证券投资基金在我国的资本市场中发挥重要的作用,基金的发展也保证了市场的完善性与平稳性,并为投资者提供了更多的投资选择。在基金行业快速发展的今天,随着基金规模不断的扩大,基金作为一种重要的商品在资本市场上受众也不断增加,而在选择基金的过程中,基金业绩自然也成为了各个层次的投资者关注的重点。对于投资者来说,关注的是基金能够给自己带来的收益,利用基金相关的指标来对基金的预测是众多投资者们关注的重点。因而,本文融合了外部注意力机制,将于基金业绩相关的不同层次的数据纳入模型中,构建宏观-行业-微观的基金层次数据。并从层次数据的融合与基于融合数据的基金业绩预测方法这两方面入手进行研究。根据基金净值数据、基金收益数据以及宏观行业的相关数据,通过机器学习方法对基金业绩进行预测,并通过不同层次的特征指标对基金业绩预测的影响展开分析。从基于外部注意力机制与基金业绩预测方法的实证研究,得到的具体结论如下:首先,基于外部注意力机制构建了模型上游的注意力模块,为下游的业绩分类任务提供了基于不同层次指标的融合数据。研究发现,通过外部注意力机制将与基金相关的宏观数据、行业数据以及基金自身的数据融合,模型的损失指标RMSE与MAE达到最小。其次,基于模型的预测评估结果可知,其对于三种类型基金业绩预测的准确率达到了98.86%/99.67%/99.23%,F1分数也达到了96.29%/97.56%/98.34%。并在融合外部注意力机制的基础上对模型不同特征的贡献度进行了对比分析,并从Sharpely值中发现不同特征对基金业绩的影响情况。最后,考虑不同特征指标对基金业绩预测的边际贡献,给出了相关基金的投资建议。即针对不同类型的基金,在不同的市场环境下,应该采用不同的投资策略。在投资者选择基金时,提供了更深层地评估方式与不同特征的分析方法。