基金经理持仓相似度与基金业绩

1、文献来源文献来源：Cohen, R. B. ,J. D. Coval , andL. Pastor . Judging Fund Managers by the Company They Keep. The Journal of Finance 60.3(2005).文献亮点：本文提出了一种新的度量基金经理投资能力的指标，通过判断投资行为相似的基金经理的表现（持仓相似或者持仓调整相似）来预测基金收益。通过使用过去一段时间的历史收益与持仓来计算指标去评估基金经理的投资能力，相比于传统的基于收益的指标更具预测能力。引言基金经理的投资能力是可以通过他们持有的公司来进行判断的。不同的人具有不同的性格特

2、征以及行为特点，这些很难通过直接的观察而获知，但我们可以通过其他与其行为类似的人的特征来推断出来。举例而言，如果一个无聊的旅客想知道关于麦当娜的故事，那么相比于和一个正在读华尔街日报的人交谈，他更应该与一位正在读国家询问报的人来聊天。这是因为后者这位读者很有可能更对名人故事感兴趣。当人们进行竞赛时，他们的成功率往往可以依据他们的技术进行预测，而他们的技术又可以基于他们历史的得分而获得。举例而言，假设有一队篮球运动员，他们分为两组，一组为使用双手投篮的选手，另一组为仅使用单手进行投篮的选手。他们两组分别投篮十次。到目前为止，可以观察到双手投篮的平均分数为 8/10，而同时，单手投篮的平均分数为

3、4/10。现在有两个选手，分别来自单手投篮组以及双手投篮组，他们的比赛进行到了一半，现在单手投篮以及双手投篮的选手的得分均为 4/5。假设现在需要你来猜测这两位选手，谁将能够在 10 次投篮之后获得更高分？尽管这两位选手的得分记录是相同的，但是猜测双手投篮的选手会赢也仍然是明智的。因为可以看到其余双手投篮的选手倾向于获得更高的分数，而这位单手投篮的选手很有可能在前 5 次投篮中比较幸运而已。与上述篮球运动员的例子类似，主动管理型基金经理在试图战胜其基准时，也会用到各种各样的技术。而这些技术往往对于某些基金经理群体而言是相对类似的。举例而言，基金经理尽管会通过不同的渠道来获取不同的消息，并使用不

4、同的评估方法，但是仍有一部分基金经理是使用类似的信息来源以及相似的方法。本文的基本假设就是，这些使用相似方法或者技术进行投资的基金经理可能会有相似的预期收益。然而，本文所举的篮球运动员的例子中，篮球运动员只有一个技术要领，而基金经理在管理他们的基金时有可能使用多种不同的技术，同时，这些技术往往不容易观测到。相比于试图探究他们所使用的的投资理论或者投资技术，本文将直接聚焦于他们的投资结果，这些可以从他们定期披露的组合信息来一定程度的反应出来。举例而言，假设一个给定的技术为购买被低估的股票，同时许多基金经理都使用这一策略。那么，本文来判断一个基金经理的能力是否能够选出好的股票的方式是通过他的投资决

5、策是否和其余成功的基金经理所一致。一种评估基金经理投资决策相似度的方法是通过比较持仓。举例而言，假设两个基金经理的历史收益都非常优秀，其中一个基金经理持有大量因特尔股票，而另一个基金经理持有大量的微软股票。假设因特尔股票现在被很多过去表现非常好的基金经理所持有，而同时，微软股票被过去表现不太好的基金经理所持有。那么我们有理由相信那位持有因特尔股票的基金经理更倾向于具有较好的选股能力。对于基金表现的度量，本文使用传统的 Jensens alpha。本文表明，本文的度量基金经理的投资能力为当前所有基金经理投资能力的加权平均。另一个比较基金经理投资决策相似度的方法是比较他们的交易。一个修改后的基于交

6、易的比较方法是通过比较不同基金经理持仓的变化来进行。传统的评估基金表现的方法主要是集中于度量基金的历史表现，例如 Jensens alpha（Jensen, 1968）或者夏普率（Sharpe, 1966）。由于很多基金的历史收益率都比较短，因此这些传统的度量方法往往不能比较准确。近期较多的研究主要集中在基于基金持仓的基础上进行度量。本文的行文主要按下面步骤进行。第一节介绍了本文的基金业绩度量方法，第二节讨论了这些方式是否可以有效的把握基金经理的真实投资能力，第三节展示了这种度量方法是否可以预测基金经理未来的投资业绩，第四节对本文给予总结。基金经理业绩度量方式本节介绍了两种度量基金经理投资能力

7、的方法来反应投资业绩，一个是基于基金经理的静态持仓，一个是基于基金经理对于股票的交易与那些成功基金经理的重合程度。基于持仓的度量方式假设共有 M 个基金经理，m=1, , M，且有 N 只股票，n=1, , N，其中每只股票都至少有一个基金经理持有。设表示第 m 个基金经理的投资能力（之后讨论细节），并且,为当前第 m 个基金经理所持有的第 n 只股票的权重。对于每一只股票 n 来说，定义其持仓质量 可以表示如下：= ,=1其中：, =1,股票 n 的质量由持有这只股票的基金经理的平均水平来定义，权重就是他们持有这只股票的持仓权重。高质量股票是指有较多业绩表现好，具有较高投资能力的基金经理所持

8、有的股票。因此，对于高质量股票的持仓权重越大，那么基金经理的投资能力越强，本文的度量方法可以由下式表示： = , =1总而言之，本文用于度量基金经理投资能力的方式是通过计算其持仓中所有股票质量的加权平均值来表征，而其中每一只股票的贡献，取决于该基金经理的持仓权重。为构建本文度量基金经理投资能力的方法，本文使用经过 OLS 进行回归之后的来代替上式中的： = , =1其中：= ,=1关于使用持仓变化计算出来的指标将于下一节进行介绍，本文将于第三节进行因子对于基金收益率预测能力的测试。基于持仓变化的度量方式上一节中，本文假设如果基金经理具有相似的持仓，那么将假设他们拥有相似的投资决策，而没有考虑他

9、们的交易情况。在这一节中，本文假设如果基金经理具有相似的调仓情况，那么他们的投资决策相似。因为交易还包含了交易的费用，因此交易所蕴含的信息将更强于被动持有所含有的信息。基金经理 m 的持仓在 t 时刻的表现可以表示为：, = ,=1其中，,表示股票 n 的收益率。本文定义的基金经理持仓权重变化公式，可以表示如下：1 + ,1 + , = , ,1,这里表述的是经披露持仓区间涨跌幅调整后的权重变化。本文使用标准化后的权重变化如下：+=,+ ,=+, =, , =,+ , ,其中，+ ( )为基金经理 m 买入（卖出）股票 n 的占比，并同时+ ( )为,买入（卖出）股票 n 的金额在基金经理 m

10、 中的占比。对于每一只股票 n，定义其质量如下：其中，= + + = + , + = , 其中，为前文提到的对于股票质量进行度量的因子。通过上面的构造，基于基金经理持仓变化，在此本文修正后的基金经理投资能力的度量指标如下：其中， = + ,+ = + , + = , 上式表示的是基金经理m 在近期买入股票的平均质量与近期卖出股票的平均质量的差值。其中，+ 为基金经理买入高质量股票的部分， 为基金经理卖出低质量股票的部分。本文的度量方法结合了上述这两种选股能力的方面，进行综合考量。模拟检验模拟检验的目的是评估本文的指标是否可以真正捕捉到基金经理真实的管理能力。检验结果本文测试了对基金经理表现不同

11、的刻画方法对于基金经理真实管理能力（）的效果，如图 1 所示：图 1：指标与真实能力秩相关性资料来源: Journal of Finance， 整理其中，每一组参数都是经过 10000 次模拟测试的平均值。对于 T=1 这一年，无论是还是，都比传统的度量方法得到的指标，相对于拥有更高的秩相关 性。举例而言，对于 300 个基金经理以及 30 只股票而言，以及的秩相关性分别为 0.44 以及 0.45，而只有 0.27。图 2：指标与传统因子相关性资料来源: Journal of Finance， 整理图 2 展示的是不同估计方法与传统方法构建指标的相关性。当 T 小于等于 30年时，以及相比于

12、传统因子与基金经理真实管理能力可以产生更强的相关性。举例而言，当 T=10 以及 M=N=30 时，以及相对于真实管理能力的相关性为 0.77，而传统因子仅为 0.68。图 3：不同方法估计的标准误资料来源: Journal of Finance， 整理图 3 展示的是不同估计方法所产生的的标准误（MSEs）。标准误计算的是基金经理的评价指标与真实管理能力之间差额的平方项。可以看出，本文构建的指标相比于传统度量方法可以产生更小的标准误。图 4：不同度量方法与真实能力偏离度资料来源: Journal of Finance， 整理图 4 画出了不同刻画方法相比于基金经理真实管理能力的偏离度，正如我

13、们所看到的，本文所构建的刻画方式对于捕捉基金经理的真实能力更具有实用性，对于具体应用将于后面进行说明。实证检验模拟回测检验的结果表明本文所构造的指标以及相比于传统指标更能够 准确的捕捉基金经理的真实管理能力。如果上述成立，那么以及应该相比于传统指标更能预测基金收益率。在这一节中，将在大量样本下，对上述这些指标对基金未来收益率的预测能力进行测试。数据基金收益率的数据来源于 Center for Research in Securities Prices(CRSP)。这些数据都是使用的费后净值，基金经理的持仓数据来自 SEC 数据库，其中每年公布两次，但多数基金每个季度就会披露一次持仓。对基金收益

14、的预测性在每个季度的开始，本文计算传统指标对于基金过去至少 12 个月的收益率进行回归后所产生的的超过无风险收益的部分，再分别计算本文所构建的指标以及对于基金收益率的预测性。图 5：因子十档分组检验资料来源: Journal of Finance， 整理从图 5 可以看出，所有三种指标的构建方法均可以对基金未来收益率进行较好的预测。其中基于 Fama-French 回归检验的传统指标的十档分组多空收益为年化 5.2%，与此同时，的多空年化收益率为 7.4%以及的多空年化收益率为 4.5%。图 6：基于过去 12 个月对第一个指标的双排检验资料来源: Journal of Finance， 整理

15、图 6 以及图 7 都是对第一个指标的双排检验，目的是剔除传统指标之后，检验该指标是否还对基金未来收益率具有预测性。可以看出，在剔除传统指标之后的五档年化多空收益率从 2.4%到 4.4%，这表明在剔除传统指标的影响之后，仍然可以提供较高的收益，其中统计 t 值从 1.94 到 3.21。因此，具有传统指标所不包含的信息。同样的，本文也检验了传统指标在剔除之后的五档多空年化收益率，可以看到平均而言，每年的多空年化收益不到 1%，并且不显著。这说明传统指标所包含的信息，在中已经包含了。图 7：基于全部基金收益对第一个指标的双排检验资料来源: Journal of Finance， 整理本文同样对

16、以及传统指标也做了双排检验，具体的检验结果如图 8 以及图9 所示：图 8：基于过去 12 个月对第二个指标的双排检验资料来源: Journal of Finance， 整理图 8 以及图 9 都是对第二个指标的双排检验，目的是剔除传统指标之后，检验该指标是否还对基金未来收益率具有预测性。从结果上看，相比于第一个指标只弱了一点点。可以看出，在剔除传统指标之后的五档年化多空收益率从 1.2%到 1.4%，这表明在剔除传统指标的影响之后，仍然可以提供较高的收益，其中统计 t 值从 2.31 到 2.73。因此，具有传统指标所不包含的信息。同样的，本文也检验了传统指标在剔除之后的五档多空年化收益率，可以看到平均而言，每年的多空年化收益从 1.3%到 2.1%，整体而言，其统计 t 值呈现略显著。图 9：基于全部基金收益对第二个指标的双排检验资料来源: Journal of Finance， 整理结论本文提出了一种新