在現代金融市場中，基金持股資料提供了觀察機構投資人投資組合配置與跨期調整行為的重要依據。由於共同基金持股並非單一標的選擇，而是由多個證券組成之投資組合，因此本研究將基金下一期持股組合預測問題轉換為下一籃推薦(Next-Basket Recommendation， NBR)任務，並探討深度學習模型在基金持股序列預測上的應用效果。本研究使用 CRSP 共同基金持股資料，建構 2014 年至 2024 年之基金季度持股資料集。研究中將基金投資組合代碼視為使用者，將證券識別碼視為項目，並將同一基金於同一季度之持股組合依時間順序建立為基金持股序列。經前處理後，本研究資料包含17，203 檔基金、56，214 個非BOND持股標的，以及 457，970 個基金季度持股組合。模型架構採用 DNNTSP 作為核心，並設計四種模型版本進行比較，分別為 ID-only、ID + Stock Feature、ID + User/Fund Feature，以及 ID + Stock + User/Fund Feature。股票層級特徵包含中期動能、短期反轉、市值規模、流動性不足程度與波動度；基金層級特徵則包含基金 NAV 變化率、基金波動度、基金規模、費用率與週轉率等資訊。實證結果顯示，四種 DNNTSP 模型在 Precision@K 與 Recall@K 上表現相當接近。相較於 ID-only 模型，加入股票層級特徵或基金層級特徵後僅帶來小幅變化，而同時加入兩類特徵後並未進一步提升整體表現。進一步分析發現，基金持股組合具有高度跨期延續性，前一期持股基準模型在測試集上取得相當高的表現，顯示上一期持股組合本身即為預測下一期持股組合的重要訊號。此外，部分持股紀錄無法對應至股票特徵資料表、基金層級特徵粒度較粗，以及歷史持股序列與項目嵌入向量已能捕捉主要共現關係，皆可能限制外部特徵對整體預測表現的邊際貢獻。本研究結果顯示，基金持股組合預測是一個高度受持股延續性主導的下一籃推薦任務。外部股票層級特徵與基金層級特徵雖可提供額外資訊，但在整體 Precision@K 與 Recall@K 評估下，其改善幅度有限。本研究結果可作為後續金融下一籃推薦研究之參考，並指出未來可進一步針對新增持股、高換手率基金、低持股延續性樣本，或更完整的特徵覆蓋率進行延伸分析。;Mutual fund holdings data provide a direct view of institutional investors’ portfolio allocation and adjustment behavior. Since fund holdings consist of multiple securities rather than a single asset， this study formulates next-period fund holdings prediction as a Next-Basket Recommendation (NBR) task. Using CRSP mutual fund holdings data from 2014 to 2024， this study constructs quarterly holdings sequences by treating funds as users， CUSIPs as items， and each fund-quarter portfolio as a basket. After preprocessing， the dataset contains 17，203 funds， 56，214 non-BOND CUSIPs， and 457，970 fund-quarter baskets. The study applies DNNTSP and compares four model variants: ID-only， ID + Stock Feature， ID + User/Fund Feature， and ID + Stock + User/Fund Feature. Stock-level features include momentum， reversal， size， illiquidity， and volatility， while fund-level features include NAV change， volatility， fund size， expense ratio， and turnover ratio. The empirical results show that all four DNNTSP variants achieve similar Precision@K and Recall@K performance. Adding stock-level or fund-level features leads only to marginal changes， and combining both feature types does not further improve overall performance. Further analysis shows that fund holdings exhibit strong persistence across periods. The last-quarter baseline performs strongly on the test set， indicating that prior holdings are already a dominant predictive signal. Overall， this study finds that fund holdings prediction is highly driven by holdings persistence. Although external stock and fund features provide additional information， their marginal contribution under overall Precision@K and Recall@K evaluation is limited. These findings provide an empirical reference for future financial NBR research， especially for analyses focusing on new holdings， high-turnover funds， low-persistence samples， or improved feature coverage.
