yè)績(jī)?cè)u(píng)價(jià)體系和方法，這些方法基本都是對(duì)傳統(tǒng)經(jīng)典方法的拓展和改進(jìn)。為了使分析結(jié)果符合中國(guó)市場(chǎng)的一般規(guī)律，本研究根據(jù)基金業(yè)績(jī)將基金分為好、中、壞三檔，這3個(gè)檔次是基于萬(wàn)得資訊提出的Wind基金評(píng)級(jí)給出。Wind基金評(píng)級(jí)建立在投資者風(fēng)險(xiǎn)偏好基礎(chǔ)上，通過(guò)投資者的風(fēng)險(xiǎn)厭惡指數(shù)對(duì)基金收益進(jìn)行調(diào)整定義萬(wàn)得風(fēng)險(xiǎn)調(diào)整收益(簡(jiǎn)稱WRAR)，再根據(jù)WRAR的相對(duì)排名將基金劃分為5個(gè)等級(jí)，即一星至五星，一星最差，五星最好。本研究基于Wind評(píng)級(jí)對(duì)基金業(yè)績(jī)進(jìn)行重新劃分，將評(píng)級(jí)為一星的定義為壞基金，將評(píng)級(jí)為二星和三星的定義為中基金，將評(píng)級(jí)為四星和五星的定義為好基金。

3.2 初始特征指標(biāo)池的建立

通過(guò)梳理已有研究可以發(fā)現(xiàn)，基金本身、基金經(jīng)理、基金公司等維度的特征將對(duì)基金業(yè)績(jī)產(chǎn)生影響?；鸨旧韺用?，如前文所述，基金歷史業(yè)績(jī)能夠?qū)鹞磥?lái)業(yè)績(jī)產(chǎn)生影響，基金規(guī)模過(guò)大帶來(lái)流動(dòng)性問(wèn)題等，從而侵蝕基金業(yè)績(jī)。因此，基金的投資結(jié)構(gòu)、風(fēng)險(xiǎn)指標(biāo)和其他關(guān)聯(lián)特征也有可能對(duì)基金業(yè)績(jī)產(chǎn)生影響[38]，特別是面臨行情變化時(shí)前兩者對(duì)基金業(yè)績(jī)的影響就顯得較為重要。從基金經(jīng)理的角度出發(fā)，趙秀娟等[39]認(rèn)為基金經(jīng)理的經(jīng)驗(yàn)和能力與基金業(yè)績(jī)之間存在正相關(guān)關(guān)系。所以，本研究將基金經(jīng)理的個(gè)人特質(zhì)、職業(yè)特質(zhì)和業(yè)績(jī)指標(biāo)納入與基金業(yè)績(jī)有關(guān)聯(lián)的特征指標(biāo)池。

通過(guò)對(duì)基金業(yè)績(jī)相關(guān)特征的梳理，結(jié)合業(yè)界的實(shí)踐經(jīng)驗(yàn)，本研究將基金公司維度特征從經(jīng)營(yíng)規(guī)模、財(cái)務(wù)指標(biāo)、經(jīng)營(yíng)能力、基本信息和股權(quán)結(jié)構(gòu)等方面進(jìn)行初始特征分類，形成基金初始特征?；?個(gè)維度的基金初始特征見(jiàn)表1，有58個(gè)3級(jí)指標(biāo)的特征都有可能對(duì)基金業(yè)績(jī)產(chǎn)生不同程度的影響，每個(gè)指標(biāo)包含不同基金、不同時(shí)間段的數(shù)據(jù)，最終形成初始指標(biāo)數(shù)據(jù)池。

3.3 基金關(guān)聯(lián)特征的提取和解讀

本研究基于基金業(yè)績(jī)較好和較差的特征分類，第1步采用吉布斯算法從58個(gè)初步特征中篩選出36個(gè)與基金業(yè)績(jī)之間存在顯著關(guān)聯(lián)性的特征。第2步使用這些特征建立三分類邏輯回歸模型，以邏輯回歸模型中各個(gè)特征的比值比作為測(cè)量特征與基金業(yè)績(jī)的關(guān)聯(lián)顯著性的標(biāo)準(zhǔn)。然后與使用全部58個(gè)特征構(gòu)建的三分類邏輯回歸模型進(jìn)行對(duì)比，以驗(yàn)證提煉出的特征結(jié)果的表現(xiàn)程度。

應(yīng)用比值比對(duì)特征與基金業(yè)績(jī)(好或者不好)的關(guān)聯(lián)性強(qiáng)弱進(jìn)行定義，規(guī)則如下：

(1)較強(qiáng)關(guān)聯(lián)。對(duì)應(yīng)特征的比值比小于0.800或大于1.200時(shí)，此特征為與基金業(yè)績(jī)(好或者不好)的關(guān)聯(lián)性較強(qiáng)；

表1 基金初始特征Table 1 Initial Features of Funds

續(xù)表1

(2)一般關(guān)聯(lián)。對(duì)應(yīng)特征的比值比大于等于1.100且小于等于1.200或比值比大于等于0.800且小于等于0.900時(shí)，此特征為與基金業(yè)績(jī)(好或者不好)的關(guān)聯(lián)性一般；

(3)較弱關(guān)聯(lián)。對(duì)應(yīng)特征的比值比大于0.900且小于1.100時(shí)，此特征為與基金業(yè)績(jī)(好或者不好)的關(guān)聯(lián)性較弱。

基于上面的特征分析和對(duì)應(yīng)好壞基金的特征刻畫(huà)，本研究根據(jù)36個(gè)特征與基金業(yè)績(jī)的關(guān)聯(lián)性強(qiáng)弱劃分為強(qiáng)相關(guān)特征、一般相關(guān)特征和弱相關(guān)特征3類，分類結(jié)果見(jiàn)表2。

由表2可知，①?gòu)?qiáng)相關(guān)特征有16個(gè)，它們對(duì)基金業(yè)績(jī)較好和較差都呈現(xiàn)出較強(qiáng)關(guān)聯(lián)性；②一般相關(guān)特征有9個(gè)，它們包含兩類：第1類為對(duì)于基金業(yè)績(jī)較差的呈現(xiàn)較強(qiáng)關(guān)聯(lián)而對(duì)基金業(yè)績(jī)較好的呈現(xiàn)出弱關(guān)聯(lián)的特征，第2類為在基金業(yè)績(jī)較差和較好中都呈現(xiàn)出一般關(guān)聯(lián)的特征；③弱相關(guān)特征有11個(gè)，它們對(duì)基金業(yè)績(jī)較差的呈現(xiàn)出較弱關(guān)聯(lián)。

需要說(shuō)明的是，本研究中強(qiáng)相關(guān)特征、一般相關(guān)特征和弱相關(guān)特征的定義是基于特征與基金業(yè)績(jī)的關(guān)聯(lián)性強(qiáng)弱定義的，因此使用相關(guān)性命名，從而與上文中使用的關(guān)聯(lián)性區(qū)別開(kāi)來(lái)。

對(duì)基于吉布斯抽樣得到的特征進(jìn)行分析可以發(fā)現(xiàn)，強(qiáng)相關(guān)特征與一般相關(guān)特征都能從基金評(píng)價(jià)的業(yè)務(wù)邏輯層面得到解釋。例如，16個(gè)強(qiáng)相關(guān)特征和9個(gè)一般相關(guān)特征從投資表現(xiàn)、風(fēng)險(xiǎn)管理、團(tuán)隊(duì)能力和公司經(jīng)營(yíng)狀況4個(gè)方面反映了基金業(yè)績(jī)。

表2 特征提取結(jié)果Table 2 Results for Features Extraction

(1)投資表現(xiàn)。投資表現(xiàn)是能夠最直接從收益率中反映的，平均收益率和幾何平均年化收益率反映基金的投資表現(xiàn)，凈資產(chǎn)收益率反映基金在投資過(guò)程中對(duì)于杠桿的運(yùn)用能力。

(2)風(fēng)險(xiǎn)管理。測(cè)量基金管理團(tuán)隊(duì)成績(jī)的一個(gè)重要標(biāo)準(zhǔn)就是最大回撤，它體現(xiàn)了管理團(tuán)隊(duì)對(duì)于風(fēng)險(xiǎn)的控制能力。在本研究的初始特征池中，基金風(fēng)險(xiǎn)等級(jí)也是一個(gè)能有效反應(yīng)風(fēng)險(xiǎn)管理能力的特征。在中國(guó)證券投資基金大致可以分為股票型、債券型和混合型，僅有混合型基金能夠有效地利用各種不同的資產(chǎn)進(jìn)行風(fēng)險(xiǎn)分散和對(duì)沖，因此基金類型也能夠有效反映基金的風(fēng)險(xiǎn)管理能力。

(3)團(tuán)隊(duì)能力。投資表現(xiàn)和風(fēng)險(xiǎn)管理可以有效反映基金管理團(tuán)隊(duì)的能力，但這兩個(gè)方面都要經(jīng)過(guò)一段時(shí)間的任職才能觀測(cè)到?；鸾?jīng)理的個(gè)人經(jīng)歷可以在其上任之前為我們提供關(guān)于管理團(tuán)隊(duì)能力的信息，基金經(jīng)理學(xué)歷和基金經(jīng)理最大工作年限兩個(gè)指標(biāo)從定性角度為刻畫(huà)基金經(jīng)理能力提供了信息，學(xué)歷較低和工作年限較短且風(fēng)格青澀的基金經(jīng)理很難領(lǐng)導(dǎo)一個(gè)優(yōu)秀的基金管理團(tuán)隊(duì)；基金經(jīng)理曾任職基金公司數(shù)量越多，通常意味著其工作更換比較頻繁，有可能顯示出其工作能力難以領(lǐng)導(dǎo)基金管理團(tuán)隊(duì)；團(tuán)隊(duì)穩(wěn)定性能夠?yàn)橥顿Y策略和風(fēng)險(xiǎn)管理流程帶來(lái)更好的一致性。

(4)公司經(jīng)營(yíng)狀況?；饒F(tuán)隊(duì)的表現(xiàn)可以反映出公司的經(jīng)營(yíng)狀態(tài)。董監(jiān)高平均任期和成立年限反映基金公司的日常經(jīng)營(yíng)的穩(wěn)定性；公司獲獎(jiǎng)較多和托管費(fèi)率較低反映基金公司在行業(yè)中的口碑和商務(wù)運(yùn)營(yíng)能力較強(qiáng)；基金公司旗下基金數(shù)量多意味著基金公司規(guī)模較大，也能反映出基金公司經(jīng)營(yíng)狀況的穩(wěn)定性；浮動(dòng)管理費(fèi)率和費(fèi)率優(yōu)惠反映基金團(tuán)隊(duì)的薪酬激勵(lì)方式，浮動(dòng)管理費(fèi)率和費(fèi)率優(yōu)惠越高基金管理團(tuán)隊(duì)的收入與其投資表現(xiàn)的關(guān)系越密切，這也反映了基金團(tuán)隊(duì)對(duì)于自身能力的自信。

4 實(shí)證分析

4.1 數(shù)據(jù)使用說(shuō)明

本研究使用邏輯回歸模型對(duì)測(cè)試集中較差的基金檢驗(yàn)特征篩選效果。首先，使用篩選得到的36個(gè)特征進(jìn)行邏輯回歸建模，并與使用初始特征集中所有58個(gè)特征建立的邏輯回歸模型的效果進(jìn)行比較，再比較使用不同的數(shù)據(jù)處理方法和建模方法的模型效果，從而找出最佳的建模方案。

對(duì)于分類模型，本研究希望其能在準(zhǔn)確預(yù)測(cè)出壞樣本的基礎(chǔ)上盡可能少地將好樣本歸類為壞樣本，因此使用ROC曲線分析進(jìn)行模型檢驗(yàn)。

4.2 數(shù)據(jù)測(cè)試結(jié)果

本研究使用假陽(yáng)率(false positive ration,FPR)為0.100和0.200時(shí)的真陽(yáng)率(true positive ratio,TPR)測(cè)量模型效果，將其分為6個(gè)級(jí)別的分類標(biāo)準(zhǔn)，見(jiàn)表3。

表3 ROC分類標(biāo)準(zhǔn)Table 3 ROC Standard of Classification

測(cè)試集的模型檢驗(yàn)結(jié)果見(jiàn)表4，模型1～模型4分別表示使用相應(yīng)的特征集合及建模方法得出的模型效果，4個(gè)模型的ROC曲線見(jiàn)圖1(a)～圖1(d)。圖中，橫軸為假陽(yáng)率，表示非壞樣本被歸類為壞樣本的比率；縱軸為真陽(yáng)率，表示被識(shí)別出的壞樣本在所有壞樣本中所占比例。由圖1可知，模型1訓(xùn)練集的ROC曲線表現(xiàn)得很好，但測(cè)試集的ROC曲線表現(xiàn)與訓(xùn)練集的ROC曲線有較大差距，且不如模型2測(cè)試集合的ROC曲線，說(shuō)明模型1的預(yù)測(cè)能力不佳，可能存在過(guò)擬合現(xiàn)象。模型2～模型4各自訓(xùn)練集和測(cè)試集的ROC曲線表現(xiàn)較為一致，反映出模型能夠有效刻畫(huà)基金的表現(xiàn)，模型3和模型4有更好的刻畫(huà)能力。

表4 測(cè)試集的模型檢驗(yàn)結(jié)果Table 4 Model Validation Results for the Test Set

(a)模型1

(b)模型2

(c)模型3

(d)模型4

由表4可知，模型2在假陽(yáng)率為0.100和0.200時(shí)，其真陽(yáng)率都比模型1高，證明風(fēng)險(xiǎn)基因篩選得到的36個(gè)特征能夠有效刻畫(huà)基金的表現(xiàn)，但模型效果仍未達(dá)標(biāo)。模型3在假陽(yáng)率為0.100和0.200時(shí)，其真陽(yáng)率都比模型2高，模型效果達(dá)到Ⅱ-a級(jí)標(biāo)準(zhǔn)。由此可以看出，對(duì)篩選特征中的結(jié)構(gòu)化數(shù)據(jù)進(jìn)行歸一化處理比對(duì)所有特征都做標(biāo)簽化處理更有利于建模，說(shuō)明針對(duì)多維數(shù)據(jù)進(jìn)行特征提取再進(jìn)行分類對(duì)模型效果具有顯著的提升。模型4在假陽(yáng)率為0.100和0.200時(shí)，其真陽(yáng)率都比模型3低，模型效果達(dá)到Ⅱ-b級(jí)標(biāo)準(zhǔn)，由此可以看出，二分類邏輯回歸對(duì)壞樣本的識(shí)別效率略優(yōu)于三分類邏輯回歸。

綜上所述，對(duì)比模型1與模型2的效果可知，本研究用大數(shù)據(jù)特征提取方法得到的特征子集能夠更有效地識(shí)別較差的基金。對(duì)比模型2與模型3的效果可知，對(duì)結(jié)構(gòu)化數(shù)據(jù)進(jìn)行歸一化處理，對(duì)非結(jié)構(gòu)化數(shù)據(jù)進(jìn)行標(biāo)簽化處理，模型檢驗(yàn)效果有非常顯著的提升。對(duì)比模型3與模型4可知，在對(duì)某一類(較差)基金進(jìn)行識(shí)別的建模工作中，二分類邏輯回歸與多分類邏輯回歸模型的效果差異不大，在本研究中二分類邏輯回歸因其計(jì)算復(fù)雜度較低而體現(xiàn)出優(yōu)勢(shì)。

本研究在評(píng)價(jià)模型時(shí)已經(jīng)確定了對(duì)假陽(yáng)率的容忍度為0.200，則可以按照假陽(yáng)率為0.200時(shí)對(duì)應(yīng)的邏輯回歸概率設(shè)置判定的閾值，閾值設(shè)定結(jié)果見(jiàn)表5。

表5 邏輯回歸概率閾值Table 5 Threshold of Logistic Regression Probability

根據(jù)4個(gè)模型的ROC表現(xiàn)，當(dāng)模型的假陽(yáng)率控制在0.200以內(nèi)，使真陽(yáng)率達(dá)到最大時(shí)的概率閾值都在0.100左右。

4.3 穩(wěn)定性檢驗(yàn)

本研究使用AIC準(zhǔn)則和BIC準(zhǔn)則構(gòu)建馬爾科夫鏈篩選特征，將按比值比分類后的結(jié)果進(jìn)行比較。使用AIC準(zhǔn)則和BIC準(zhǔn)則進(jìn)行特征篩選的流程與上文相同。

使用AIC準(zhǔn)則進(jìn)行特征篩選得到37個(gè)特征，經(jīng)過(guò)比值比分類，有20個(gè)特征與基金業(yè)績(jī)強(qiáng)相關(guān)，有9個(gè)特征與基金業(yè)績(jī)一般相關(guān)，剩余8個(gè)特征與基金業(yè)績(jī)?nèi)跸嚓P(guān)，特征篩選的結(jié)果見(jiàn)表6。

使用BIC準(zhǔn)則進(jìn)行特征篩選得到18個(gè)特征，經(jīng)過(guò)比值比分類，有10個(gè)特征與基金業(yè)績(jī)強(qiáng)相關(guān)，有5個(gè)特征與基金業(yè)績(jī)一般相關(guān)，其余3個(gè)特征與基金業(yè)績(jī)?nèi)跸嚓P(guān)，特征篩選的結(jié)果見(jiàn)表7。

與使用邏輯回歸模型預(yù)測(cè)準(zhǔn)確性評(píng)分篩選特征的結(jié)果(表2)相比，使用AIC準(zhǔn)則進(jìn)行特征篩選得到的強(qiáng)相關(guān)特征更多，而使用AIC準(zhǔn)則和BIC準(zhǔn)則進(jìn)行特征篩選得到的弱相關(guān)特征都比邏輯回歸模型進(jìn)行特征篩選得到的結(jié)果要少。

由表4可知，使用篩選后的特征子集，并對(duì)其中的結(jié)構(gòu)化數(shù)據(jù)進(jìn)行歸一化處理，對(duì)其中的非結(jié)構(gòu)化數(shù)據(jù)進(jìn)行標(biāo)簽化處理后，可以使邏輯回歸模型對(duì)壞基金的識(shí)別效果達(dá)到最佳。使用AIC準(zhǔn)則和BIC準(zhǔn)則進(jìn)行特征篩選得到的強(qiáng)相關(guān)和一般相關(guān)特征進(jìn)行二分類邏輯回歸建模。建模方法和模型評(píng)價(jià)標(biāo)準(zhǔn)與前文相同，模型回歸結(jié)果見(jiàn)表8，ROC曲線見(jiàn)圖2。

由圖2可知，模型5和模型6各自訓(xùn)練集與測(cè)試集的ROC曲線表現(xiàn)較為一致，模型對(duì)基金的表現(xiàn)均有較好的刻畫(huà)能力，且用AIC特征篩選準(zhǔn)則的模型6的ROC曲線優(yōu)于用BIC特征篩選準(zhǔn)則的模型5，并且當(dāng)假陽(yáng)率為0.200時(shí)的真陽(yáng)率優(yōu)于模型3。使用BIC準(zhǔn)則進(jìn)行特征篩選的特征子集中包含的特征數(shù)較少，所以擬合效果劣于模型3和模型6。綜上可知，使用AIC準(zhǔn)則進(jìn)行特征篩選也可以得到較優(yōu)的模型效果。

5 結(jié)論

本研究基于影響基金業(yè)績(jī)的多維度數(shù)據(jù)信息構(gòu)建基礎(chǔ)特征池，通過(guò)吉布斯抽樣實(shí)現(xiàn)多維數(shù)據(jù)信息下的有效特征提取方法，并運(yùn)用邏輯回歸模型，通過(guò)比值比進(jìn)一步對(duì)有效特征進(jìn)行相關(guān)性分類，建立與基金業(yè)績(jī)相關(guān)性強(qiáng)弱排序的特征集，并用于對(duì)基金業(yè)績(jī)的預(yù)測(cè)。

研究結(jié)果表明，基金業(yè)績(jī)可以通過(guò)投資表現(xiàn)、風(fēng)險(xiǎn)管理、團(tuán)隊(duì)能力和公司經(jīng)營(yíng)狀況4個(gè)方面進(jìn)行比較全面的刻畫(huà)。

(1)投資表現(xiàn)刻畫(huà)特征。平均收益率和幾何平均年化收益率刻畫(huà)基金投資表現(xiàn)的強(qiáng)關(guān)聯(lián)特征，凈資產(chǎn)收益率是刻畫(huà)基金在投資過(guò)程中對(duì)于杠桿的運(yùn)用能力的強(qiáng)關(guān)聯(lián)指標(biāo)。

(2)風(fēng)險(xiǎn)管理刻畫(huà)特征。測(cè)量基金風(fēng)險(xiǎn)大小的一個(gè)高度關(guān)聯(lián)的特征指標(biāo)是最大回撤，它體現(xiàn)了管理團(tuán)隊(duì)對(duì)于風(fēng)險(xiǎn)的控制能力；另外，基金風(fēng)險(xiǎn)等級(jí)也是一個(gè)能有效反映風(fēng)險(xiǎn)管理能力的特征。

(3)團(tuán)隊(duì)能力刻畫(huà)特征。投資表現(xiàn)和風(fēng)險(xiǎn)管理兩個(gè)方面可以有效反映基金管理團(tuán)隊(duì)的能力，但這兩個(gè)方面都要經(jīng)過(guò)一段時(shí)間的任職才能觀測(cè)到，而基金經(jīng)理個(gè)人經(jīng)歷、基金經(jīng)理學(xué)歷和基金經(jīng)理最大工作年限是刻畫(huà)基金經(jīng)理團(tuán)隊(duì)能力的強(qiáng)關(guān)聯(lián)指標(biāo)。

(4)基金所在公司經(jīng)營(yíng)狀況刻畫(huà)特征?；鸸镜慕?jīng)營(yíng)狀況是其下屬基金團(tuán)隊(duì)表現(xiàn)的基礎(chǔ)，董監(jiān)高平均任期、成立年限、公司獲獎(jiǎng)和托管費(fèi)率較低是刻畫(huà)基金公司在行業(yè)中的口碑和商務(wù)運(yùn)營(yíng)能力較強(qiáng)的強(qiáng)關(guān)聯(lián)特征，基金只數(shù)多少、浮動(dòng)管理費(fèi)率和費(fèi)率優(yōu)惠可以刻畫(huà)基金管理團(tuán)隊(duì)的收入與其投資表現(xiàn)的緊密關(guān)系和團(tuán)隊(duì)自信能力。

表6 使用AIC準(zhǔn)則進(jìn)行特征提取的結(jié)果Table 6 Results for Feature Extraction(AIC)

表7 使用BIC準(zhǔn)則進(jìn)行特征提取的結(jié)果Table 7 Results for Feature Extraction(BIC)

表8 測(cè)試集的模型檢驗(yàn)結(jié)果(AIC準(zhǔn)則和BIC準(zhǔn)則)Table 8 Model Validation Results for the Test Set(AIC and BIC)

(a)模型5

(b)模型6

本研究基于AIC準(zhǔn)則和BIC準(zhǔn)則建立的隨機(jī)搜索方法均能對(duì)指標(biāo)起較好的篩選作用。使用AIC準(zhǔn)則進(jìn)行特征篩選得到37個(gè)特征，經(jīng)過(guò)比值比分類，有20個(gè)特征與基金業(yè)績(jī)強(qiáng)相關(guān)，有9個(gè)特征與基金業(yè)績(jī)一般相關(guān)，剩余8個(gè)特征與基金業(yè)績(jī)?nèi)跸嚓P(guān)；使用BIC準(zhǔn)則進(jìn)行特征篩選得到18個(gè)特征，經(jīng)過(guò)比值比分類，有10個(gè)特征與基金業(yè)績(jī)強(qiáng)相關(guān)，有5個(gè)特征與基金業(yè)績(jī)一般相關(guān)，其余3個(gè)特征與基金業(yè)績(jī)?nèi)跸嚓P(guān)。

在模型效果方面，使用AIC準(zhǔn)則和BIC準(zhǔn)則進(jìn)行特征篩選得到的強(qiáng)相關(guān)和一般相關(guān)特征進(jìn)行二分類邏輯回歸建模并對(duì)基金業(yè)績(jī)進(jìn)行預(yù)測(cè)，利用特征篩選后的指標(biāo)建立的模型能夠較好地預(yù)測(cè)未來(lái)基金業(yè)績(jī)的好、壞，同時(shí)基于BIC準(zhǔn)則的過(guò)擬合風(fēng)險(xiǎn)更低。本研究方法為金融科技領(lǐng)域如何處理海量的非結(jié)構(gòu)化信息、實(shí)現(xiàn)有效的特征提取提供了一種思路和框架，在大數(shù)據(jù)的5V特征中如何有效處理數(shù)據(jù)并形成支持實(shí)踐的運(yùn)用上提供了完整的案例；本研究提出的基于大數(shù)據(jù)隨機(jī)搜索算法的特征提取方法框架下對(duì)刻畫(huà)基金業(yè)績(jī)特征的特征提取方法，不僅是理論上的創(chuàng)新，同時(shí)其結(jié)果可以用于指導(dǎo)業(yè)界實(shí)踐，如基金風(fēng)險(xiǎn)管理和相關(guān)的資產(chǎn)投資業(yè)務(wù)的實(shí)踐工作。

本研究建立了與基金業(yè)績(jī)相關(guān)性強(qiáng)弱的特征集，但依據(jù)特征集構(gòu)建形成不同的FOF，對(duì)其業(yè)績(jī)好壞的分類對(duì)比的實(shí)證研究還有待進(jìn)一步展開(kāi)，這部分內(nèi)容還需要更為深入的后續(xù)工作。