货币基金怎么盈利的？
我们明确一下定义， 通常我们说的 “收益” 我们一般指“预期收益率” 而并非实际收益率（CPR） 在CFA教材中，把“预期收益率”称为“期望回报” 把“实际收益率”称为“真实回报” 之所以这么称呼，是因为它们其实代表不同时间区间的收益率，也就是所谓的“时序分布” 我们用一张表来展示两个指标的差异： 可以看出，在同一个风险水平下，“实际收益率”小于“预期收益率”； 而当实际收益率等于预期收益率时，“预期收益率”大于“实际收益率” 也就是说，当我们评价一个资产组合的报酬时， 通常先预测它未来的“预期收益率”，然后比较它过去的“actual return”是否达到或超过了预测值（当然，如果考虑了风险因素的话，两者应该能吻合起来）—— 这样，我们就可以给这个资产组合打上一块“优质”的标签了。 所以，理论上说，只要我们的预测能力接近于100%（这显然是不可能的，但是我们可以努力提高），那么我们就可以用“预期收益率”来完全替换“实际收益率”作为评估标准了。 那么，接着这个问题就转化成了另一个问题： 我们如何获得高预测准确率的“预期收益率”呢？ 这实际上是一个预测的问题，我们可以寻求两种路径：
第一是寻找一种“最优”的建模方式，比如我们可以采用人工智能里的神经网络或者机器学习的方法，建立包含诸多变量（可能还包括历史return、volatility等等）的多元回归模型，对下期收益率进行估算； 另一种就是寻找“最有效”的资产定价模型，目前最流行的是基于随机因子建模的方法，代表作品有Black-Scholes， Monte Carlo Simulation以及CAPM等，这些模型借助计算机的强大计算能力，通过模拟出未来可能的收益率情形，进而得到资产在每一种情形下的“预期收益率”
总之，无论是哪种方法，核心都是要构建一套数学模型，并且利用历史数据让模型去拟合现实状况，最终得到一个可接受程度上的“最高概率”预期收益率。 当模型搭建完毕之后，接下来就是要使用它了。 毕竟，我们学习经济学、金融学，最后都是为了能够更好地运用理论知识指导决策过程并实现利益最大化。
假设我们已经找到了合适的模型，现在需要解决的一个问题是： 这个模型是怎么赚钱的呢？ 我们还是以货币市场为例，假如我们构建了如下的利率期限结构模型： 我们要求该模型能够预测1个月之后的利率走势，并尽可能接近真实的市场回报。 然后我们对模型的预测情况进行检验，发现确实能达到要求，这时我们就认为该模型可以使用了。
接着，我们就要提问那个经典问题了： 到底这一串公式是怎么决定利率走向的？ 这其实是在问，模型参数是如何被赋予其值的？ 我们知道，任何一套数理模型都必须通过参数才能体现其内在的结构，否则就是一个无用的公式集合。而参数如果解释得清楚，那么这个模型就相当于找到了一套描述客观规律的方式。
举个简单例子，假设我们建立了如下关系式： y=ax+b 其中，y代表因变量（我们模型估计的回报率），x代表自变量（一些可能的影响因素，包括历史return、波动率等等），a和b代表参数。只要输入合理的数值给a和b，那么我们就可以通过解方程得到x的值，进而得到y的值。