在当前“大资管”和“房住不炒”、“居民财富搬家”、“全民养老”的时代背景下,股票型公募基金的市场快速扩容。无论是直接投资基金的投资者,还是设立基金中的基金（FOF）产品的机构投资者,基金绩效的研究与评价是在筛选基金“择优去劣”时不可或缺的核心环节,是组合投资经理、基金投资顾问的投研能力核心体现,具有理论研究价值以及指导投资者如何构建投资组合的现实意义。在这一背景下,本文试图探讨如何更好地评价股票型基金的绩效以及对其进行筛选的问题。对基金绩效评价的相关研究中,前人大多单一地从时序或者横截面角度进行检验分析,没能更加细致地综合考虑时序上以及横截面上的信息;同时也忽略了许多定性特征所造成的影响,例如基金经理变更、风格变化等等;研究样本往往局限于某几个特定的基金而不是一整类基金样本。因此,在回顾前人研究的基础上,本文创新地提出一种基于股票型基金持仓信息的基金经理投资决策能力因子;结合众多基于前人研究理论基础的基金特征,本文借助机器学习有效利用非线性建模的预测能力,使用LightGBM模型进行建模,对我国的公募股票型基金以及偏股型混合基金进行绩效评价和基金筛选、构建基金组合的实证研究,并与多种基金评价、组合方法进行比较,说明本文模型筛选公募股票型基金的方法具有优越性,填补了先前基金评价研究的空白和不足。本文的实证研究结果显示,在下一期基金同类排名的广义最小二乘法估计中,加入本文提出的基金投资决策能力指标特征后,模型修正拟合优度有所提高;并且基金投资决策能力指标的多个子变量显著性较高,在单因子的Rank IC分析中也证实了本文所提出基金投资决策能力指标的有效性。本文还利用多个基金特征作为输入变量,利用机器学习进行基金绩效的预测研究,基金模型预测的表现在本文划分的5个时段内均处于十分优良的水平,模型稳健性良好;Fama-French五因子模型的检验结果显示,我国的公募基金经理在剥离了风格的盈亏和无风险收益之后,普遍具备超越市场收益的投资技能;造成筛选出的多头和空头组合收益水平差异的原因来自于超额收益能力和风格暴露的差异。以上说明本文在相同基金分类下进行评价、预测的方法考虑了基金内在的特点差异,研究思路以及对于数据的处理更具科学性。本文的创新之处在于将机器学习与基金的业绩归因模型、基金的绩效评价模型以及股票多因子模型相结合,提出了如何在庞大的基金池中存优去劣,筛选出未来绩优基金的解决方案。在作者所参研的文献研究中,本文是首个利用基金的持仓信息提出构建模拟投资交易组合,形成衡量基金经理决策能力因子大类体系并进行基金绩效预测的研究,也是首个提出利用多类型的基金特征面板数据,预测基金的同类排名而不是基金收益率涨跌的研究,充分考虑到了公募股票型基金是相对收益产品的概念,本文在研究视角、理论实践、模型应用和数据利用上均具有一定的新颖之处,具有深刻的实践意义,为推动人工智能方法在我国基金投资的应用提供了新的思路。