各种基金的区别？
要搞清楚基金的不同，得先搞清两个概念——“类型”和“性质”。 基金的类型和性质决定因素有很多，包括市场环境、法律框架、投资者需求、风险承受能力等，最终会体现在基金产品设计上，比如资金投向（股票、债券还是混合），投资策略（主动管理还是被动跟踪），费用结构（认购费、申购费还是收取固定的管理费）等等。
这些因素导致了一般情况下我们对基金进行分类时，总是按照一定的维度。而在每个维度上，总能把基金分为若干类。不过，有时候一个指标很难准确描述一类基金的全部特征，于是人们不得不寻求多个指标的协同作用——这就是多因素分类方法。 通常我们比较常用的基金分类方法是按投资对象划分，即把基金分为股票基金、债券基金、货币基金等大类，然后再在大类里进一步细分成小类。以股票基金为例，我们就可将其继续划为股票型基金和混合型基金。而这里的关键词是“继续划分为……”，也就是说之前已经划分的类别是没有变化的。
然而，很多情况下我们需要处理的并非是一个“连续”的数据系列，而是一个“离散”的数据集合。在这种情况下，我们往往难以找到合适的分类方法。 但如果换个角度思考，我们就可以跳出“基民视角”，换一个思维方式来考虑这个问题——既然我们要给基金的属性加以定义，那不如我们先定义好需要哪些属性，然后让基金自己去满足这些属性要求即可。例如我们以风险收益特性作为评价基金的首要属性，则我们可以通过估计出每个基金在特定时间段内的平均风险和收益，进而计算其动态风险、收益的方差-协方差矩阵，由此得到每个基金的属性向量。最后，我们再对诸多的基金属性向量进行归类聚类分析，便可完成基金的属性赋码任务。
基于上述思路，我们最终可以实现用数学公式表达基金分类的问题。在此基础上，再根据选择的参数以及数据的可获得性，运用计算机来实现这个算法就可以了。 总之，无论采用什么样的方法和路径，最终的目的是将一批不确定性的事物通过算法转化为确定性的事物，这个过程就是机器学习的基本思想。