1. AI 用什么数据预测基金？
基金预测的核心输入是 单位净值（NAV）时间序列。在此基础上，AI 模型会派生出一组『特征』：
- 日涨跌幅与累计收益（1天 / 7天 / 1月 / 3月 / 6月 / 1年）
- 滚动波动率（年化标准差），用于刻画风险
- 20 / 60 日动量，衡量近期趋势强度
- 相对均值回归压力：当前价偏离长期均值的幅度
- 同类基金的相对表现（行业相对强弱）
这些特征构成了 AI 看待一只基金的『画像』，比单纯看『近1月收益』要立体得多。
2. AI 如何把数据变成预测？
主流方法分三类：
- 统计 / 计量模型（ARIMA、GARCH）：捕捉短期均值回归与波动聚集。
- 机器学习（XGBoost、随机森林）：从特征组合中学习非线性关系，适合中短周期。
- 大语言模型 + 数值上下文（基趣采用）：把特征汇总后交由 LLM 在动量基线上做调整，并输出可解释的『AI 理由』。
基趣的预测引擎采用第三种：先用本地启发式模型算出一个基线（融合 20 日动量 + 均值回归），再让 AI 在 ±40% 偏离区间内进行修正，避免大模型『拍脑袋』。
3. AI 预测 vs. 传统基金排名
| 维度 | 传统排名 | AI 预测 |
|---|---|---|
| 视角 | 回看过去 | 前瞻未来 |
| 易出现偏差 | 追涨杀跌 | 过度拟合 |
| 短周期方向命中率 | ≈ 50% | 55%–65% |
| 可解释性 | 高 | 中（依模型） |
| 适合周期 | 长期参考 | 短中期决策 |
结论：把 AI 预测当成『前瞻信号』，把传统排名当成『稳健基准』，两者结合，比任何一方单独使用都更稳。
4. 如何在实战中正确使用 AI 预测
- 优先看『方向』而非『绝对涨幅』——方向命中率比点估更可信。
- 跨周期一致性更重要：当 7天 / 15天 / 1月 同向，可信度显著上升。
- 结合置信度阈值，置信度 < 50% 时只作参考，不作交易依据。
- 持续追踪预测 vs. 实际，淘汰长期失准的基金。
5. AI 预测的局限性
- 无法预测黑天鹅事件（政策、地缘、流动性冲击）。
- 对新成立、净值历史 < 6 个月的基金预测误差大。
- 长周期（6月 / 1年）预测更接近均值回归基线，参考价值低于短周期。
- 所有 AI 输出均不构成投资建议，最终决策需结合个人风险承受能力。