徐晓顿了顿继续说道：“一般来说，这个时候还能剩1/3到2/3左右的基金。具体的数量根据不同的市场环境可能波动会大一点。
然后我们会根据预定的投资时长将过往的业绩进行分段，因为距离当下越近的业绩越有参考价值，距离当下时间段越远的业绩越没有参考价值。
所以会按照距离当下时间的远近进行分段。给每一时间段各个基金的表现进行打分，之后再将距离当下较近的时间段赋予较高的权重，对各个时间段的同一基金的得分进行加权平均就可以得出每一个基金的总分。
有了总分自然就可以排名了，有了排名自然也就有了先后和优劣了。.BIQUGE.biz
如果出现分数相同的情况，就看看最近的时间段哪一分数高，谁分数高谁排在前面，如果最近的一个时间段分数依旧相同，那就看看次近的时间段，以此类推，总不可能所有时间段的分数都一样吧？
至于每一个时间段的分数如何确定，就要看这一时间段里基金的业绩表现。
大家都知道，一个基金在某一段时间中的业绩表现有很多种不同的评价维度。比如：收益多少？最大回撤怎么样？波动率如何？等等。
按照这些评价维度，对这一时间段中所有参与评价的基金，也就是刨除掉之前剔除的部分进行排序。
对不同排名阶段赋予不同的分值。比如。前10%打十分，10%-20%打九分，20%-30%打八分，以此类推。
这样，每一个基金在对应的时间段、不同的评价维度上都有了各自的分值。再给不同的评价维度赋予权重。比如收益占比50%，波动率占比30%，回撤占比20%。
每一个时间段，每一个资金不同的。存在维度上，有的分值，有的权重，就可以对不同维度的分值加权平均，得到每一个基金在每一个时间段的总分值。
用这种方式进行打分，整体的排名框架也就出来了。这么说可能不是很好理解。
我就具体举一个例子：假设某一只基金在近三个月里收益排名前10%，波动的排名前20%，回撤排名前30%，那么他在近三个月里收益、波动、回撤的得分分别是十分、九分、八分。
又假设不同维度的权重里，收益占比50%，波动率占比30%，回撤占比20%。
那么这对应的这三个月这个基金的总分值就是50%×10+30%×9+20%×8=9.3分，假设这个基金的考评时间段是近三个月、近六个月、近九个月、近十二个月。
而这个基金这四个时间段各自的分值分别是9.3分、9分、8分、6分，而这四个时间段各自的权重又是40%、30%、20%、10%。
那么这个基金各个时间段加权平均后的总分值就是：40%×9.3+30%×9+20%×8+10%×6=8.62分，按照这样的方法各个基金也都可以计算出各个时间段加权平均后的总分值。
有了分值就可以排名比较了。”
听到这样的方式，林修然双眼睁的大大的，依旧是简单而朴素的方式，这种方式林修然属实是没想到，但想想那天今领导对于大类资产配置的说法，好像既在意料之外，又在情理之中。
不得不说，确实是简单粗暴，但是有效，这种方式确实还是不错的。
林修然顿了顿就问出了自己比较关心的问题：“晓哥，我有个问题，这个方法我倒是听明白了，但是具体的各类指标数量，各个权重的大小，各个分值是如何确定的呢？
就比如到底是排名前10%的十分，还是排名前12%的十分，类似这样的问题，这种很精细化的东西到底是如何确定的呢？”
大致的思路框架知道了，林修然就想知道这些细节。其实这一方法非常的简单粗暴，但是核心的内容就在于这些具体的细节，分值权重的确定方式，这才是非常重要的。
就好像一个程序，很多时候程序的整体框架虽然很重要，但是各个参数的设定更重要。
徐晓听了林修然的话，微微一笑说道：“相信你也很清楚，这种东西肯定不可能是固定下来的。因为市场是在不断变化的，社会是在不断发展的，我们国家的经济进度也处于不同的阶段上。
这种东西每一套参数只能适用于一个时间段，有可能是一两年，有可能是三五年，但是不会是永久固定的。我们把所有可调的参数都写进程序里，每年让系统自动跑一遍程序。
每一套参数做出来的评分，就相当于是对未来一阶段做出来的预测。
我们让系统自动调整各个参数的情况，就可以得到无数种参数的排列组合，每一种参数的排列组合都对应着一种预测结果。
把得到的无数种预测结果和实际结果放在一起做比对，找出和实际结果差异最小的一组参数得到的预测结果，这个组参数就当做未来一段时间的应用参数。
说的好理解一些，我们不断的用各种各样的数据去训练计算机，让计算机得到一个相对准确的结果。或者说和实际相对误差较小的结果。
这实际上就是大数据的一种应用。”林修然听到之后心中不由得有些感慨：怪不得徐晓这么轻易地就告诉他，他就算是知道了也不能怎么样，毕竟要想编写这样的一套程序，绝对不是普通投资者可以做到的。
别说普通散户了，就是林修然都不行，这种东西就只有实力很强的公司才能做得出来，要投入大量的人力物力。
而且程序的运行的负荷也不是普通的电脑可以承受的，这简直就相当于是外挂一样的存在。
想到这里，林修然无奈地摇了摇头，这种事情就算知道了也模仿不来。