我国证券投资基金分类实证分析

摘要：本文利用自组织特征映射（SOM ）神经网络，对我国 2003 年 10

月 1 日前发行的 54 只开放式基金进行了分类，并在此基础上利用学习向量量化
（ LVQ ）神经网络对其他基金进行归类，取得较好的效果，说明了神经网络在
基金分类应中的有效性。最后利用该模型我国开放基金分类变化情况进行分析，
结果显示我国的证券投资基金的绩效持续性差，但已逐步走向理性的发展方向。

关键词：

 

 

神经网络 基金分类 绩效

一、引言

自 1997 年 10 月《证券投资基金管理暂行办法》颁布以来，我国证券投

资基金业取得迅速的发展，截止 2004 年底，我国的证券投资基金已发展到 154
只。面对不断增加的基金，基金投资者的选择范围来越大，选择的难度也越来越
大。因此，一个准确的基金分类是必需的，因为有效的基金分类可以帮助投资者
将其资金分配到不同类别的基金中，以期达到分散风险、获得合意的收益的效果；
同时，基金所属类别的变化在很大程度上反映了基金绩效持续性，这也是投资者
非常关注的一个问题。

目前，对基金业绩进行分类，主要采用基金投资的标的的原则。如西班牙的

证券市场全国委员会（ CNMV ）按照基金投资的对象及相应的比例把基金分类十
类

⑴

，国内的中信基金评价系统将国内所有的基金分成股票基金、债券基金、混合

基金、货币基金和指数基金五大类，银行证券将开放式基金分为偏股型、股债平
衡型、偏债型和债券型四大类。

但是国内外一些学者研究发现，多数基金的类别与其宣称的有很大的差异

Marathe and Shawky (1999)

⑵

使用多元统计中的聚类分析方法，对美国的共同基

金进行分类，发现美国 43% 的基金的风格与其宣称的不同。类似的结论也出现
在 Kim 、 Shukla 、 Thomas (2000)

⑶

，刘煜辉和熊鹏（ 2003 ）

⑷

的研究中。

因此，学术界逐渐倾向于采用基金市场表现的相关指标对基金进行分类。

现有的根据基金市场表现相关指标对基金进行分类的方法，主要是采多元统

计方法。但是，多元统计的分类准确率并不高。因此，本文拟采用在拟合数据数
据方面具有很高优越性的神经网络方法对基金进行分类，所依据的指标为基金在
市场上表现的几个主要指标——平均收益率、 β 系数、标准差、詹森系数，所有
指标皆为季度数据，相关数据则来自深圳市天软科技开发有限公司的金融分

1