截至2019年6月，我国境内已发公募基金产品的基金管理公司达135家，管理基金数量达5561只，管理资产规模突破13.4万亿元，如此大规模资产规模已经使得我国公募基金成为我国证券投资市场乃至整个国内金融市场中坚力量，吸引了越来越多的投资者参与，在我国金融市场发挥着越来越重要的作用。关于我国开放式基金业绩前后是否具有持续性已经成为金融界讨论的热点话题，因此，对我国开放式基金业绩是否具有持续性研究无疑有着重要的实际意义。
　　对于基金业绩是否具有持续性，本文先系统的阐述基金业绩持续相关理论并且分析了列表关联法、Spearman秩相关检验法、横截面回归法以及扫描统计法等传统的基金业绩持续研究方法，发现这些传统的研究方法需对样本基金根据影响因子进行有效的分类或对样本数据有较多的假设作前提，并且研究过程中存在容易受极端值影响，这些都影响基金业绩持续研究结果的准确性。然后通过详细的研究人工神经网络的研究理论，发现传统的基金业绩持续研究方法的问题都可以通过神经网络算法能有效的避免，神经网络模型能够通过传递函数和激活函数阀值，过滤掉无用信息或系统性误差，通过贝叶斯正则化方法优化神经网络模型，有效的降低神经网络出现局部极值和过拟合问题，从而达到非常好的全局非线性拟合效果。
　　首先，本文选取239只股票型开放式基金做研究对象，以未经过风险调整的平均复权单位净值收益率为业绩指标，分别以3个月、6个月和12月为周期对2014年6月至2018年6月利用传统的Spearman秩相关检验法的作实证研究，研究发现，我国股票型开放式基金在短期不具备持续性，但长期内表现出一定的持续性，基金运作期增加基金业绩持续性表现逐步减弱。由于选择不同的业绩指标可能对基金业绩持续的有着不同的影响。本文进一步选取以经过风险调整过的夏普比率为业绩指标，仍然结合传统的Spearman秩相关检验法，针对12月为周期的样本数据进行研究，研究统计发现以平均复权单位净值收益率为业绩指标下，表现出业绩持续性的基金在夏普比率为业绩指标下有67.35％的基金仍然表现出基金业绩的持续性，进一步论证了，我国股票型开放式基金在长期内表现出一定的业绩持续性。
　　其次，引入贝叶斯正则化的BP神经网络算法，以未经过风险调整的平均复权单位净值收益率为业绩指标结合传统的Spearman秩相关检验研究结果作为神经网络训练的基础数据，取神经网络模型在预测值和真实值在均方误差取小的神经网络模型保存，然后，以基金业绩持续性理论为基础，分别用Spearman秩相关检验法和神经网络算法进行对具有基金业绩持续的基金作进一步研究，通过神经网络研究准确率与Spearman秩相关检验法对研究准确率相比较，论证了贝叶斯正则化的BP神经网络算法在研究基金业绩持续性领域的可行性和准确性;由于研究基金业绩持续的指标相对比较多，本文进一步以经过风险调整的夏普比率为基金业绩指标，再次通过贝叶斯正则化的BP神经网络算法研究基金业绩持续性，得出改进型BP神经网络能继续适用以夏普比率为指标的基金业绩持续研究，说明贝叶斯正则化的BP神经网络算法在基金业绩持续领域具有一定的普适性。
　　最后，本文研究得出，首先我国股票型开放式基金在短期内不存在基金业绩持续性，但在长期内表现出基金业绩持续，我国开放式基金市场不是弱势有效市场，其次，论证得出贝叶斯正则化的BP神经网络能够运用到基金业绩持续性研究领域，既能有效的避免传统方法的不足，又能提高了在基金业绩持续研究的准确率，达到了拓宽基金业绩持续性的研究方法目的，即投资者可以根据股票型开放式基金的历史业绩通过借鉴神经网络算法研究结果选择基金。