主要观点：
　　本篇是“学海拾珠”系列第一百六十八篇，文献探究了使用机器学习方法，通过基金特征选择多头基金组合的可能性，并且深入分析了机器学习选出的多头组和传统方法的区别，揭示了基金特征在预测未来业绩方面的非线性相互作用。回到国内市场，我们可以使用类似的方法构造策略。
　　传统线性方法与文献研究方法
　　传统研究中，某些基金特征可以用来预测基金的业绩（Jones和Mo，2020）。通常会每月或每季度对基金基于特征进行排名，然后将资金分成五组或十组，评估这些基金组合的多空业绩。然而只有少部分特征在扣除全部费用后能选择出正Alpha的多头基金组合。
　　文献使用17个基金特征，采用三种机器学习方法：弹性网络（elastic net,）、梯度提升（gradient boosting）和随机森林（randomforests）来预测基金alpha，并将预测值前10%的基金构建成组合。同时对比普通最小二乘法（OLS）以及两个朴素策略：基金等权组合和资产加权组合。
　　机器学习方法能够显著优化基金多头策略
　　梯度提升和随机森林下基金多头组合的费后净Alpha为每年2.36%和2.69%（FF5因子+动量模型评估）。相比之下，基于线性方法（弹性网络和OLS）的组合净alpha为每年1.09%和1.21%，统计不显著，等权和资产加权组合分别实现了每年-0.22%和-0.44%的负的净Alpha。
　　因此，美国主动基金在扣除成本后平均业绩不及被动基金（平均净Alpha为负），线性模型可以帮助投资者避免业绩不佳的基金（正向不显著的Alpha），只有通过非线性和相互作用的机器学习方法才能通过主动管理获益（正的显著的Alpha）。
　　基金特征与未来业绩之间的非线性关系
　　拆解结果后发现，value added、Alpha的t-统计值、市场Beta t统计值和R2是梯度提升和随机森林方法中最重要的特征。基金主动程度与未来业绩之间存在高度的非线性关系，对于主动度更高的基金来说，过去的业绩是一个特别强大的预测因子。
　　线性方法下，发现排名前10%的基金“太小”，机器学习有助于选择基金不仅因为它可以识别有Alpha的管理者，且可以识别Alpha不完全被规模报酬递减抵消的管理者。
　　风险提示
　　文献结论基于历史数据与海外文献进行总结；不构成任何投资建议。