今年赛程过半，虽然近3年、近5年市场经历了牛熊的多轮转换，股市风格的几经变迁，但主动权益类基金仍然以优秀的投资业绩，创造了不俗的中长期回报，一大批优秀基金经理也以远超大盘的超额收益，成为漫漫投资路上的“长跑健将”，见证了主动管理的时间价值。但是也有基金长期收益表现并不好，投资者也叫苦连连，明明说要长期投资，但这么多年了都没**。
到底，值得长期投资的基金长啥样？
近5年银华富裕主题业绩夺冠
从五年的投资维度来看，一般五年内股市会经历大的牛熊转换和多轮的市场风格切换，更能看出基金的长期**能力。拉长投资期限后，主动权益类基金更是以优异的成绩，穿越市场的几轮牛熊转换和行情切换，为持有人带来了优秀的长期回报。
从数据来看，截至6月30日，近五年银华富裕主题基金以388%的收益率，摘得主动权益类基金业绩冠军，该只基金的基金经理焦巍也是市场知名人物。工银瑞信前沿医疗基金经理赵蓓、信达澳银新能源产业基金经理冯明远，也分别位居近五年前三名，两只基金同期业绩也都超过了350%，展现了优秀管理人的长期**效应。
另外，前海开源基金的曲扬，景顺长城基金的刘彦春，汇添富基金的胡昕炜，易方达基金的张清华、张坤、萧楠，嘉实基金的归凯等一系列知名基金经理，都在近五年斩获不俗收益，在管基金获取了不错的长期回报。
从五年期排名看，这些基金投资方向主要为消费、医药等行业，展现了这些行业穿越周期的能力，而借助绩优基金经理的主动管理能力，这些基金创造的超越市场的阿尔法同样可观，打造了远超大盘指数的投资回报。
针对权益类基金的长期优秀业绩，华南一家大型公募表示，优秀基金经理的长期价值在于，通过深入的基本面研究，找到盈利质量能够持续提升的上市公司，并且敢于在估值处于历史低位时买入，等待市场风险偏好和估值的均值回归，并在较长周期内提升投资胜率，最终就能获得长期的优秀回报。
拿银华富裕为例，它是“七届金牛”奖得主，自2006年11月成立以来，该基金成立以来收益率已经达到1616.75%，是只“16倍”基金，年化收益率达21.45%。这只传奇基金业绩背后，现任基金经理焦巍也是重要缔造者。焦巍自2018年12月27日接任银华富裕基金经理，期间任职回报达到280.75%(截至今年6月30日)，远超同期业绩基准和大盘走势，为持有人带来丰厚的回报。
该基金在过去6年至过去14年的各个阶段中，业绩表现均在同类型基金中排名前三，展现出超强长跑实力。短期来看，银华富裕主题混合的表现仍然可圈可点。今年上半年，A股市场经历大起大落，大盘指数勉强收红，银华富裕主题混合斩获了24.49%的收益，相较于同期业绩比较基准涨幅0.41%，超额收益丰厚，为投资者创造了较为理想的投资回报。
作为从业超21年的老将，焦巍历经多轮市场震荡调整，穿越牛熊变幻，在多年沙场征战之下，他养成了集中在能力圈做长期稳健的投资，与伟大的企业长期共行的投资理念。正是凭借成熟的方法论、宽阔的能力圈和严格的投资纪律，他所管理的基金形成了集中优质股、低换手、长期业绩稳定的投资风格。谈及自己投资思路，焦巍表示，他的核心投资理念是做长期稳健的投资，会长期坚持在能力圈内专注做好精选个股，寻找到历经时光考验的邮票式标的，追求可持续、可把握的收益。
如何选到适合长期绩优基金？
1、长期居于收益榜前列
长期绩优基金不一定要是第一名，但一定是长期稳居前列。
因为有些短期排名居前的基金可能只是踩准了热点，如果风格轮动、热点降温，那业绩很难有持续性。
而长期业绩稳定的基金投资不会追逐热点，但也不会“固守己见”，在一套稳健且有效的投资框架下在运行，持续性会更好，也更适合长期投资。
2、产品净值走势突出
长期绩优的产品，净值曲线都非常类似，在成立初期可能会与业绩基准和沪深300有较高的拟合度。但随着时间推移，产品业绩较业绩基准及沪深300会有非常明显的超额收益。
3、跌时回撤小、涨时跟得住
这些历经牛熊仍旧获得不错业绩的基金，具备怎么样的特质呢？据平安证券“跌时回撤小、涨时跟得住”的绩优基金
总之，长期绩优基金在任何时候买入+长期持有都是很OK的选择(哪怕不慎在高位买入)，同时，相比买入时点的选择，更重要的是能真的管住手+买入后净值波动的应对。并且在历经市场大幅波动后，优秀的基金经理能穿越波动，经过长期的积淀，为投资者带来可观的投资收益。如以五年为期，甚至更长。短期短短一两个月的回撤波动，并不是我们投资最终的结果，选择符合自己风险收益特征的，择一位优秀基金经理的基金，坚定长期持有，就有望结出硕果。
一：怎么看logistic模型的拟合度
三是判别 实际上跟预测有些类似，也是根据logistic模型，判断某人属于某病或属于某种情况的概率有多大，也就是看一下这个人有多大的可能性是属于某病。 这是logistic回归最常用的三个用途，实际中的logistic回归用途是极为广泛的，logistic回归几乎已经成了流行病学和医学中最常用的分析方法，因为它与多重线性回归相比有很多的优势，这些优势将在以后的文章中一一介绍。二：amos怎么看模型拟合度
系列文章共有四篇，本文为第二篇，主要由整体层面
博客1（https://blog.csdn.net/zhebushibiaoshifu/article/details/114333349）：基于Amos的路径分析与模型参数详解
博客3（https://blog.csdn.net/zhebushibiaoshifu/article/details/114377622）：基于Amos路径分析的模型拟合参数详解
博客4（https://blog.csdn.net/zhebushibiaoshifu/article/details/114385378）：基于Amos路径分析的模型修正与调整
在博客1（https://blog.csdn.net/zhebushibiaoshifu/article/details/114333349）中，我们详细介绍了基于Amos的路径分析的操作过程与模型参数，同时对部分模型所输出的结果加以一定解释；但由于Amos所输出的各项信息内容非常丰富，因此我们有必要对软件所输出的各类参数加以更为详尽的解读。其中，本文主要对输出的全部参数加以整体性质的介绍，而对于与模型拟合程度相关的模型拟合参数，大家可以在博客3（https://blog.csdn.net/zhebushibiaoshifu/article/details/114377622）、博客4（https://blog.csdn.net/zhebushibiaoshifu/article/details/114385378）中查看更详细的解读。
1 Output path diagram首先，通过上一篇博客（https://blog.csdn.net/zhebushibiaoshifu/article/details/114333349），我们已经知道可以在“Output path diagram”模块，对模型的非标准化结果与标准化结果加以显示。如下图，若为非标准化结果，自变量、残差旁的数字代表其方差；而对于标准化结果，箭头旁的数字代表对应回归方程的R方。具体请见这篇博客（https://blog.csdn.net/zhebushibiaoshifu/article/details/114333349）。
2 Amos Output点击软件左侧“View Text”按钮，可以查看更为详细的模型结果。
我们就由上到下，依次解释每一个界面的含义。
2.1 Analysis Summary这里是模型分析的摘要，包括模型运行的时间与标题。
2.2 Notes for Group这里是对模型的备注。
首先，“The model is recursive.”代表着这一模型是一个递归模型。递归模型，顾名思义是内生变量间因果关系为单方向的结构方程模型；换句话讲，递归模型中任何一个变量，不能既是另一个变量的起因，且又同时是其效应。
其次，“Sample size”则代表了样本个数。
2.3 Variable Summary这里是对模型中各种变量的总结。
首先，“Observed,endogenous variables”即“观测变量、内生变量”。观测变量就是可以被观测、测量而直接得到的变量（本文中所有土壤属性与对应的环境变量都是已知的，也就是可以直接测量的）。内生变量就是被其它自变量预测的变量，可以认为相当于是一个因变量；但要注意，尽管内生变量多作为因变量，但也可能作为影响他人的自变量，例如本文中的内生变量POI，可以影响Temp，又受到GAIA与RoDen影响。内生变量在Amos中突出的特点即为其被箭头所指，或者说其有一个残差项（这是因为AMOS路径图表示的为线性回归模型，因此所有因变量都需要加上一个残差）。
其次，“Observed,exogenous variables”即“观测变量、外生变量”。外生变量即为不受任何其他变量影响，但影响他人的变量。其在路径图中就是没有被任何一个箭头指到的变量。
再接下来的一栏“Unobserved,exogenous variables”，相信大家都可以看出了，是“非观测变量、外生变量”。非观测变量又叫做潜在变量，是指不能直接进行测量，但可以通过观察变量从而进行大致衡量、测度的变量。那么在本文中，所用的残差就都是非观测变量了。
最后一栏“Variables counts”，就是不同变量的计数。
2.4 Parameter Summary这里是模型中不同种类的变量摘要。
我们首先看表格的第一行。“Weights”为“回归权重”，我认为就是回归系数；“Covariances”为“协方差”；“Variances”为“方差”；“Means”为“平均值”；“Intercepts”为“截距”。
再看表格的第一列。“Fixed”表示模型中值已经被固定为一个常数的参数；“Labeled”表示模型中值已经带有标签的参数；“Unlabeled”表示模型中既没有被固定值，也没有带上标签的参数，这一类参数可以取任意值（当然，对于Labeled的参数，只要其Label为唯一的，其也可以取任意值）。
2.5 Assessment of normality这里是对模型中变量的正态分布检验，对应着当初“Output”中我们勾选的“Test for normality and outliers”选项（如下下图所示）。
我们首先看表格的第一行。“min”与“max”分别代表变量的“最小值”与“最大值”；“skew”为“偏度”（skewness），是统计一组数字非对称程度的度量，数据符合正态分布时为0，右偏分布（正偏分布）时大于0，左偏分布（负偏分布）时小于0；“c.r.”个人认为应该是“C-R下界”；“kurtosis”为“峰度”，表示一组数据在平均值处峰值的高低，峰越尖，峰度越小，峰越厚，峰度越大。
随后，需要注意最后一行“Multivariate”表示“多元变量”。
这里是对模型中变量的异常值检验，同样对应着当初“Output”中我们勾选的“Test for normality and outliers”选项。
表格第一列“Observation number”是每一个异常值对应的数据编号；“Mahalanobis d-squared”可以视作距离的度量，其越大数据越有可能是异常值。
2.7 Sample Moments这里是样本矩，对应着当初“Output”中我们勾选的“Test for normality and outliers”选项。
其中，第一个“Sample Covariances”为“样本协方差矩阵”，其具体计算会随当初“Bias”中我们勾选的“Covariances to be analyzed”选项类型而改变。其中，对角线上为样本自身的方差，其余地方为样本之间的协方差。
接下来，第二个“Condition number”为协方差矩阵的“条件编号”，其等于矩阵的最大特征值除以最小特征值。
第三个“Eigenvalues”为协方差矩阵的“特征值”。
第四个“Determinant of sample covariance matrix”为协方差矩阵的“行列式”。在正定协方差矩阵的情况下，行列式接近零表示至少一个观察到的变量几乎线性依赖于其他变量。 其结果取决于指定的模型和差异函数。从数值的角度来看，行列式接近于零可能使得难以估计模型的参数。从统计的角度来看，行列式接近于零可能意味着对某些参数的估计不佳（将显示为较大的估计标准误差）。
第五个“Sample Correlations”表示“样本相关系数矩阵”。其对应着当初“Output”中我们勾选的“Standardized estimates”选项。
第六个“Condition number”表示相关矩阵的“条件编号”，样本相关矩阵的条件编号是其最大特征值除以其最小特征值。
第七个“Eigenvalues”为相关矩阵的“特征值”。
2.8 Notes for Model这里为模型整体情况的备注，与单个模型有关的消息出现在此处。
第一个“Computation of degrees of freedom”显示了Amos如何达成当前的自由度结果——自由度即不同样本矩的数量与必须估计的不同参数的数量之间的差异。
第二个“Minimum was achieved”表示模型达到了局部最优解。
接下来两个分别代表着卡方值与自由度。
接下来的“Probability level”表示：如果满足适当的分布假设，且当前模型是正确的，则其值是获得与从当前数据集获得的卡方统计量一样大的卡方统计量的近似概率。例如，如果该值等于或小于0.05，则数据与模型的偏离在0.05级别上是显著的。
2.9 Estimates第一个“Scalar Estimates”为“标量估计”。
第二个“Maximum Likelihood Estimates”为“最大似然估计”。
接下来，“Regression Weights”为回归系数估计。表格中第一行，“Estimate”为实际估计值；“S.E.”为“近似标准误差”，其不适用于相关性和标准化回归系数，也不适用于ULS或SLS估计方法；“C.R.”为“临界比率”，其是参数估计值除以其标准误差的估计值。如果满足适当的分布假设，则该统计量在参数的总体值为零的零假设下具有标准正态分布。例如，如果某个估计的临界比率大于2（以绝对值计），则该估计在0.05级别与零显著不同。即使没有分布假设，临界比率也具有以下解释：对于任何不受约束的参数，其临界比率的平方大约是在固定该参数固定为零的情况下重复进行分析，卡方统计量将增加的量（其不适用于相关性和标准化回归系数，也不适用于ULS或SLS估计）；“P”就是“p值”，若小于0.001就用“***”表示，说明自变量对因变量有显著性影响；“Label”为“标签列”，如果前期已命名参数，则该名称将显示在此列中。我们需要知道参数的名称，以便读取参数之间的协方差、参数之间的相关性以及参数之间差异的临界比率的显示。如有必要，Amos会为我们尚未命名的任何参数命名，且这一名称将与我们提供的名称一起出现在标签列中。
随后，“Standardized Regression Weights”为“标准化回归系数”。
2.10 Modification Indices“Modification Indices”为“修改索引值”。修改索引大于指定阈值的每个参数将显示在此处，并在标记为的列中显示：
“M.I”：修改索引
“Par Change”：估计参数变化
2.11 Minimization History“Minimization History”表示每一次迭代中，误差函数的数值。其对应着当初“Output”中我们勾选的“Minimization history”选项。
2.12 Pairwise Parameter Comparisons这一模块为模型中全部参数的两两比较，包括方差/协方差与相关系数。其对应着当初“Output”中我们勾选的如下两个选项。
2.13 Model Fit这一部分为模型整体的拟合情况衡量参数。关于这一部分参数更为细致的介绍请看这篇博客（https://blog.csdn.net/zhebushibiaoshifu/article/details/114377622）。
2.14 Execution Time这一模块展示了模型的运行时间。
三：matlab拟合度怎么看
根据神经网络的结构，得到了w和b，将他们带进去，通过一层层网络的计算，就得到参数。这个没法直接看，要算一下。
这个要看你选择的激活函数，若是你的激活函数为非线性函数，那就不可能得到各参数的拟合值。如果你所选用的激活函数是线性函数，那么就可以先把输出的表达式写出来，即权向量和输入的矩阵乘积。得到表达式后就可以得到相应参数的拟合值了
你的目的是？打算看什么参数？是说训练时候所选的网络参数？
四：eviews拟合度怎么看
现状大数据的前景十分的好，随着大数据应用于各行各业，并正在改变着各行各业，同时也引领大数据人才的变革，在国家及当地政府支持下，大数据在快速发展，企业日后发展将基于大数据计算分析、数据挖掘、数据分析等数据产业的发展，我国也将更加需要更多的数据人才。