证券投资基金已经有着150多年的历史,对于国外来说已经有着较为稳定的基金市场,以及与基金相关的伴生产业。而我国基金发展于上个世纪90年代,经历了4个阶段,虽然已经进入了稳步发展阶段,但是却并没有较为完整的基金评级体系。随着我国经济和人们生活水平的日益提高,不断的投资者涌入基金行业当中,暴露出了其中问题。投资者并没有着较多的金融知识,在投资过程中资源无法较好的利用。因此提出新的行之有效、简单明了的基金评级方法是有必要的。本文参考晨星网评级的过程,并为保证模型的合理性,首先对基金类型进行分类:灵活配置、保守混合、积极债券、纯债等等。选定基金数量相对较多基金:积极配置—大盘成长,通过客观赋权方法——熵值法,对原始数据进行降维处理。接着运用非参数模型中较为不常使用的模型——乘法加法模型,对熵值法所总结综合变量进行合理性检验。之后通过各个基金贴吧的发帖数据,运用Bidirectional Encoder Representations from Transformers模型（以下简称Bert模型）训练贴吧数据,得到新型主观数据。将新型变量加入到之前总结数据当中,最终构造Least absolute shrinkage and selection operator模型（以下简称Lasso）,并与最近研究所提出的机器学习方法进行比较。综合全篇文章,最终得到以下结论:（1）在晨星三年基金评级构造过程中,近三年各年回报以及晨星网中的综合回报指数是评级的重要参考点。（2）风险指数并不是越低越好,一定的风险会带来更大的利益。（3）基金经理的好坏一定程度上影响着整个基金的评分情况。优秀经理或者top经理对于风险把控更为快速。当基金大跌,基金整体趋势被经理运营后,大部分依旧会呈现上升趋势。投资人更愿意将钱交到明星基金经理手中。（4）稳定因素也是影响投资人对基金的态度一大因素,并不是越稳定越平稳的基金更受欢迎,这种无法提升利益的“温基”更受讨厌。（5）相比于Lasso模型构造的方式,运用随机森林方法进行评级分类有着更高的精确度。但Lasso模型解释效果更好,在日常应用中能够更加广泛,更有说服力。