一、投资基金业绩评估新思路（论文文献综述）
曾宇轩[1]（2021）在《基金经理改变基金风格的动机与影响 ——以华夏大盘精选为例》文中研究表明我国基金行业萌芽于1992年,截至2020年12月,国内公募基金数量为7319只,管理资产规模达到182860.88亿元,其中开放式基金数量为7236只,管理规模为180995.54亿元。经过短短20余年,基金行业已成为资本市场中重要的一环,一方面满足了投资者的投资需求另一方面也提升了资本市场的稳定性。在2020年的牛市中,很多基金凭借其远超市场指数的收益,吸引了众多投资者的目光,许多个人投资者更是愈发疯狂地追逐“明星基金产品”。在竞争处于白热化阶段,头部效应愈发明显的基金市场中,基金经理不得不使出浑身解数来取得更好的收益,这样的行为在为投资者带来高收益的同时也带来了风险,由于信息的不确定性,基金经理和基金投资者存在的委托代理关系会促使基金经理偏离宣传的投资路线,转而进行更加偏激的投资策略,而当前资本市场的非有效性和投资者对于基金绝对收益的追捧助长了此类行为。庞大的行业规模和缺乏对基金经理行为有效的监管凸显出基金行业改革的重要性,在2020年监管层也提出了关于加强基金公司管理的多项政策及法规,希望通过加强对基金从业人员的教育以及实施更加完善的管理制度来推动行业规范性,维护保障投资者的利益和市场稳定。目前有关基金风格的研究大多集中于基金风格是否发生了偏移,而关于风格偏移的动机和其带来的影响讨论较少,且针对个例进行分析的案例研究也很少,基于此情况,论文选择华夏大盘精选混合基金作为案例研究对象进行分析,通过对各个经理的投资策略及他所处的环境进行分析,来探究其改变基金风格的动机,改变风格后基金业绩受到的影响,希望在填补相关研究空白的同时为政府监管层、基金公司、广大投资者提供新的思路。论文分为五部分。第一部分是导论,呈述当前基金行业发展情况,探讨了论文的研究意义、研究内容与研究方法。第二部分是理论基础与文献基础,概述了当前关于基金风格、资产组合定价理论、委托代理理论和行为金融学的研究成果,这些理论和研究成果为分析基金经理改变基金风格的动机提供了思考方向。第三部分是案例介绍,该部分描述了案例对象的大致情况,让读者对整个案例有简单的了解。第四部分是案例分析,也是论文的核心。该部分使用了多种方法对基金风格进行判定,在发现部分经理的投资风格出现偏移后,从多个角度对基金经理改变原有投资风格的行为动机进行探讨,最后使用事件分析法和TM-FF3模型分别对基金中短期业绩和长期业绩进行评价。第五部分是案例结论及建议,本文提出四点结论:（1）华夏大盘精选混合基金内部存在明显的风格偏移现象。（2）经理改变基金风格的动机与外部环境和自身因素有关。（3）经理上任后会给基金中短期业绩带来改变,中短期业绩较好的经理通常长期业绩更优。（4）遵守宣传风格的经理业绩更加稳健,长期业绩与管理时间有关。最后通过对案例分析的梳理并结合当前中国资本市场环境,从监管层、基金公司、投资者三个角度提出建议。
秦钰[2]（2021）在《基于LightGBM算法的FOF组合方案策划》文中研究指明随着国内的基金市场不断发展,FOF基金（funds of funds）成为我国公募基金市场的创新热点之一。作为基金中的基金,FOF有着被众多投资者看好的发展前景,并与养老计划一起促进FOF产品的推出和繁荣。FOF基金不仅使我国金融产品体系愈加丰富,为投资者提供了一种新的投资选择和思路。然而我国FOF基金各项指标仍和其他发达国家有一定差距,对FOF基金的进一步分析研究能够促进我国FOF基金理论和实践的丰富。在目前我国FOF产品的研究中,研究重点是FOF配置的大类资产配置,在后续优质基金的筛选上仍未成科学体系。除此之外,在基金资产配置的质量上,基金筛选的成本上也会耗费极大人力物力,所以科学可操作的FOF构建方案亟需出现。本文在理论部分阐述了资产配置理论和机器学习算法,基于前人构建FOF方案中所存在的问题提出修正,并提供更为符合大众投资逻辑和操作简易的科学方案:选取2014年1月-2021年1月的公募基金市场数据,基于Light GBM机器学习算法,构建多因子模型用来筛选综合排名优先的优质基金,同时,根据大类资产配置理论中的风险平价模型、等权重模型、最小方差模型配置优质基金的权重,使用业界广泛应用的基金业绩绩效指标分析三种FOF组合方案的优缺点。最终得出风险平价模型表现最优,达到年化收益率11.95%,夏普值0.63,最大回撤为0.23。在回测时与全部基金收益平均值进行对比,横向与机器学习其他模型XGBoost、随机森林模型进行对比,证明回测结果最优的时本文基于Light GBM算法的FOF组合。
尚成[3]（2021）在《中邮新思路基金绩效评价研究》文中研究表明近年来,伴随着我国证券市场的快速发展,混合型基金作为证券市场的重要组成部分一直受到投资者的青睐。但业界对开放式混合型基金的绩效评价的发展却相对滞后,给我国投资者、管理者和监管者的相关工作都带来了不利的影响。因此,建立一个更加完善的绩效评价体系成为基金行业的热点问题。本文在现有的基金绩效评价理论体系的基础上,用案例研究的方法对中邮新思路的绩效做出评价,同时选取成立早于2018年的30只混合型基金作为研究对象,选取2个产出指标和4个投入指标,结合DEA模型的BCC和CCR模型得出2018-2020年整体样本基金绩效水平。并从在不同市场行情下,用四种不同类型的混合型基金进行细分,用中邮新思路基金与整体样本均值作对比进行研究。研究发现,中邮新思路在2018年熊市期绩效为0.886,高于同年整体样本均值,绩效表现较好。在随后的两年中市场行情走好,中邮新思路的综合绩效却出现了不同程度的下滑,其中受到技术效率下降的程度较大。利用DEA中的Malmquist指数研究整体样本在2018-2020年6个半年度的动态演化,得出混合型基金在期间内整体波动较大,中邮新思路的进步幅度与整体相比未明显高于均值。再利用TM-FF3模型得出了整体样本选股择时能力,发现整体样本的选股择时能力受到市场行情走向的正向影响。2020年市场上升较小,整体市场走势较为震荡,整体样本择时能力出现了较大程度的下降。中邮新思路基金在2020年也没有表现出显着为正的选股择时能力。这也解释了该基金在2020年技术效率下滑,综合绩效表现不佳的原因。最后用得出的综合效率值作为被解释变量,选取6个宏微观指标作为解释变量,利用面板数据模型回归得出影响整体样本绩效的因素。根据以上对基金效率的综合研究结果对混合型基金的投资效率和行业改进方向提供数据支持。
丁琼琼[4]（2021）在《基于投资风格和bootstrap方法的股票型基金评级研究》文中研究指明截止2020年底,我国现存1362只股票型基金,其净值总额高达2万亿元,现已成为公募基金市场上的主流品种。可是如何挑选能持续带来高收益的优质基金,一直是投资者的一大困惑。而基金评级的出现,则大大降低了投资者的搜寻成本,通过定期公布各只基金的历史业绩排名,有助于投资者进行筛选。但是由于我国基金评级业务起步较晚,目前还存在忽略基金的业绩来源和投资者的风格偏好等问题。因此,本文以主动管理的普通股票型基金为研究对象,从基金的投资风格出发,通过Gruber模型和bootstrap方法构建了一个新的基金评级体系,帮助投资者识别真正有能力的基金,为投资者构建基金组合提供参考。本文分别从整体和单只基金的角度研究分析了我国股票型基金的实际投资风格和超额收益,再进一步通过bootstrap方法对股票型基金的业绩进行了归因分析,识别出能带来超额收益的实力基金。经过一系列的实证分析后,得出了以下结论:（1）我国股票型基金存在着明显的“风格漂移”现象,而且风格与市场行情息息相关,整体而言,我国股票型基金呈“大盘成长”型;（2）我国近80%的股票型基金能获得正向的超额收益,同时,相比于三年期业绩,五年期业绩能跑赢大盘的股票型基金数量有所下降;（3）近70%的股票型基金的超额收益来源于基金经理的超强能力。同时,相比于三年期,五年期的超额收益更多是源于基金经理的能力,“运气基金”的数量更少。基于以上研究结论,本文构建了一个新的股票型基金评级体系,并对最近三年期和五年期的基金业绩进行了星级评价。为了验证本文提出的基金评级方法的可靠性,本文运用该评级方法进行了业绩回测,最后发现依据本文提出的基金评级方法构建基金组合可以获得比主动管理的股票型基金指数和沪深300等大盘指数略高的收益率,而且其模拟业绩相比于依据其他评级机构构建基金组合会更胜一筹。最后,本文基于以上研究结论分别向基金市场的监管者、评级机构和投资者提出了相关政策建议。首先,市场监管者应健全信息披露机制,加强基金的投资监管;其次,评级机构应注重基金的长期超额收益,完善基金评级体系;最后,投资者应注重基金的长期评价,坚持价值投资。
刘航宇[5]（2020）在《富国天惠精选成长基金绩效研究》文中指出近年来,公募证券投资基金作为主要的机构投资者以其专业理财、组合投资的独特优势吸引了众多投资者的目光。投资策略对基金业绩有着至关重要的作用,然而,许多基金对投资策略这一核心环节没有给到足够的重视,在投资过程中并不具有适合自身发展的投资策略,这在一定程度上制约了基金的长远发展。对此,本文以有着15年“长跑冠军”业绩的富国天惠精选成长基金为案例,以定性分析与定量分析方法相结合对其投资策略进行深入研究,以期对个人投资者、其它机构投资者在投资策略的制定和实施带来启示。以富国天惠精选成长基金的投资策略为出发点。首先,对基金其所属基金管理公司概况进行详细介绍。其次,从基金选股策略、择时策略两个方面对基金投资策略分别考察,关于选股策略,基金基于主动投资管理,采用“自下而上”的选股策略,投资于定价合理、具备高成长潜力的股票,具体从基金选股理念、选股标准及持仓股特征三个方面分别考察基金选股策略;关于择时策略,基金依据趋势的识别、确认模型适度择时操作,基金择时策略分别体现在仓位管理上。然后选用Fama和French的TM-FF3模型对基金在牛市、熊市、震荡市以及全周期市场环境下周度数据进行回归,结果显示基金在全周期、震荡市表现出较强的选股能力,在牛市期间不具备显着选股能力;基金在不同市场环境下均不具备显着择时能力,且在不同市场环境下小盘股和低账面市值比股票对基金业绩贡献度高于大盘股和高账面市值比股票,基金业绩主要源于主动承担系统性风险所获得,超额收益来源于基金较强的选股能力;最后,通过DEA模型对基金的综合绩效进行分析,发现富国天惠精选成长基金在样本基金中效率较高,但其效率值每年都在下降,基金管理人应结合自身实际情况,避免经营业绩在以后出现大幅波动,妥善处理资金的用途,逐步实现自身效率的提高,对得到的松弛变量进行研究发现,基金的β系数和最大回撤率偏高,基金经理应当适当降低这两个指标来提高基金的整体绩效。
李贤哲[6]（2020）在《华夏大盘精选混合基金绩效评价研究》文中研究说明伴随着我国证券市场的快速发展,基金行业规模的不断扩大,涌现了一批业绩优异的混合型证券投资基金。目前国内外学者主要利用大样本数据对混合型证券投资基金的投资策略和投资绩效进行实证研究,较少对单只基金的投资策略及其绩效进行深入研究。论文以混合型证券投资基金行业中历史业绩第一的华夏大盘精选混合基金为研究对象,对其绩效进行深入研究,并采用实证方法对其绩效进行分析,以期为投资者在评价基金绩效方面提供参考,为基金经理在改善基金绩效上提供方法,为基金公司更好的管理基金提供思路。该论文首先对华夏大盘精选混合基金的所在的基金公司、基金经理、历年业绩、选股择时策略做了深入分析,其次采用了单因素模型、TM-FF3模型、加入“抬轿”因子的TM-FF3模型、DEA模型分别对基金的整体收益绩效、基金经理的选股择时能力、基金家族的“抬轿”行为、基金的综合绩效做了实证分析。其中单因素模型选用的是2005年到2018年的年度数据;TM-FF3模型选取的是基金成立日2004年8月到2019年12月的周度数据;“抬轿”因子选取的是王亚伟任职基金经理期间,2006年到2012年华夏大盘精选混合基金与家族内其他混合型基金的共同持股收益率差异;DEA模型选取了4个投入指标、2个产出指标对2005年到2018年的年度数据进行分析。结果显示,华夏大盘精选混合基金在大部分时间取得了正的风险调整后收益并且战胜了业绩基准和市场的收益,这表明了基金整体取得了较好的绩效。华夏大盘精选混合表现出整体显着的选股能力而不具有择时能力;所有基金经理中,王亚伟有显着为正的选股能力,巩怀志有显着为正的择时能力,佟巍同时具有显着为负的选股能力和显着为正的择时能力,而其他基金经理则不具有显着的选股择时能力。王亚伟任职华夏大盘精选混合基金的基金经理期间,家族内存在对该基金轻微的抬轿行为,但该基金在此期间出色的绩效并未受到家族“抬轿”行为的显着影响。此外,基于年度数据的DEA综合绩效结果显示,在王亚伟和巩怀志任职期间基金的综合效率值较高;由DEA模型的输出的规模收益变动来看,除基金总效率为1的情况外,其余年份都处于规模递增状态,说明基金经理应该积极扩大基金规模;对得到的投入指标松弛变量分析可得,华夏大盘精选混合基金的β系数和最大回撤率松弛变量相对较大,基金经理可以通过适当降低基金的β系数和最大回撤率来提高综合绩效。
王政凯[7]（2020）在《FOF基金投资组合策略设计》文中研究指明作为公募基金的新秀,国内公募FOF产品于2017年底正式面世,首批6只公募FOF基金正式发行并纷纷在短期内完成募集,这意味着国内公募基金进入了FOF投资新时代,FOF产品的出现不仅丰富了国内基金产品的种类,更为投资者带来完全不同的投资体验。传统基金投资者在选择基金产品时,一般会经历对比产品业绩排名、选择明星基金经理、挑选有名气的基金公司这三步,难免会出现选择困难。并且历史业绩并不能保证买入后的收益,在选择基金经理时也难免会产生“光环效应”,普通投资者对基金公司大多处于“盲人摸象”层面。所以本文旨在优化传统的买基“三部曲”,建立一种综合评估体系,筛选出符合投资者需求的子基金池,并设计出合理的FOF基金投资组合,消除投资者选基难的问题。本文首先确定了本FOF的产品定位,即在承受一定风险的前提下获得最大的收益,然后对我国市场上FOF产品的选基策略进行研究,确定了本FOF的选基模型即借鉴多因子选股模型从基金公司、基金产品、基金经理三个维度,构建综合打分体系,分别从基金公司、基金经理以及基金产品三个维度挑选因子,待选因子包括:基金管理公司非货币基金管理规模、基金管理公司团队稳定性、基金经理任职年限、基金经理择时能力、产品回撤和波动率水平、产品历史收益率、基金产品业绩稳定性等因子。进而从市场中可以交易的基金中进行筛选,得到本FOF产品的基金池。最后,在筛选出子基金池后,分别使用了资产配置理论中的风险平价模型、最小方差模型、等权重模型、风险预算模型对基金组合进行配置,测算出不同模型下本产品的年化收益率、最大回撤率、夏普比率、波动率、信息比率等,对比选择出最优方案。
丰园园[8]（2020）在《基于GBDT算法的FOF组合方案设计》文中认为FOF基金（Found of Found）名为基金中的基金。在成立之初,作为一个金融创新亮点,其发展前景被众多投资者所看好。而构建FOF基金的两大核心环节便是基金优选和资产的配置,优质的基金加上优秀的资产配置方案可以使资产组合获得不俗的收益表现。在FOF组合的实证研究中,大类资产配置是众多学者研究的重点,虽然资产配置方案是构建FOF组合的核心部分,但缺少了优质基金的筛选方案,仍不能形成一个有较好业绩表现的FOF组合。且大类资产配置方案在研究中也表现一些问题,首先,忽视了标的资产的选择对于资产配置的重要性,同类资产中人们耳熟能详的指数不止一个,选用不同的指数去构建风险平价组合,组合业绩可能相差甚多;其次,考虑资产种类多元化后的风险平价组合,虽然可以实现较好的风险收益比,但组合收益不高。最后,目前FOF基金组合中优质基金的筛选需要基金经理去尽调,消耗很多的人力和物力,筛选效率较低,所以需要一个符合大众投资逻辑、模型框架易懂的量化投资框架去初步筛选基金,提高筛选效率。本文基于当前构建FOF基金的方案中所存在的一些问题,提出切实可行的方案:通过GBDT算法训练指标数据,优化调参,得出在各个模型表现最优时,各项指标对于资产收益率的贡献程度,并计算各基金的综合数值,以此作为优质基金的筛选指标。筛选出每个持仓期内的最优基金后,利用风险平价法、等权重法、最分散化法、最小方差法分别进行资产权重的配置,并通过绩效指标对其收益和风险进行全面对比分析,从而选出最优的资产配置方案;基于不同的投资需求,在已构建方案上通过债券加杠杆和增加风险预算的方法来增强组合收益。结果表明,将GBDT算法和风险平价策略结合所构建资产组合可以很好的体现风险平价法本身的优势,综合表现要优于其它三种投资策略;业绩表现上,新方案所构建的FOF组合收益处于市场中上水平,投资效果较为稳定,可以很好的解决上述问题;同时,本文采取的收益增强方案也可以有效增强组合收益。其中,债券加杠杆是性价比较高的收益增强方案,在提高收益率的同时,波动率也只小幅增加;增加风险预算可以较大幅度的提高收益,但也较大的增加了组合的风险,比较适合风险偏好型投资者。实证表明,文中方案包括后续的收益增强方案可以有效的应用在FOF基金的构建上,满足不同的投资需求。同时,利用机器学习去筛选基金属于该领域内较为新颖的做法,为日后构建FOF组合提供了一个新思路。
卞进[9]（2019）在《基于人工智能量化分析的我国资产证券化产品投资组合优化研究》文中研究指明资产证券化作为现代金融市场上融资者获得资金的重要融资渠道和进行金融风险管理的全新手段与工具,资产证券化近年来受关注度的不断增加,其市场规模不断扩大且产品类型日益丰富,在推动经济结构优化升级和服务实体经济等方面发挥着越来越重要的作用。我国资产证券化市场已进入建设发展阶段的关键时期,对产品进行创新成为必然趋势。在我国证券市场的逐步成熟的同时,大数据、云计算、人工智能（AI,Articial Intelligence）等为代表的新一代信息技术也迅猛发展。基于人工智能的量化投资方法借助计算机所拥有的强大算力可以实现对整个市场的跟踪监测,及时发现市场中潜在的交易机会并给予精准评价,有效减少因情绪波动等因素给交易决策带来的不利影响,并且能够与其他人工投资策略形成一定的负相关性并以此丰富投资策略组合,正是因为人工智能量化投资所具有的这些特点与优势,将其引入金融行业领域恰逢其时。在此背景下,本文将人工智能量化投资引入资产证券化,研究和探讨最优投资组合方案。首先,本文第一章和第二章对资产证券化与人工智能的关系进行阐述,分析中美资产证券化差异,探讨当前人工智能在国内资产证券化产品投资组合中的应用情况。其次,本文对我国资产证券化交易规定及投资成本进行调研,从不同投资者的角度建立五组真实交易场景和假设条件,构建理想收益率模型,使用上交所、银行间、深交所三个市场的2015年至2018年二级资产证券化交易数据,得出不同参数条件下的理想收益并基于L2范数考量各投资策略组合中夏普比率的平均水平和波动性。最后,基于已提出的理想收益率模型优化思路,建立了Lasso回归、岭回归、XGBoost、LightGBM、神经网络以及SVM（Support Vector Machine,支持向量机）六组人工智能配置模型,并基于人工智能投资策略中的累计收益率均值与累计收益率波动率构建Dis指标定量观测模型与作为基准绩效的理想收益率的绩效差距。实验结果表明:在结构化率、质押比率以及杠杆比率等参数发生改变、其余参数恒定时,岭回归模型表现均与理想收益率有着最接近的绩效表现;因此岭回归对回购质押比例、杠杆比率以及结构化率三个参数的敏感度较低,在这三个参数下的投资者角度的策略中有着一定的参考价值,本文的研究进一步说明了运用人工智能的方法可以为投资者带来更好投资绩效。本文创新点主要有以下四点（1）针对因资产证券化流动性不足导致没有权威的业绩评估标准的问题,本文基于理想条件的重要特性提出了可以被当作业绩评估基准的理想收益率模型,并通过实证研究证明了该模型在理论上可以达到特定标的下的最高投资收益,为后续人工智能模型在金融领域的应用探索奠定了坚实的基础。（2）本文提出了多种人工智能模型预测投资组合可行性从而确定具体投资策略的方法,克服了传统资产证券化投资中的强假设以及投资者看法过于主观随意、不能客观反映实际问题。（3）本文主要使用了主流的人工智能模型——Lasso回归、岭回归、XGBoost、LightGBM、神经网络以及SVM的模型及思想、原理,并严格的给出各模型的数学或算法基础。通过构建资产证券化产品的配置策略以及对各模型所做的实证研究,证明了所构建的岭回归在综合性上具有一定的优势,通过Dis指数和后续比较反映出岭回归的稳定性较好,同时兼具理论严谨性与在投资绩效上的优越性。对于结构化率变化,岭回归依旧表现抢眼。这进一步反映出在运用人工智能方法为投资者提供分析时,采取多视角多模型的分析方式可以带来更好的投资绩效。（4）提出了基于遗传算法的投资组合智能优化模型。现阶段学术界关于资产证券化以及资产组合优化这一细分领域的研究成果相对有限,且多散落于资产证券化的资产管理等文献之中。学术界对资产证券化的资产组合优化研究主要集中于均值方差资产组合、重抽样组合的优化以及基于公司特征的组合优化之中。这些优化方法的全局寻优能力较弱,普适性较低故在此构建基于遗传算法的投资组合智能优化模型对资本组合进行全局寻优。
晋亚超[10]（2019）在《我国混合型基金绩效评价及影响因素分析》文中指出随着我国金融市场的不断发展,基金产品逐渐成为投资者的重要理财手段。投资者在选择基金时不再只关注于基金的收益指标,还会考虑风险和基金经理的能力指标等。混合型基金的收益一般高于债券型基金,风险通常低于股票型基金,是一种综合收益风险比例较为理想的理财产品。本文希望通过研究样本混合型基金绩效表现,构造出一个综合的混合型基金绩效评价体系,帮助市场投资者选择更适合自己收益和风险偏好的基金产品,同时可以为基金经理制定基金投资策略以及政府探索建立科学有效的基金评价机制提供参考。本文首先运用传统的绩效评价指标,比较混合型基金中偏股型、偏债型、灵活配置型以及平衡型基金绩效表现,随后引入了跟踪误差、信息比率等丰富绩效评价指标,最后通过因子分析、数据包络分析方法（DEA）以及多元面板回归等方法建立了基金绩效评价的综合体系。在传统指标分析中,偏股型与偏债型基金表现各分秋色。然而,在DEA模型下,偏债型基金绩效综合表现更好。在不同的衡量标准下,基金的绩效评估结论也会有差异。最后,本文选取多个宏观指标因素以及基金规模对混合型基金的绩效进行总体和分类的面板回归分析,发现这些因素对混合型基金及其分类的绩效表现有不同程度的影响,对于分析和预测基金绩效有一定帮助。最后,通过实证结论对投资者、基金管理人以及基金市场监管者提出了一些针对性建议。
二、投资基金业绩评估新思路（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、投资基金业绩评估新思路（论文提纲范文）
（1）基金经理改变基金风格的动机与影响 ——以华夏大盘精选为例（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 导论 |
| 1.1 研究背景与研究意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 研究内容与研究方法 |
| 1.2.1 研究内容 |
| 1.2.2 研究方法 |
| 1.3 研究的创新与不足 |
| 第2章 理论基础与文献综述 |
| 2.1 理论基础 |
| 2.1.1 基金风格的定义和分类 |
| 2.1.2 现代资产组合理论 |
| 2.1.3 有效市场假说 |
| 2.1.4 委托-代理理论 |
| 2.2 文献综述 |
| 第3章 基金案例介绍 |
| 3.1 华夏基金管理有限公司简介 |
| 3.1.1 公司历史 |
| 3.1.2 公司业务 |
| 3.1.3 公司内部管理结构 |
| 3.2 华夏大盘精选基金介绍 |
| 3.3 历任基金经理情况介绍 |
| 第4章 案例分析 |
| 4.1 基金经理表现 |
| 4.2 基金风格变化分析 |
| 4.2.1 基于夏普多因子模型的基金风格分析 |
| 4.2.2 基于行业个股视角的基金风格分析 |
| 4.2.3 基于平均持仓时间长度的基金风格分析 |
| 4.3 经理改变基金风格动机分析 |
| 4.3.1 缓解业绩压力 |
| 4.3.2 市场外部环境影响 |
| 4.3.3 公司内部管理混乱 |
| 4.3.4 基金经理投资偏好 |
| 4.4 基金风格变更对基金业绩的影响 |
| 4.4.1 经理更替、风格变换与基金短期业绩变化 |
| 4.4.2 经理更替、风格变换与基金长期业绩变化 |
| 第5章 案例研究结论与建议 |
| 5.1 结论 |
| 5.2 建议 |
| 参考文献 |
| 致谢 |
（2）基于LightGBM算法的FOF组合方案策划（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究的背景 |
| 1.2 研究的目的和意义 |
| 1.2.1 研究目的 |
| 1.2.2 研究意义 |
| 1.3 研究的内容、方法和技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 研究方法 |
| 1.3.3 研究思路及技术路线 |
| 1.4 创新与不足 |
| 第2章 相关理论回顾与文献综述 |
| 2.1 相关理论回顾 |
| 2.1.1 资产配置理论 |
| 2.1.2 经典机器学习算法理论 |
| 2.1.3 多因子模型理论 |
| 2.2 文献综述 |
| 2.2.1 资产配置理论文献综述 |
| 2.2.2 机器学习算法文献综述 |
| 2.2.3 多因子模型文献综述 |
| 2.3 文献综评 |
| 第3章 问题描述与分析 |
| 3.1 FOF基金传统方案构建过程 |
| 3.2 FOF基金存在问题描述 |
| 3.3 FOF基金问题解决途径 |
| 第4章 方案策划 |
| 4.1 FOF组合方案策划的思路 |
| 4.2 方案的设计 |
| 4.2.1 样本选择及数据处理 |
| 4.2.2 指标的选择和计算 |
| 4.2.3 LightGBM算法筛选优质基金 |
| 4.2.4 资产配置及模型回测评价 |
| 第5章 方案的风险提示及实施途径 |
| 5.1 方案的合理性检验 |
| 5.1.1 FOF组合与传统方案对比 |
| 5.1.2 FOF组合与其他机器学习算法模型对比 |
| 5.2 方案的风险提示 |
| 5.3 方案的实施途径 |
| 第6章 结论 |
| 6.1 结论 |
| 6.2 启示与展望 |
| 参考文献 |
| 附录 |
| 致谢 |
（3）中邮新思路基金绩效评价研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1 章 绪论 |
| 1.1 研究背景 |
| 1.2 研究目的和意义 |
| 1.3 研究内容、研究方法和技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 研究方法 |
| 1.3.3 技术路线 |
| 1.4 本文的主要贡献 |
| 第2 章 相关理论与文献综述 |
| 2.1 相关理论 |
| 2.1.1 基金绩效评价理论 |
| 2.1.2 传统基金绩效评估模型 |
| 2.1.3 数据包络分析模型 |
| 2.1.4 Malmquist指数 |
| 2.2 文献综述 |
| 2.2.1 国外文献综述 |
| 2.2.2 国内文献综述 |
| 第3 章 混合型基金介绍及基金评价概述 |
| 3.1 混合型基金的介绍 |
| 3.1.1 混合型基金的定义 |
| 3.1.2 混合型基金的优缺点 |
| 3.1.3 混合型基金的发展状况 |
| 3.2 传统基金绩效评价体系 |
| 3.3 DEA模型在绩效评价体系中的应用介绍 |
| 3.3.1 DEA模型介绍 |
| 3.3.2 DEA方法用于绩效评价的优缺点分析 |
| 第4 章 中邮新思路基金案例分析 |
| 4.1 中邮新思路案例介绍 |
| 4.2 基于DEA方法的绩效分析 |
| 4.2.1 样本基金设计 |
| 4.2.2 投入与产出指标的选取 |
| 4.2.3 整体样本绩效的比较分析 |
| 4.2.4 不同类型的混合型基金绩效评价比较分析 |
| 4.3 中邮新思路绩效在不同时段的动态波动 |
| 4.4 中邮新思路绩效的影响因素分析 |
| 4.4.1 基于TM-FF3 模型选股择时能力对基金绩效影响分析 |
| 4.4.2 基于面板数据模型的影响因素分析 |
| 第5 章 结论和建议 |
| 5.1 结论 |
| 5.2 建议 |
| 参考文献 |
| 致谢 |
（4）基于投资风格和bootstrap方法的股票型基金评级研究（论文提纲范文）
| 摘要 |
| abstract |
| 1、绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 文献综述 |
| 1.2.1 基金业绩评价的相关研究 |
| 1.2.2 基金投资风格的相关研究 |
| 1.2.3 文献评述 |
| 1.3 研究目标、内容与研究方法 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容 |
| 1.3.3 研究方法 |
| 1.4 本文的创新点 |
| 2.基金评级的相关理论及方法 |
| 2.1 资产定价理论 |
| 2.1.1 资本资产定价模型 |
| 2.1.2 套利定价理论 |
| 2.1.3 Fama-French三因素模型 |
| 2.1.4 Carhart四因素模型 |
| 2.2 基金投资风格的识别方法 |
| 2.2.1 基于持仓的风格识别方法 |
| 2.2.2 基于收益的风格识别方法 |
| 2.3 区分基金业绩来源的bootstrap方法 |
| 2.4 小结 |
| 3.国内外主要基金评级方法的比较分析 |
| 3.1 国内外主要基金评级机构介绍 |
| 3.2 比较分析 |
| 3.2.1 评级理念 |
| 3.2.2 评级指标 |
| 3.2.3 星级划分 |
| 3.3 小结 |
| 4.基于投资风格和bootstrap方法的股票型基金评级体系构建 |
| 4.1 评级的理念和思路 |
| 4.2 基金评级的对象——普通股票型基金 |
| 4.3 基金评级的风格指数选择 |
| 4.4 股票型基金业绩评价模型 |
| 4.4.1 基于投资风格的风险调整收益指标 |
| 4.4.2 基于bootstrap方法识别基金的业绩来源 |
| 4.5 股票型基金评级的星级划分 |
| 5.我国股票型基金评级结果分析 |
| 5.1 我国股票型基金的实际投资风格分析 |
| 5.1.1 股票型基金总体的投资风格分析 |
| 5.1.2 单只基金的投资风格分析 |
| 5.2 我国股票型基金的超额收益 |
| 5.2.1 自成立以来的超额收益 |
| 5.2.2 最近三年期的超额收益 |
| 5.2.3 最近五年期的超额收益 |
| 5.3 我国股票型基金的超额收益来源——“运气”还是“能力” |
| 5.3.1 自成立以来的超额收益的来源 |
| 5.3.2 最近三年期超额收益的来源 |
| 5.3.3 最近五年期超额收益的来源 |
| 5.4 我国股票型基金的星级评定结果 |
| 5.4.1 最近三年期的星级评定结果 |
| 5.4.2 最近五年期的星级评定结果 |
| 5.5 小结 |
| 6.基金评级方法的应用及效果检验 |
| 6.1 业绩回测的样本选择 |
| 6.2 股票型基金投资策略的确定与执行 |
| 6.2.1 股票型基金投资策略的确定 |
| 6.2.2 股票型基金投资策略的业绩表现 |
| 6.3 小结 |
| 7.研究结论与政策建议 |
| 7.1 研究结论 |
| 7.2 政策建议 |
| 致谢 |
| 参考文献 |
| 附录 |
（5）富国天惠精选成长基金绩效研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 研究目的和意义 |
| 1.3 研究内容、方法和技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 研究方法 |
| 1.3.3 技术路线 |
| 1.4 本文主要特点 |
| 2 相关理论与文献综述 |
| 2.1 相关理论 |
| 2.1.1 基金绩效评价理论 |
| 2.1.2 基于资本资产定价模型的单因素绩效评价模型 |
| 2.1.3 Fama-French三因子模型 |
| 2.1.4 DEA综合绩效评价模型 |
| 2.2 文献综述 |
| 2.2.1 国外文献综述 |
| 2.2.2 国内文献综述 |
| 3 基于DEA模型的绩效评价体系理论分析 |
| 3.1 DEA方法介绍 |
| 3.2 DEA方法理论分析模型 |
| 3.2.1 CCR模型 |
| 3.2.2 BCC模型 |
| 3.3 DEA评价基金绩效的可行性分析 |
| 3.4 DEA方法的优点 |
| 3.5 DEA方法的缺点 |
| 4 富国天惠精选成长基金案例介绍 |
| 4.1 富国基金管理有限公司介绍 |
| 4.1.1 富国基金管理有限公司的概况 |
| 4.1.2 富国基金管理有限公司的主要基金产品 |
| 4.1.3 富国基金的投资风格与风险控制 |
| 4.2 富国天惠精选成长基金介绍 |
| 4.2.1 富国天惠精选成长基金的概况 |
| 4.2.2 富国天惠精选成长基金在任基金经理简介 |
| 4.2.3 富国天惠精选成长基金的选股策略 |
| 4.2.4 富国天惠精选成长基金的择时策略 |
| 5 富国天惠精选成长基金案例分析 |
| 5.1 基于单因素模型整体绩效分析 |
| 5.1.1 绝对收益指标分析 |
| 5.1.2 风险调整收益指标分析 |
| 5.2 基于TM-FF3模型的基金的选股择时能力研究 |
| 5.2.1 模型选择 |
| 5.2.2 样本选取与变量说明 |
| 5.2.3 基金周收益率的描述性统计 |
| 5.2.4 ADF检验 |
| 5.2.5 实证结果分析 |
| 5.3 基于DEA模型的综合绩效分析 |
| 5.3.1 模型选择 |
| 5.3.2 投入与产出指标的选择与检验 |
| 5.3.3 基于DEA方法的基金效率分析 |
| 6 结论与建议 |
| 6.1 结论 |
| 6.2 建议 |
| 参考文献 |
| 致谢 |
（6）华夏大盘精选混合基金绩效评价研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究的背景 |
| 1.2 研究的目的和意义 |
| 1.3 研究的内容、方法和技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 研究方法 |
| 1.3.3 研究技术路线 |
| 1.4 本文的主要特点 |
| 第2章 相关理论回顾与文献综述 |
| 2.1 相关理论回顾 |
| 2.1.1 基金绩效评价基础理论 |
| 2.1.2 基于CAPM的单因素绩效评价模型 |
| 2.1.3 基于APT的多因素绩效评价模型 |
| 2.1.4 基金经理选股择时能力绩效评价模型 |
| 2.1.5 DEA综合绩效评价模型 |
| 2.2 文献综述 |
| 2.2.1 国外文献综述 |
| 2.2.2 国内文献综述 |
| 第3章 混合型基金及基金绩效评价概述 |
| 3.1 混合型基金的介绍 |
| 3.1.1 混合型基金的定义 |
| 3.1.2 混合型基金的优缺点 |
| 3.1.3 混合型基金的发展状况 |
| 3.2 基金绩效评价概述 |
| 3.2.1 主流的基金绩效评价方法 |
| 3.2.2 基于DEA模型的基金绩效评价方法 |
| 3.2.3 我国基金绩效评价存在的问题 |
| 第4章 华夏大盘精选混合基金案例介绍 |
| 4.1 华夏基金管理有限公司介绍 |
| 4.1.1 华夏基金管理有限公司的概况 |
| 4.1.2 华夏基金管理有限公司的主要基金产品 |
| 4.2 华夏大盘精选混合基金介绍 |
| 4.2.1 华夏大盘精选混合基金的概况 |
| 4.2.2 历任基金经理及其业绩表现 |
| 4.2.3 华夏大盘精选混合基金的选股策略 |
| 4.2.4 华夏大盘精选混合基金的择时策略 |
| 第5章 华夏大盘精选混合基金案例分析 |
| 5.1 基于单因素模型整体绩效分析 |
| 5.1.1 绝对收益指标分析 |
| 5.1.2 风险调整收益指标分析 |
| 5.2 基于TM-FF3 模型选股择时能力对基金绩效影响分析 |
| 5.2.1 模型选择 |
| 5.2.2 样本选取与变量说明 |
| 5.2.3 ADF检验 |
| 5.2.4 实证过程及结论 |
| 5.3 基于TM-FF3 扩展模型“抬轿”行为对基金绩效影响分析 |
| 5.3.1 模型选择 |
| 5.3.2 样本选取与变量说明 |
| 5.3.3 MR描述性统计 |
| 5.3.4 实证过程及结论 |
| 5.4 基于DEA模型综合绩效分析 |
| 5.4.1 模型选择 |
| 5.4.2 投入与产出指标的选择与检验 |
| 5.4.3 实证过程及结论 |
| 第6章 结论与建议 |
| 6.1 结论 |
| 6.2 建议 |
| 6.3 后续研究建议 |
| 参考文献 |
| 致谢 |
（7）FOF基金投资组合策略设计（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.1.1 研究背景 |
| 1.1.2 国内FOF基金现状 |
| 1.1.3 研究目的和意义 |
| 1.2 文献综述 |
| 1.2.1 FOF子基金组合研究 |
| 1.2.2 资产配置研究 |
| 1.2.3 评述 |
| 1.3 研究内容与研究思路 |
| 1.4 创新 |
| 2 资产配置理论及业绩检验策略 |
| 2.1 资产配置理论 |
| 2.1.1 均值方差模型 |
| 2.1.2 最小方差模型 |
| 2.1.3 等权重模型 |
| 2.1.4 风险平价模型 |
| 2.1.5 风险预算模型 |
| 2.2 组合业绩检验策略 |
| 2.2.1 夏普比率 |
| 2.2.3 年化收益率 |
| 2.2.4 最大回撤率 |
| 2.2.5 年化波动率 |
| 2.2.6 信息比率 |
| 3 基于多因子模型筛选FOF子基金 |
| 3.1 候选因子选取 |
| 3.1.1 基金公司类因子 |
| 3.1.2 基金经理类因子 |
| 3.1.3 基金产品类因子 |
| 3.2 基金池选取 |
| 3.3 多因子有效性检验 |
| 3.4 子基金筛选 |
| 4 FOF基金组合策略及业绩比较 |
| 4.1 等权重组合 |
| 4.2 风险平价策略组合 |
| 4.3 最小方差组合 |
| 4.4 风险预算组合 |
| 4.5 各组合业绩比较 |
| 5 结论与启示 |
| 5.1 结论 |
| 5.2 启示 |
| 参考文献 |
| 附录 |
| 作者简历 |
| 致谢 |
（8）基于GBDT算法的FOF组合方案设计（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 研究目的和意义 |
| 1.2.1 FOF构建方案的研究目的 |
| 1.2.2 FOF构建方案的研究意义 |
| 1.3 研究内容、方法和技术路线 |
| 1.3.1 FOF构建方案研究内容 |
| 1.3.2 本文研究方法 |
| 1.3.3 FOF组合构建思路及技术路线 |
| 1.4 本文的主要贡献 |
| 第2章 相关理论与文献综述 |
| 2.1 相关理论 |
| 2.1.1 投资组合理论 |
| 2.1.2 风险平价理论 |
| 2.2 文献综述 |
| 2.2.1 资产配置对于收益的影响 |
| 2.2.2 资产组合配置方法的研究 |
| 2.2.3 集成学习现状 |
| 2.2.4 文献评述 |
| 第3章 目前构建FOF组合存在的问题描述与分析 |
| 3.1 目前在构建FOF组合上存在的问题描述 |
| 3.2 构建FOF组合存在的问题的分析 |
| 3.2.1 资产标的选择和风险平价收益偏低 |
| 3.2.2 优质基金筛选难度大 |
| 3.2.3 问题解决路径分析 |
| 第4章 基于GBDT的 FOF组合构建方案策划 |
| 4.1 FOF组合构建方案策划思路 |
| 4.2 FOF组合构建方案的理论解释 |
| 4.2.1 GBDT算法 |
| 4.2.2 风险平价模型 |
| 4.2.3 其他资产配置方案 |
| 4.3 方案的评价指标 |
| 第5章 FOF构建方案实施途径和合理性检验 |
| 5.1 基于GBDT的 FOF构建方案 |
| 5.1.1 数据的预处理 |
| 5.1.2 GBDT算法筛选优质基金 |
| 5.1.3 风险平价法进行资产权重的配置 |
| 5.2 基于GBDT算法的FOF构建方案的合理性检验 |
| 5.2.1 与不同资产配置方案下FOF组合对比分析 |
| 5.2.2 与传统方案中的FOF组合对比分析 |
| 5.2.3 与市场上现有的FOF组合对比分析 |
| 5.3 FOF组合收益增强方案 |
| 5.3.1 债券加杠杆 |
| 5.3.2 增加风险预算 |
| 5.4 本章小结和风险提示 |
| 5.4.1 本章小结 |
| 5.4.2 风险提示 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 附录 |
| 附录1 决策树与MSE关系以及属性指标重要性图 |
| 附录2 风险平价策略各个持仓期的权重 |
| 附录3 FOF基金收益率排名表 |
| 致谢 |
（9）基于人工智能量化分析的我国资产证券化产品投资组合优化研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 选题背景及研究意义 |
| 1.1.1 资产证券化 |
| 1.1.2 资产证券化的国内外研究现状 |
| 1.1.3 人工智能的引入 |
| 1.1.4 理论意义与现实意义 |
| 1.2 研究对象及概念的界定与作用 |
| 1.2.1 资产证券化的内涵与作用 |
| 1.2.2 量化投资的内涵与作用 |
| 1.2.3 投资组合绩效及标准 |
| 1.2.4 人工智能的概念与作用 |
| 1.3 研究路径与研究方法 |
| 1.3.1 主要研究内容 |
| 1.3.2 主要的研究方法 |
| 1.3.3 本文的主要创新点与文章结构 |
| 1.4 本章小结 |
| 第二章 投资组合理论机制与人工智能的应用前景 |
| 2.1 资产证券化整体与细分领域的研究情况 |
| 2.1.1 资产证券化的内容及定义 |
| 2.1.2 资产证券化与风险管理 |
| 2.2 人工智能背景下资产证券化的相关研究现状 |
| 2.2.1 人工智能在资产证券化中应用 |
| 2.2.2 人工智能的应用现状及在金融行业的应用发展 |
| 2.2.3 人工智能在资产证券化投资组合的应用 |
| 2.2.4 人工智能在资产组合中的优化研究现状 |
| 2.3 资产证券化的市场发展现状 |
| 2.3.1 美国资产证券化市场的发展 |
| 2.3.2 我国资产证券化市场发展 |
| 2.3.3 中美资产证券化的差异 |
| 2.4 本章小结 |
| 第三章 理想收益率下资产证券化投资组合研究 |
| 3.1 中国市场资产证券化交易规定 |
| 3.1.1 资产证券化交易机构 |
| 3.1.2 资产证券化交易费用研究 |
| 3.1.3 资产证券化投资税费研究 |
| 3.1.4 资产证券化产品投资约束 |
| 3.2 资产证券化理想收益率模型 |
| 3.2.1 场景假设与市场调研 |
| 3.2.2 测试数据的可视化分析 |
| 3.2.3 理想收益率下交易流程的构建 |
| 3.2.4 理想收益率下的计算逻辑设置 |
| 3.2.5 算法实现 |
| 3.3 实证分析与讨论 |
| 3.3.1 不同视角的量化分析 |
| 3.3.2 结果讨论与分析 |
| 3.4 本章小结 |
| 第四章 人工智能视域下的资产证券化投资组合预测 |
| 4.1 资产证券化研究中人工智能的模型选取 |
| 4.2 资产证券化实验中人工智能模型的数学基础及优点 |
| 4.2.1 Lasso回归数学基础 |
| 4.2.2 岭回归数学基础 |
| 4.2.3 XGBoost数学基础 |
| 4.2.4 LightGBM数学基础 |
| 4.2.5 神经网络数学基础 |
| 4.2.6 SVM数学基础 |
| 4.3 人工智能模型的实证分析 |
| 4.3.1 量化实验环境与数据 |
| 4.3.2 核心程序的构建与实现 |
| 4.3.3 人工智能模型的量化结果 |
| 4.3.4 不同投资视角下的模型表现 |
| 4.4 人工智能模型的Dis指标与分析 |
| 4.4.1 Dis测评指标的构建 |
| 4.4.2 不同视角下各人工智能模型的Dis值分析 |
| 4.5 本章小结 |
| 第五章 人工智能视域下资产证券化投资组合优化 |
| 5.1 传统优化方法 |
| 5.1.1 基于梯度下降法 |
| 5.1.2 复变量法 |
| 5.1.3 自动微分法 |
| 5.2 现代优化方法 |
| 5.2.1 粒子群算法 |
| 5.2.2 遗传算法 |
| 5.3 基于遗传算法的投资组合优化 |
| 5.3.1 投资组合评价模型的构建 |
| 5.3.2 投资组合优化 |
| 5.4 本章小结 |
| 总结和展望 |
| 参考文献 |
| 在读期间科研成果 |
| 致谢 |
（10）我国混合型基金绩效评价及影响因素分析（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 引言 |
| 1.1 选题背景及意义 |
| 1.2 国内外文献综述 |
| 1.2.1 国外文献综述 |
| 1.2.2 国内文献综述 |
| 1.2.3 文献述论 |
| 1.3 研究内容及方法 |
| 1.4 创新点与不足 |
| 第2章 基金绩效评价理论综述 |
| 2.1 基金绩效评价基础指标 |
| 2.1.1 基金收益与风险度量指标 |
| 2.1.2 风险调整收益三大指标 |
| 2.2 基金经理选股择时能力评价指标 |
| 第3章 综合基金绩效评价模型体系 |
| 3.1 综合基金绩效评价模型体系的构建 |
| 3.1.1 综合绩效评价模型体系的研究思路 |
| 3.1.2 因子分析模型 |
| 3.1.3 基于因子分析的超效率DEA模型 |
| 3.1.4 绩效影响因素面板回归模型 |
| 3.2 综合绩效评价模型体系指标的设计 |
| 3.2.1 模型体系指标选取的原则 |
| 3.2.2 模型体系指标设计 |
| 3.2.3 模型体系优势分析 |
| 第4章 混合型基金绩效实证分析 |
| 4.1 前期数据选取与数据来源 |
| 4.2 样本混合型基金传统绩效指标分析 |
| 4.2.1 收益风险相关指标分析 |
| 4.2.2 综合收益风险指标分析 |
| 4.2.3 基金经理择时及选股能力相关指标分析 |
| 4.3 因子分析模型 |
| 4.3.1 前期投入指标选取 |
| 4.3.2 原始数据检验 |
| 4.3.3 公共因子的提取与解释 |
| 4.4 超效率DEA模型下的综合绩效指标分析 |
| 4.4.1 数据前期处理 |
| 4.4.2 效率分析 |
| 4.4.3 投影分析 |
| 4.4.4 超效率DEA模型实证结论 |
| 4.5 混合型基金绩效影响因素实证分析 |
| 4.5.1 指标选取与数据准备 |
| 4.5.2 面板回归实证分析 |
| 4.5.3 面板回归结果总结 |
| 第5章 研究结论与政策建议 |
| 5.1 研究结论 |
| 5.2 政策建议 |
| 参考文献 |
| 致谢 |
四、投资基金业绩评估新思路（论文参考文献）
- [1]基金经理改变基金风格的动机与影响 ——以华夏大盘精选为例[D]. 曾宇轩. 江西财经大学, 2021(10)
- [2]基于LightGBM算法的FOF组合方案策划[D]. 秦钰. 上海师范大学, 2021(07)
- [3]中邮新思路基金绩效评价研究[D]. 尚成. 上海师范大学, 2021(07)
- [4]基于投资风格和bootstrap方法的股票型基金评级研究[D]. 丁琼琼. 西南科技大学, 2021(09)
- [5]富国天惠精选成长基金绩效研究[D]. 刘航宇. 上海师范大学, 2020(03)
- [6]华夏大盘精选混合基金绩效评价研究[D]. 李贤哲. 上海师范大学, 2020(07)
- [7]FOF基金投资组合策略设计[D]. 王政凯. 河北经贸大学, 2020(07)
- [8]基于GBDT算法的FOF组合方案设计[D]. 丰园园. 上海师范大学, 2020(07)
- [9]基于人工智能量化分析的我国资产证券化产品投资组合优化研究[D]. 卞进. 中央财经大学, 2019(01)
- [10]我国混合型基金绩效评价及影响因素分析[D]. 晋亚超. 首都经济贸易大学, 2019(07)