传染的资金：基于网络结构的资金流量及业绩影响研究

《传染的资金：基于网络结构的资金流量及业绩影响研究》由会员分享，可在线阅读，更多相关《传染的资金：基于网络结构的资金流量及业绩影响研究（63页珍藏版）》请在装配图网上搜索。

1、传染的资金：基于网络结构的基金资金流量及业绩影响研究传棒的资会:基于网络结构的基会资会硫量及止绩影响研究中阁会融财政伦坛传染的资金:基于网络结构的基金资金流量及业绩影晌研究*口刘京军 苏楚林- 54-摘要:资本市场的传染性是金融市场关注的重要问题之一。本文通过建立基金网络、利用空间计量方法考寨了基金资金流量的网络溢出效应以及对基金业绩的影响。具体而言，以 2005-2014 年中国开放式基金数据为样本，通过基金重仓持股数据建立基金网络，借助于空间计量模型检验了基金网络之间的资金流量溢出效应。结果显示:基于基金网络，基金之间的资金流量具有显著的溢出效应，基金网络带来的资金流量与基金的超额收益率显

2、著正相关，零成本组合文易策略的年超额收益率达到 6%。这些发现意味着，基金网络结构对基金的资金流量具有重要影响，同时也可以给基金带来显著的业绩增长。结果表明，基于重仓持股的网络结构促进了机构行为的一致性，本文的研究有助于对机构羊群行为的理解，也有利于加深对资本市场的认识。关键词:基金网络资金流机构投资者一、引言金融市场上存在广泛的网络联系如社会网络 (Hong et al. 2005; Cohen et al., 2008 ; Pool et al., 2012 ， 2014) 、投资者网络 (Pareek. 2012; Blocher. 2014; 肖欣荣等 .2012) 以及供应链网络关系

3、 (Cohen and Frazzini , 200肘，个人或者机构不仅可以通过网络参与市场、传递信息以及相互观察和学习，而且通过不同的网络渠道传递信息和交换资本。投资者网络的存在使得风险或者资产价格直接或者间接传染。例如 2011 年 12 月，重庆啤酒的乙肝疫苗试验失败，股价暴跌，重仓持有该股票的大成基金管理公司旗下基金出现大量赎回 o 2011 年 12月重庆啤酒事件中相关基金如重仓持股的大成核心双动力基金赎回 50% ，同时不持有重庆啤酒的大成策略回报出现了 23%的净赎回 O 即使对于非同一基金公司不持有该股票，但是与大成核心动力资产组合相似的基金万家精选也出现 5%的净赎回，而同期

4、股票开放型基金净申购率约 3%。这个案例说明因为持仓相似在资产价格遭遇风险时候导致基金资金流量存在传染。由于金融机构面临共同的基本因素如资产价格、产品供给与需求等，因此如果发生危机或者面临风险的金融机构影响资产价格变化以及产品供求关系等因素时，将会使得其他机构的资产价值下降，从而使得传染蔓延 (Kiyotashi and Moore. 1997) 0 以网络结构考察资本的传染目前集中研究见于系统性风险以及银行间市场的研究，如基于资金流向表考察系统性风险对宏观经济的冲击(Allen et 址， 2008 ; Allen et 址， 2010 ，宫晓琳、汗江， 2010) ，然而鲜有学者基于网络分

5、析机构投资者之间的传染行为。研究发现机构投资者对资本市场如股票同涨同跌现象(王亚平等， 2009 )、股价崩盘(许年行等， 2013 )等现象均有显著影响，这种行为是如何产生的目前缺乏相关文献研究。本文认为，理论上由于机构投资者之间存在*本文得到同家自然科学基金 (No.71231008 、 No.71501050 、 No.71571195 )、广东省自然科学杰出青年基金项目 (2015A030306040) 的资助。某种联系如信息共享以及基金管理者的社会属性网络，基金或者其管理者通过网络可以共享信息，而且在投资行为上相互模仿或者在投资策略上相互借鉴，从而在资本市场上产生正反馈作用，导致基金

6、之间的行为一致。作为理解和分析经济和社会现象的主要工具，基于网络结构考察基金资金流量及其影响具有重要的理论和现实意义。基于上述考虑，本文以 2005-2014年中国开放式基金季度持股数据，构造了重仓股持股网络以及持股相似性基金网络矩阵，借助于空间计量模型考察基金资金流量的传染效应。研究结果表明，处于网络结构中的基金之间的资金流量存在显著的正溢出效应。进一步的分析表明，这种溢出效应可以显著的影响基金业绩，结果表明基于重仓股的投资者网络是资金传染的重要渠道。本文的研究有助于加深对机构行为一致性如羊群行为 、拥挤交易以及与机构投资者相关的股市崩盘行为、股市同步性的理解。本文基于网络结构考察我国基金资

7、金之间的传染性，研究贡献主要体现在:第一 ，现有关于资本传染主要关注系统风险如银行间的传染模型，本文以基金资金流量考察微观个体之间的传染途径问题，为研究机构投资者的行为一致性提供了一个新的视角 O 本文借助于网络结构考察资本的传染性，丰富了对风险传染以及资本市场的认识 。 第二，目前关于机构投资者的研究文献对其网络结构的关注不足。本文基于网络结构视角研究机构投资者的网络关系拓展了机构投资者领域的研究，并且本文不同于以往单独考察基金业绩与基金资金流量的关系研究，而是从资本传染渠道分析基金资金流量的相互影响，有助于进一步认识机构技资者的交易行为 。 第三 ，在研究方法上借鉴空间计量模型考察金融市场

8、网络结构的机制与影响，将空间计量方法扩展到金融领域的应用，极大地拓广了空间计量这种模型的适用性 O需要强调的是本文构造的网络结构是动态变化的，因此在空间矩阵的构造上是动态变化的，不同于以往经济计量中的固定加权短阵，扩展了空间计量模型的应用范围 o 第四，本文扩展了国内外关于基金历史业绩与资金流量的关系 。 国内外文献在考察业绩一资金流动时候，较少考察投资者管理世界>> (月刊)2016 年第 1 期的网络位置带来的网络溢出性以及业绩影响 。 本文的研究发现基于网络结构资金流量具有网络外部性，这种资金流量的网络外部性可以导致基金业绩增长，为智钱效应再次提供新的注解，这一发现丰富了基金

9、研究中基金业绩与资金流量以及机构投资者行为等领域的文献。本文的以下结构如下:第二部分为文献综述与研究假设，分别从机构投资者网络结构的组成 、 网络结构的作用以及与本文相关的机构投资者的文献进行了综述;第三部分是研究设计，提出了本文构造的网络结构矩阵以及相关模型、估计方法以及主要变量;第四部分考察了实证研究结果;第五部分为稳健性检验;第六部分为研究总结。二、文献综述与研究假设社会网络学说的基本假设是经济体中的单位体是相互依存的，处于彼此关联的网络中(李培馨等， 2013 ) 。 与此相一致， Tirole ( 1986 )指出，组织其实是各种合同及其彼此关联关系的网络集合，机构投资者或者基金作为

10、经济体中的单位组织也有其网络集合，与机构投资者相关的网络结构主要有概括为 3 种类型 。第一种网络结构为市场参与者的社会性质属性构造成的网络，即社会网络 。 例如 Cohen 等( 2008)考察了基金经理与上市公司董事会成员的校友关系的影响，发现基金经理与董事会成员之间如果存在校友关系，基金经理的投资组合中对于该公司的资产配置较多 。 Hong 等 (2005 )发现，相比异地的基金经理，同城的基金经理更倾向于买入或卖出同样的股票，地理因素的背后反映了基金经理之间更倾向于面对面;口语相传;的交流方式，这也证明了投资者网络的存在性 。 Pool 等(2012 )以基金经理的居住地考察基金经理在

11、资产配置方面的影响，发现基金经理对本地的资产配置较高 。 进一步他们以同城的基金经理的资产组合交易发现，同城的基金经理在资产配置、买卖行为上具有高度的一致性 (Pool et al. ， 2014) 。第二种网络集合是业务关系上的网络 o 例如投资银行和投资者之间的关系、金融市场上买方与卖方的关系 (Cohen et al., 2010 ) 0 Reu ter ( 2006 ) 考察 IPO 配售中投资银行与基金公司结成利益联- 55-传棒的资会:基于罔络结构的基会资会流量及此绩影响研究中阁会融财政怆坛盟关系，发现与投资银行商业关系紧密的基金公司获得的 IPO 配额较高。 Firth 等 (2

12、013 )以基金公司在证券公司的交易费用作为买方对卖方的商业联系，考察了证券公司分析师对于基金公司持股的荐股的影响。另外基于供应链网络， Cohen 和Frazzini ( 2008 )考察客户一供应商之间的股票收益率之间的联系，发现基于这种联系的股票之间的消息在市场上并不能充分反应，基于此构造的交易策略能够获得显著的超额收益O第三种网络关系体现为基于投资标的联系，如共同持有股票或者债券构成的投资网络 O 例如2008 年金融危机期间，机构投资者持有大量的次级债务而导致金融市场上相关债务被抛售 O 中国国内的如重庆啤酒疫苗事件、酒鬼酒的塑化剂问题导致的被抛售事件引发的股价崩盘案例都与机构投资者

13、之间的传染性有联系。许年行等 (2013 ) 的研究表明，机构投资者的羊群行为可能导致股价崩盘，这种效应同样体现为基于重仓股机构投资者之间的网络传染行为。肖欣荣等(2012 )根据投资者网络分析机构投资者行为的传染，研究基金经理的行为传染是否与来自基金经理网络中的私人信息有关，还是受公开信息影响，并利用重仓股票的网络密度研究基金的网络结构是否影响股票的动量或反转效应，然而他们发现机构投资者的重仓股并未显示出明显的动量或反转效应。社会网络学说也认为，处于网络结构中的任何行动者会对决策产生影响，其他行动者的态度信念、行为等都会影响此行动者的决策 O 理论模型上也证明其行动不是完全独立自主的选择，而

14、是通过各种正式的和非正式的、直接的或间接的社会网络关系互相影响和传播 O 金融市场中网络的作用如何体现呢?首先网络具有信息获取或者传播的作用 O 社会网络是投资者之间信息交流的常见途径。对于机构投资者而言，私有信息是影响其持仓行为主要原因 (Bushee and Goodman , 2007 ; Kacperczyk et 址， 2005 , 2007 ;申宇等， 2013) ;同时机构投资者存在社会关系或者投资者网络，他们彼此之间会存在信息传递，例如受到同一分析师的影响或者明星基金经理的投资组合决策信息的影响，因此重仓持有相同股票的基金经理之间彼此存在联系- 56-(Pareek , 201

15、2; 肖欣荣等， 2012) 0 Han 和 Yang(2013 )也认为网络结构是传递信息的主要途径，他们发现，如果信息是外生的，这种信息传导会使得市场更有效率;如果信息是内生的，资本戚本、交易量以及财富都显著与信息外生程度高度敏感。在实证研究方面，基于调查问卷的研究发现基金经理倾向于与持有相同股票的其他基金经理进行交流，并且其投资决策受到他们的影响(Shiller and Pound , 1986) 0 1 vkovic 和 Weisbenner(2007 )研究了家庭购买股票的行为，发现居民与其邻居购买股票之间存在显著的正相关关系，这说明邻里之间的信息交流对家庭投资行为产生积极的影响 O

16、 从基金经理的个人特征如地域特征出发， Hong 等 (2005 )发现同城的基金经理之间也存在信息交流方式。其次网络会影响投资者的投资行为。 Pareek(2012)检验了信息网络对共同基金的交易行为和股票回报的影响，发现网络中的基金经理羊群行为明显，并且这与他们的投资风格无关。 Colla 和Mele (2010) 的研究发现，在网络中关联比较紧密的投资者，他们之间的投资行为是显著正相关的，而网络中比较分散的投资者之间有负相关的交易行为。 Pool 等 (2012 ， 2014)进一步发现同城基金经理在股票持仓以及交易方式上具有相似性。这些研究都表明网络关系往往会强化或者导致机构投资者的交

17、易策略行为一致性O最后网络结构会影响资产价格 o Ozsoylev 和Walden ( 2011 )研究发现信息通过股票市场上的投资者网络扩散从而影响股票价格。如果投资者网络是相对稳定的，并且投资者能在网络中其他人交易之前有所行动，他们一般都会获取较高收益。实证研究中 Ozsoylev 等 (2014)也发现了网络结构会影响资产价格 O 近些年的研究逐渐开始考察传染对于资产价格的影响 o Giesecke 和 Weber(2004 )认为，由于金融机构持有相同的资产，因此如果处于危机或者发生风险的金融机构影响抛售资产价格时，将会使得其他机构的资产价值下降，从而使得传染蔓延。 Kodres 和

18、Pritsker ( 2002 )提出了跨市场技资再平衡效应，这种效应指如果某个市场受到外部冲击，投资者会调整其他市场上的投资组合，在调整投资组合时会冲击其他资产，造成其他资产价值下降从而使得危机蔓延。对于机构投资者而言，他们的交易行为会对资产价格产生影响( Yan and Zhang , 2009 ;刘京军、徐浩萍，2012; 史永东、王谨乐， 2014) ，而且 Pollet 和 Wilson(2008 )发现，当共同基金面临资金流入或流出的时候，倾向于按比例扩张或者收缩其现有的持仓组合资产(刘京军、吴英杰， 2011) ，从而影响到资产价格变化，如果处于网络结构中的基金行为一致，自然这种

19、行为一致性会影响资产价格。另外与本文相关的文献是关于基金资金流量的文献。长期以来考察基金业绩与资金流量的关系一直是这方面的研究主题(肖峻、石劲， 2011 ;申宇等， 2013 )。国内研究这方面的文献集中考察基金赎回与业绩之间的关系研究。然而这些研究在考察业绩资金流量时并没有考察基金之间的相互影响行为，本文引人基金网络通过空间计量模型进一步扩展了这方面的研究。从文献综述看来，基于社会网络或者投资者网络考察机构投资者仍然是金融学中的热点问题，这主要因为网络结构是分析社会和经济现象的重要手段。同时由于网络结构具有自然的内生性问题，如何构造工具变量以及适当的估计方法进行检验策略一直是经济学和金融学

20、中的难点和热点问题。本文采用标准的空间计量经济学模型考察此问题，空间计量模型在税收竞争、政府支出竞争上得到普遍应用( Brueckner , 2003 ;郭杰、李涛，2009; 龙小宁等， 2014) ，然而鲜见于金融学领域研究 O 为此，本文主要待验证的假设如下 OH1 :基于投资者网络，基金之间的资金流量具有传染性，即正的溢出效应。H2: 基于投资者网络的资金流量对资金的业绩具有显著的正的影响 O三、数据、变量以及研究设计(一)样本选择与数据来源本文采用数据来自于 WIND 数据库中开放式基金的数据，样本期间 2005 年 1 月 -2014 年 12 月。根据本文的研究特点，对样本进行了

21、如下处理:(1)以股票型开放式基金和偏股型开放式基金作为研究对象，并且只考察主动型基金，删除指数型、增强指数型基金等被动型投资基金。 (2)剔除管理世界) (月刊)2016 年第 1 期掉成立年限不足一年的基金;这样本文最终得到11243 季度观测值的有效非平衡面板数据。(3)在考察基金的业绩影响时候，根据研究惯例，本文要求样本基金至少有 24个月以上的历史净值数据，这样在收益率分析中的有效样本数据共计 25743个月度数据。基金的净值数据来源于 CSMAR数据库。 (4) 向时，由于我国少数基金存在;停止申购;、;停止赎回;的现象，在稳健性检验中将这部分基金删除，得到的结果并没有实质性改变

22、O 另外，本文采用空间计量方法基于基金网络估计传染效应，在稳健性检验中，将部分;孤岛;基金删除，得到的结果并没有实质性改变。(二)基金网络定义与度量根据 Pareek (2012)和肖欣荣等(2012 )的研究，基金通过其持有的股票存在联系。因此本文假设两只基金重仓持有相同的股票则它们之间存在关联。首先定义重仓持股网络矩阵 WJ 如下:(WZOO5 0 0 0 0 1 0 W26 0 0 0 1 W =1 0 0 0 0 1 1 0 0 0 WZ0l3 0 1 . 0 0 0 0 W Z0l4 ) 这里 W2阳， ， W:川表示样本中 2005-2014 年之间基于每季度重仓持股构造的投资者网

23、络，其基本元素 Wij定义为:| 基金1与基金1在t-1期至少同时持有11 一只或以上的股票但是不属于叫 1=1 同一家基金公司十。其他需要说明的是矩阵 W棚， ， W:川的对角线上的元素均为 0。由于每季度基金的持仓总是不断变化的，因此这样定义的矩阵 W， 是随着时间变化的非平衡矩阵，按照通常做法对矩阵行标准化。虽然基于重仓持股的持股网络矩阵职能够描述基金之间的网络关系，但是简单的 0-1 描述关系说明网络中基金的对其他基金的权重影响是一致的，这样有失偏颇，同时可能导致估计存在偏差，因此本文基于重仓股持股比重考察持股相似性矩阵(Blocher ， 2014) 。为避免内生性问题，持股相似性矩

24、阵网络基于前期的持仓数据构造飞假定 hit- ，为基金 E 在第 t-1 季度的重仓股持仓市值占基金资产净值的比例向量，维数为 k， x1 ， l 为 t-1 期股票- 57-伶棒的资会:基于闯络结构的基会资会流量及此绩影响研究中国会融时政疮坛的个数 。 儿:，- 1 中第j个元素为基金 i 在第 t-l 季度中持有股票j 的市值占基金总净值比例 。 定义在第 t季度，基金 i 和基金j之间持股的相似程度定义为:hit-1hjt-l S;il卢=仄1汇1其肿舶中轧， h儿牛a金 i 和基金J 的持股相似性实质上就是两者的持仓向量的夹角，将矩阵按行标准化，得到第 t期的权重矩阵帜，即叫.1 句j

25、s，扣，因此得到刻画重仓股相似性结构的空间加权矩阵珉，同样对角线上的元素仍然为 0。 同样类似于职，由于基金持股是季度变化的，因此相应的每一期的空间加权矩阵W，也是变化的 O 与文献中常用的平衡面板固定空间加权矩阵不同，此处的空间加权短阵不但是动态变化的，而且数据是非平衡的 。 动态变化的空间加权矩阵能够更好反映基金之间随时间变化的网络结构 ，更好地刻画了基金之间相互影响程度的动态变化，但也增加了矩阵构造和模型估计的难度 。( 三)模型设计和估计方法基于如上构造的基金网络矩阵 W， 和矶，下面借鉴空间计量模型的方法建立模型如考察基金之间通过网络结构的传染效应，模型如(1)所示:卢Wit= WI

26、(是 ， i )卢。问 +X;?+， + it ( 1) 其中 ，卢ow， 为第 t 期的基金流量 ， W， (k ，i) 是对角线为 O 的网络矩阵 ， X为控制变量，表示不随时间变化的个体效应， 8，为扰动项， 8i，-N( ，扩)。另外本文控制住基金类型和时间效应，这种模型在空间计量中归类为空间滞后模型 (SAR) ，广泛应用于地方政府竞争、政策互动等描述个体相互影响或者相互竞争等关系的研究 。 模型参数p为空间滞后项的回归系数，空间滞后变量以及空间权重能够反映处于网络结构中的基金之间的资金流量的传染性。空间滞后项系数p是本文关心的核心参数，进行实证研究的主要目的是估计p以及检验其是否大

27、于零。如何估计该模型是本文面临的问题，这里借鉴空间计量模型方法考察该模型的估计问题。 根据Anselin (1988) ，引人空间滞后项的固定效应模型在估计上存在两个问题。 首先，即10肌违反了古典- 58-模型的外生性假定，即误差项与空间滞后项存在内生性问题，其次样本之间的空间相关可能会影响固定效应的估计。因此本文以 Elhorst (2014 )给出最大似然估计方法对模型(1)进行估计，模型(1)在固定效应下对应的对数最大似然函数为:LogT log log( 2m,.2) + Tlogl IN 一川l唱 N T - 02 L.: (j1uwu-Wi卢ow， -x;?-f1l白 i= 1

28、l=1 考虑了 Wflow， 内生性，对似然函数关于求偏导得到:aLugL 1 击寸 主J卢叫 W，卢OW1-X'I? ，) 严t t丁=0 , i= 1, , N 由此可以解出:纠=+去向J 川卢叫-Xit?)， i= l , . ,N 将上式代入对数似然函数，整理后可得到中心化的对数似然函数:LogLC=-手w峭的+Tlogl 川N T -zfE22(卢叫一W，卢叫 -X，?)2'-'l I l 上式中星号的含义是对变量进行去时间均值处理，即:;1 T ., T 卢叫=卢叫一珞卢OWil ， Xi=几 -十三 x; (2) 然后将卢ow 和 (IT W)卢ow

29、 分别对 X'普通最小二乘法回归，从而得到各自对应的回归系数 b。和b, ， 以及各自的残差矿。和扩， ，其解析形式为:e? =(I-X气X'XT1X)卢oz扩ej= (I-X(X矿X丁 lX'')(!y W)卢uw'同时p的最大似然估计量可以通过最大化中心化的如下对数似然函数计算得到:Lo=c-EFw峙?1 -pe;f(丙丁叫+TlogIIN wl 其中 C为与p无关的常数。 这个最大化问题只能通过数值方式求解，无法得到的解析解，不过中心化的对数似然函数关于是凹函数，因此数值解是唯一的 。 在得到的估计量之后，和旷的估计量可以通过如下公式计算

30、得到 :卢 = bo 一 卢b 1= (XT X*(XT(卢0旷 -p(IT w)卢0旷) 忐(e一叫(e -pei) (四)主要变量以及控制变量参照国内外文献通常的做法 (Sirri and Tufa-nao , 1998 ; Zheng , 1999; Kempf and Ruenz , 2008 ;肖峻和石劲， 2011) ，本文根据以下公式计算基金流量jlow川卢OWit = (TNA it - TNA i,t-l x(l 十 R，t)/TNA ， .t一 I其中 ， TNA;为第 t 季度基金 i 的净资产总额 ， Rit为第 t季度基金 E 的原始回报率。与基金资金流入量或资金流出

31、量相比，通过这种方式定义的卢OW能够剔除了基金规模对于资金流动的影响。需要指出的是，这里剔除了由于投资收益带来的净值增长，并且假定资金流入全部发生在季末。另外根据构造的投资者网络矩阵矶和珉，分别构造基于网络的资金流量变量 W1xjlow 和 W2月ow ， 即:W1 x卢OWi，t = Wl.1ktflO问wzx卢OW'.t 二三JW2 由卢OWkt基金网络 W与各基金之间的资金流量的乘积向量 Wxjlow 称为基金资金流量的空间滞后变量，反映了通过基金网络的其他基金资金流量的加权平均。在控制变量方面，已有研究成果 (Sirri and Tu-fano , 1998; Kacperc

32、zyk et al., 2007; 肖峻、石劲，2011)都表明，基金的资金流量与历史业绩之间总体上存在显著的正相关关系，基金投资者存在着;追逐业绩;的现象。本文采用滞后一期的季度原始收益率(Ret)做为历史业绩的代替变量 o Cheva-lier 和 Ellison ( 1997 )、 Chen 等 (2004)均发现土期的基金规模 (Size)与下期资金净流量负相关。 Sirri 和Tufano ( 1998 )、 Massa ( 2003 )等研究发现大型基金家族旗下基金 (Famsize) 能够吸引更多的资金流入。为了避免潜在的多重共线性，本文参考了Kempf和 Ruenzi ( 20

33、08 )的做法，在计算家族规模时减去本基金的净值规模。另外资产风险也影响投资者的投资行为，为了衡量基金投资风险，本文以基金过去 3个月回报率的标准差做为基金风险的代替变量(VoZ) 0 相关文献也发现基金的历史分红会影响到基金的资金流量，同时投资者可能更愿管理世界) (月刊)2016 年第 1 期意选择分红率高的基金 (Chen et al., 2004 )。因此本文也将基金前期分红 ( Divid)纳入控制变量。考虑到我国股票市场波动性较高的特点，不同年份市场行情存在的差异很大，可能影响基金的资金流量，例如，牛市年份基金可能出现较多资金流入而熊市年份则相反，因此有必要加入年度虚变量来控制年度

34、固定效应的影响 O四、实证结果分析(一)描述性统计结果表 l 报告了主要变量的描述性统计。表 1 的第一部分描述了主要变量的基本统计量，总体上看基金表现出资金净流人，但资金流量的最大最小值相差非常大，说明基金之间的资金流动差异较大。基金季度原始收益率平均达到1.0249毛，基金规模均值为 36亿元，基金规模最小为 0.067 亿元，最高达到 447 亿元，基金家族最大规模超过 1800亿元，说明基金家族之间的规模比较不平衡。同时根据构造的网络矩阵 W1 和矶，与相关主要变量相乘后得到基于网络结构的相关变量，主要描述性统计结果分别列示在表 l 的 Panel B 和 Panel C 中 O 基本

35、描述性结果表明，基于网络结构的 W， x卢ow 和 W2明ow 最大值与最小值之间表现出较大的表 l 主要变量的描述性统计变量 均值 标准差 最小值 最大值Panel A 主要变量卢UI 0.029 1.149 -2.331 66.632 Size( 亿兀) 36.161 44.079 0.0岳7 447.354 Age( 年) 4.429 2.522 1.000 13.285 Ret(%) 1.024 4.056 -14.083 18.490 Divid 0.087 0.261 0.000 3.100 Vl 0.062 0.022 。.004 0.156 Fmsize(亿元) 292.433

36、 273.537 0.105 1803.142 Panel B 基于网络矩阵帆的主要变量W1xFlow 0.011 0.680 -1.789 42.332 W，xSize(亿兀) 35.723 33.351 0.000 375.008 W,xAge 4.323 1.849 0.000 13.285 W,xRet(%) 。.892 3.700 -9.780 15.660 WIX1 0.060 。.024 0.000 0.156 W,xDivd 0.082 0.199 0.000 2.350 W，xF，m.ize( f.乙兀) 288.255 274.657 0.0 1803.12 Panel C

37、 基于网络矩阵矶的主要变量W,xfloUl 0.016 0.248 -0.545 4.612 W，xSize(亿元) 39.260 21.792 0.000 145.670 W,xAge 4.545 1.177 。.000 8.572 W二xRet(%) 0.976 3.747 -7.891 11.993 W，x v.l 0.062 0.019 0.000 0.120 W,xDivd 0.087 0.1 62 0.000 1.133 W2xFamsize( 亿兀) 306.028 106.954 0.000 878.61 - 59-侍丢在的资会:基于网络结构的基会资会硫量及.:Jk.绩影响研究

38、中国会融财政峰坛差异，说明基于网络结构资金的溢出具有差异性，因此对于基金业绩的影响需要进一步深入研究O(二)基金资金流量的传染性检验1.空间相关性检验以及模型检验在利用空间计量模型考察基金资金流量的传染性之前，首先进行 Moran'自 I 空间相关性检验和LM 空间误差相关性检验。 Moran's 1 指数能够从空间网络整体上刻画观测值的集聚情况 O 由于本文的数据特征是动态的，因此采用面板数据情形下的 Moran's 1 统计量:J=e'We/e'e 其中 ， e=忡-X(x'xtX')Y:=MY , 1 的均值为:E(

39、J) =trace (MW)/( NT -k) I 的方差为:v (I) =tr(MWMW')十川叫MWMW)十(tr ce(MW)iJ/(NT一均(NT-k+2)一 (E(J)2因此，在大样本情形下，J-E(J) z= 一=二二N(O ， 1) 吨 V(J)根据以上公式，当选取根据重仓股持仓网络W， 得到的 Z值为 3.4 0 当选择基金持股相似矩阵W，得到 z值为 12.90。因此不存在空间相关性的原假设被拒绝，基金流量之间存在着空间相关性，这也说明了引入空间计量模型的必要性，同时表明本文构造的网络结构的确是存在的 O 另外空间计量模型经常面临空间滞后模型 (SAR) 和空间误差

40、自回归模型 (SEM) 的选择， Burridge ( 1980 )提出了检验空间误差相关性的截面LM统计量 LME' 而 An?selin ( 1988 )提出了检验空间滞后项的截面 LM 统计量 LML' 分别将其扩展到空间面板模型就可以得到:(e'We/(e'eINT)2 LM; 二 tr而 +WW)IJ(r!WY/(glr/NT)2 一(W?)MW?) 只2 十U仰TL 十 WW) 其中 e 为不带空间效应的回归残差 ， Y为对应的拟合值 ， W 为空间加权矩阵，而 M=JNT-X(X'X)-IX'， 这两个统计量都渐进服从矿

41、(1)。同样- 60-对于网络矩阵职，其LME=23.97 ，而 LML=19.77 , SAR 的对数似然函数值为-7106.2915 ，而 SEM 的对数似然函数值为一769 1.9926 0 而对基于基金持股相似性矩阵肌其LME=364.97 ，而 LML=314.47 ， SAR 的对数似然函数值为一6266.3899 ，而 SEM 的对数似然函数值为一6846.5932 0 无论从 LM统计量的显著性水平还是从对数似然函数值看，应该选择 SAR模型 O2. 回归分析结果为了考察基于网络结构考察资金的传染性。本文分别在模型(1)以重仓股矩阵 W， 以及持股相似矩阵 W，估计模型结果。表

42、 2 给出了估计结果，分别是对应两个不同的矩阵，模型(1)-模型 (2)没有控制时间效应和投资类型效应 O 模型(3 )-(4)在估计系数时控制了时间效应和投资类型效应 O从估计结果上看，模型 (1)-(4)估计得到的资金流的空间滞后项反应系数p为正数而且在均在 1%的置信水平上显著。具体而言，基于基金重仓股帆的模型 (3) 的资金溢出估计系数为 0.051 (t=4.37) , 基于基金持仓相似矩阵 W2 的模型 (4)估计得到反应估计系数 0.305 ( t=6.35 )。从估计系数上比较，基于简单的重仓持股矩阵肌得到的估计反应系数小于基于重仓持股相似矩阵矶的反应系数，说明基于简单的 0-

43、1 关系得到的投资者网络矩阵可能低估了溢出程度O表2 基金资金流量的网络溢出效应模型 (1) (2) (3) (4) 变量 W , W, W , W, Ret 0.011 0.009 。.018' 。017川(4.38) (3.68) (5 .26) (4.88) Age -0.015' -0.009; 0.004 0.004 (-3.22) (-2.04) (0.71) (0.68) 0.060' -0.067' 0.091 命; 0.089' Size (-6.79) (-7.62) (-9.16) (-9.01) 0.023; 0.026

44、圳' 0.031' 0.030事;Fms!Ze (2.26) (2.63) (2.80) (2.73) Divd 0.265川 。.117' -0.046 -0.055 (6.44) (2.76) (-0.97) (-1.16) 2.020' 1.764' 2.476' 2.093;唰Vol (3.77) (3 .32) (3.28) (2.76) Constant 0.052 0.039 -0.060 -0.028 (-0.90) (-0.68) (-0 .54) (-0.25) 时间 No No Yes Yes 类型 No No

45、Yes Yes 0.074川 0.537' 0.051叫 0.305' p (6.35) (14 .34) (4.37) (6 .35) 2 1.191' 1.1 74川 1.168' 1.166' (74.93) (74.92) (74.95) (74.96) N 11243 11243 11243 11243 Log-似然值 -16944.9 16875.2 16830.0 -16820.4 注括号中为稳健性的 t 值，川*、材、*分别表示通过 1% 、 5% 、0%水平的显著性检验。表 2 的结果说明基金流量之间存在着正的溢出效应，即通过

46、重仓股网络，基金的资金流量向具有典型的溢出特征，即本文的假设(H1)成立。换言之，通过持有相同的资产或者相似的资产，基金能够通过持仓股之间的网络效应带来更多的资金流人。其机制可能在于基金资金流入后，基金通过在相同的资产组合上继续买入原有资产，从而持有相同或者类似资产组合的基金的业绩也能够增加，在基金业绩一资金的作用下，基金的资金流量得到增加。其他控制变量方面，在控制时间效应和投资类型效应后，发现基金上季度的回报率(Ret)越高，基金资金流量卢OW越大，这结果间接也证明基金业绩与资金流量向之间并没有逆向选择现象存在。基金规模 (5ize) 与基金流量之间存在着显著为负的关系，这与国外的研究结果(

47、Chen et 址， 2004)是一致的。这可能反映了随着基金规模的增大，基金难以取得较好的业绩，因此导致流入资金下降。(三)基金网络的资金流量对收益的影响表 2 的结果表明，基于重仓股构造得到的基金网络的资金流量具有显著的网络外部性，即存在显著的溢出效应，自然的问题是这种传染或者溢出效应如何影响基金业绩呢?下面利用传统的金融学方法如时间序列超额收益分析以及横截面分析方法进行分析对假设 (H2)检验，这里仅考察基金持仓相似矩阵矶的空间滞后项 W2xfloWi. T-l 对业绩的影响。1.时间序列超额收益分析首先按照季度计算空间滞后项 W2利OWi.凹，然后以该指标按从小到大进行排序，将总体样木

48、分为 10 个组合，同时构建零成本的基金的资产组合10-1 ，零成本组合具体构建方式买人为资金溢出最高的组合 10 ，卖出资金溢出最低的组合 1 ，以此比较网络资金溢出最高与最低组合之间的业绩差异，计算每个组合的平均收益率，井采用 Carhart(1997) 四因子模型对组合收益率进行风险调整。经典的资产定价理论认为资产收益可以完全被四因子模型解释，因此截距项 (Alpha)反映了风险因子不能解释的超额收益率。四因子模型如下:rpt-rjt = i+卢l(rmt - rjt) 十卢zSMBit+卢3HMLit + ?4MOMit 十 Cit管理世界>> (月刊)2016 年第 1

49、期这里 rpl表示基金组合的月平均收益 ; Tmt表示以流通市值加权的现金红利再投资的综合月市场收益率， 表示克风险月利率 ， 5MB 、 HML表示 Fama和 French (1993) 的规模因子、账面市值比因子，MOM 表示 Carhart ( 1997 )构造的动量因子，回归结果和采用 Newey-West调整的 t值报告在表 3 中。由于基金矩阵矶和floW 都是前季度末的数据，因此这种方法可以避免内生性问题。表 3 的结果显示，四因子模型回归的调整可决系数 (Adj.R2 ) 均超过 80% ，且风险因子的系数在统计上基本都显著，说明四因子模型对收益数据的拟合效果很好，模型具有较

50、强的解释力。本文发现基金网络带来的资金流量的所有基金组合的超额收益率都显著为正，说明控制系统性风险后，这些组合能获得显著的超额收益率。同时从表 3可以看出随着通过重仓股网络的资金流入的增加，风险调整后的超额收益率呈上升趋势，并且在 1%的水平下显著。资金流入最高的组合 10 ，其月超额收益率为0.8960毛，年化收益率为 10% ，这意味着如果技资者买入 10 组合，每年可以获得 10%的风险调整后的超额收益率。零成本套利组合 10一1 的年化超额收益达到 5% ，而且在 1%的水平显著。其经济含义是如果允许卖空，资金流入最高的组合，卖空资金流入最低的组合，每年有 5%左右的超额收益率。表3

51、的结果说明，基于重仓股建立的基金网络的资金表3 基于网络资金流量的超额收益率分析组别 些!'Il.i r. 5MB HML MOM Adj.R' 0.480; 0.685' -0.079 -0.223; 0.007; 0.894 1 (2.52) (27.27) (-1.17) (-2.07) (2.44) 0.485' 0.697' -0.193' 0.386' 0.008; 0.928 2 (2.84) (30.29) (-4.6) (-5.68) (2.36) 0.649' 0.696' -0.23

52、3' -0.396' O.9树 0.909 3 (3.34) (25.8) (-4.42) (-4.99) (2.14) 0.642; 市 0.700龟.，-0.236' -0.450' 0.001 0.91 5-4 (3 .37) (30.55) (-4.72) (-6.46) (0.18) 0.598' 0.715' -0.190' -0.418' 0.008' 0.907 5 (3.02) 5.87) (-3.73) (-5 .45) (1.91) 。.608' 。.748' -

53、0.125; 0 .408' 0.015; 0.894 6 (2.87) (26 .37) (-2.22) (-5.1) (2.48) 。.669' 0.751* -0.213*; 0.473' 0.012' 0.915 7 (3 .47) 9.91) (-4.65) (-7.67) (2.81) 0.746*; 0.728' -0.228' -0.508' 0.011; 0.903 8 (3.63) (27.64) (-4.15) (-6.14) (2.18) 0.781' 0.698' -0.206&

54、#039; -0.354' 。.012' 。.8419 (3.16) (26.48) (-3.61) (-3.09) (2.76) 10 0.896' 。.768' -0.251' -0.455' 0.012; 0.896 (3.95) 7.18) (-4.21) (-6.17) (2.06) 0.416' 0.083' -0.172; -0.232; 0.005 0.204 10-1 (2.91) (3.94) (-2.25) (-2.13) (1.04) 注:括号中为经 Newey-West 标准误调整后的 t

55、 值川柿、牌和*分别表示在 1% 、5%和 10%上显著。- 61-千李兽的资会:基于周络结构的基会资会战量采血绩影响研究中阁会融财政怆坛流对基金业绩有显著影响，可以获得显著的超额收益率 O 这个事实进一步表明，通过投资者网络持股相似的基金可以强化其交易，这种网络关系使得机构之间的行为具有一致性，从而可以增加收益。2.截面数据分析基于网络的基金资金溢出效应对基金业绩的影响关系有待于进一步的检验 O 根据相关研究，如基金规模( Chevaliar et 址， 1997; Chen et al., 2004) ，基金家族的;明星效应; ( Massa , 2003) ，基金年龄 (Age) ， 基

56、金红利(Divd) 以及基金的收益率的波动性都会影响基金业绩，因此本文建立多元回归模型控制这些因素后考察基于网络的资金溢出对基金业绩的影响，模型如下:R; 二 +卢1WX卢0叫 ， T-1 +卢2卢ol屿 ， T-1十卢3岛屿，1'-1 十?4Ag屿 ， T-1 +品Famsize;.T_1十卢6Divd; , 1 一 1+卢7Vol;T-1 +; 其中 ， t 表示月度 ， T表示季度 ， Ri，为基金 T-1 季度至T季度之间的月度业绩，本文分别采用相对收益率(Exret) ， 即基金业绩与其业绩基准的差值、CAPM模型以及 Carhart 四因子模型来计算风险调整后的收益率(C

57、:pm伊阳、 Fourlph)进行估计。 Wx卢0矶，T-I 表示季度T-l 通过投资者网络的基金资金流量，由于基金的 Wx卢OWi 1 是季度数据，基金的业绩和部分变量是月度数据，因此采用 Fama-MacBeth ( 1973) 的横截面回归方法模型变量W,xFlow W2xFlw 卢。仙5ize Age FmSlZe Divid Vol Constnt N R' F 表4 基金网络与基金收益的横截面分析( Fama-MacBeth 回归)(1) (2) (3) (4) (5) E元ret Capm lph FOUT，lpha Exret C:pmlph 。.442'

58、0.005' 0.004' (9.87) (2.84) (2.68) 0.126' 0.002 (3.53) (1.52) 0.092; 0.007; 0.006 0.248眼. 0.005 (2.17) (2.06) (1.20) (4.14) (1.36) 0.020 0.004 O.【泊6 0.140; 0.003 (-0 .37) (1.1 1) (-1.24) (2.16) (1.08) 0.077; 。.001 -0.008 。 159川 。1(2.02) (0 .3 1) (-1.47) (3.24) (-0.43) -0.001; 0.000 -0.000 -0.002'喻， 0.000 (-2.52) (0.20) (-0.19) (-5.95) (-0.39) 0.069 0.007' 0.001 。 177; -0.009市(-1.27) (-1