我国开放式基金发展迅速。到2018年底,我国开放式基金数量达到4675个,占总基金数量的99.26%。开放式基金经历了18年的快速发展,但与此同时,也遇到了大规模,全面和持续的赎回。在成熟的外国基金市场中,开放式基金扮演着“优胜劣汰”的角色,但根据我国先前文献的研究得出了相反的结论:中国的开放式基金已经表现出惩罚业绩较好的基金的现象。我国基金市场正在日益成熟。分析开放式基金市场“赎回异象”的存在性,并建立“赎回异象”预警模型,对投资者,基金经理和监管机构具有重要意义。针对这一主题,本文选择2009年1月1日之前建立的343只开放式基金,其中246只为混合型,79只为债券型,18只为股票型,使用季度数据,截止时间2018年12月31日,并使用Stata14和Python软件进行研究。(1)总结之前学者们研究文献,归纳影响赎回的因素,总结了13个指标分别从市场因素、基金本身因素、投资者因素建立股票和混合型基金、债券型基金面板数据回归模型,研究“赎回异象”是否存在。经本文实证研究发现,只有股票和混合型基金当期业绩与净赎回正相关,存在“赎回异象”;上期业绩与净赎回负相关且不显著,“赎回异象”不存在。债券型基金当期、上期业绩与净赎回显著负相关关系,“赎回异象”不存在。在股票和混合型基金中,市场走势、持股集中度、基金风险、分红、个人投资者比例和投资者情绪均与净赎回呈正相关,使得投资者赎回基金,基金规模、存续期、明星基金与净赎回负相关,形成“明星效应”。在债券型基金中,市场走势、个人投资者比例和投资者情绪与净赎回正相关,对基金赎回形成促进作用。基金规模、存续期、基金风险、分红均和明星基金与净赎回负相关。(2)建立面板数据回归模型对我国开放式基金“赎回异象”的实证分析,结果表明我国开放式基金仍存在“赎回异象”,在此研究之上建立对开放式基金“赎回异象”的预警模型。本文是首次把集成学习模型用于“赎回异象”的研究,建立了随机森林和XGBoost模型用于开放式基金“赎回异象”预警。通过指标处理、筛选、处理不平衡数据、参数选择、模型对比分析、模型融合最终建立XGBoost和随机森林的Voting融合模型,得到性能更优的“赎回异象”预警模型。