摘要

机器学习方法利用基金的特点，选择可交易的只做多的共同基金投资组合，这些投资组合在扣除所有成本后的年净alpha值为2.4%。这些方法揭示了基金特征与未来业绩之间的相互作用。例如，对于更主动基金来说，过去的表现是预测未来表现的一个特别有力的指标。机器学习可以识别那些技能没有被规模不经济充分抵消的经理，这与阻止投资者识别表现优异的基金的信息摩擦一致。我们的研究结果表明，投资者可以从主动管理中受益，但前提是他们能够获得复杂的预测方法。

研究问题

共同基金研究一致表明，在扣除交易成本、管理费用和其他支出后，主动管理基金获得一个负的风险调整收益。然而，也有一些研究记录了一小部分基金管理者获得了超过比较基准的收益。众所周知，事先确定表现优异的基金是非常困难的。如何通过基金特征和业绩之间的关系识别有能力的基金经理，进而构建可交易的投资组合成为目前需要解决的问题。

研究思路

首先，本文通过检验投资者使用复杂的预测方法能否投资主动型共同基金获得显著的超额收益，然后探索这个结果背后的经济机制，讨论投资组合的业绩是否可以用共同基金市场的资本错配来解释。(Roussanov, Ruan, and Wei 2021)。具体如下：

(1)本文利用17个共同基金的特征来预测基金的表现，探索影响基金业绩背后的重要因素。

2. 本文使用弹性网络、梯度增强和随机森林三种方法来预测基金业绩，将预测值作为核心变量来构造基金投资组合。

3. 本文考虑共同基金的多头投资组合，只使用历史数据来构建投资组合，然后，采用动态方法——每次重新调整投资组合时，都会决定是否利用基金的特征。

4. 本文利用 Roussanov, Ruan, and Wei (2021) 提出的贝叶斯方法来估计基金的管理技巧，进而研究是否是资本错配可以解释机器学习投资组合的非线性关系。

变量定义

主要结论

投资者可以从积极管理的共同基金中获益，但前提是他们能够获得复杂的预测，从而在基金特征与绩效之间的关系中具有灵活性。为了理解结果背后的经济机制，我们研究了投资组合的表现是否可以用共同基金市场的资本错配来解释，并发现机器学习确实选择了相对于其经理技能较小的基金，与信息摩擦一致，使一些投资者无法识别表现优异的基金。