Machine-learning the skill of mutual fund managers
用机器学习识别共同基金经理的技能AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确使用基金特征与神经网络预测未来风险调整后基金收益。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
用机器学习识别共同基金经理的技能
- 研究问题
- 基金特征能否提前区分未来表现较高与较低的共同基金，哪些变量及其与市场情绪的交互有助于预测风险调整后业绩？
- 方法与思路
- 作者使用机器学习预测基金费前和费后表现，并借助神经网络考察市场情绪与基金资金流、基金动量之间的非线性交互。
- 材料陈述的贡献
- 摘要称业绩差异持续超过三年，基金动量与资金流是最重要预测变量；所持股票特征无预测力，并发现情绪相关的交互效应。
- 阅读关注点
- 应核对训练验证与时间划分、风险调整基准、费用及存续偏差处理，并检查交互效应和长期业绩持续性的样本外证据。
- 阅读边界
- 仅据出版社摘要，无法判断预测稳定性、交易成本影响或经理技能的因果归属；所述历史预测表现不能保证未来收益。
原文摘要
We show, using machine learning, that fund characteristics can consistently differentiate high from low-performing mutual funds, before and after fees. The outperformance persists for more than three years. Fund momentum and fund flow are the most important predictors of future risk-adjusted fund performance, while characteristics of the stocks that funds hold are not predictive. Returns of predictive long-short portfolios are higher following a period of high sentiment. Our estimation with neural networks enables us to uncover novel and substantial interaction effects between sentiment and both fund flow and fund momentum.