基金網(wǎng)絡、基金業(yè)績與投資組合集中度

廖 昕，楊 娜

（上海理工大學 管理學院，上海 200093）

一、引言

近年來，伴隨著公募基金業(yè)的發(fā)展，公募基金規(guī)模飛速增長。截至2023 年1 月末，我國公募基金資產(chǎn)管理規(guī)模達27.25 萬億元，基金數(shù)量達到10 607只，我國公募基金行業(yè)迎來發(fā)展的又一個春天。在基金市場中，基金的直接管理人是基金經(jīng)理，基金經(jīng)理的投資行為對基金績效起著至關(guān)重要的作用?，F(xiàn)有研究表明，基金經(jīng)理的投資行為普遍受網(wǎng)絡結(jié)構(gòu)特征的影響。處于網(wǎng)絡中心位置的基金經(jīng)理相較于處于網(wǎng)絡邊緣位置的基金經(jīng)理能夠更快地獲取更準確的信息，基金經(jīng)理利用這樣的信息優(yōu)勢可以獲得更高的投資回報（Borgatti 和Halgin，2016；Ozsoylev 等，2014）[1-2]。因此，基金經(jīng)理可以通過關(guān)系網(wǎng)絡獲取在決策時所需的信息（Hong 等，2005；Blocher，2016）[3-4]，以提高基金業(yè)績。

現(xiàn)有文獻中，關(guān)于網(wǎng)絡中心度對基金業(yè)績影響機制的研究主要集中于以下幾個方面。在校友關(guān)系網(wǎng)絡中，校友關(guān)系網(wǎng)絡可以促進基金經(jīng)理間的信息交流，校友關(guān)系的廣度和深度會促進私有信息的共享，進而顯著正向影響基金業(yè)績（申宇等，2016）[5]。侯偉相和于瑾（2018）[6]從擇時能力入手，基金越處于網(wǎng)絡的核心位置和中介位置，則基金經(jīng)理的擇時能力越強，投資業(yè)績越好。陳勝藍和李璟（2021）[7]指出基金網(wǎng)絡可以通過提高基金經(jīng)理的選股技能、資產(chǎn)配置技能和管理技能來提高投資業(yè)績。本文主要從投資組合集中度的視角研究網(wǎng)絡中心度對基金業(yè)績的影響機制。眾所周知，投資組合集中度可以描述基金經(jīng)理對某個行業(yè)或個股的偏好程度。如何配置行業(yè)和個股的倉位從而構(gòu)建一個優(yōu)秀的投資組合是提高基金業(yè)績表現(xiàn)最重要的一個方向（謝本杰，2020）[8]。當基金經(jīng)理集中研究某些股票和行業(yè)時，會更加了解這些個股和行業(yè)的信息，基金經(jīng)理可以憑借擁有的信息優(yōu)勢集中配置投資組合，降低投資分散化程度，獲得更好的業(yè)績表現(xiàn)（Goldman等，2016）[9]。因此，信息優(yōu)勢在一定程度上會影響基金經(jīng)理的投資組合是集中或是分散。當基金處于網(wǎng)絡中心位置時，基金經(jīng)理可以更快地獲得更多的有利信息做出正確決策，從而提高基金業(yè)績，如果基金擁有較高的投資組合集中度時，會使得基金經(jīng)理有足夠的動力去搜集和分析信息，進一步擴大信息優(yōu)勢，在市場交易中獲取更多的超額收益。由此，本文重點分析了投資組合集中度對網(wǎng)絡中心度與基金業(yè)績的調(diào)節(jié)作用。與現(xiàn)有文獻相比，本文的邊際貢獻在于：本文探究了投資組合集中度對網(wǎng)絡中心度與基金業(yè)績的調(diào)節(jié)作用，豐富了有關(guān)基金網(wǎng)絡和基金業(yè)績的研究文獻，為基金經(jīng)理制定科學的投資策略和投資組合提供了新的理論支持，對基金經(jīng)理利用投資組合集中度提高基金業(yè)績具有啟示意義。

二、研究假設(shè)與理論分析

根據(jù)復雜網(wǎng)絡理論，網(wǎng)絡中各個節(jié)點與其他節(jié)點的連接程度決定了各個節(jié)點的中心化程度，中心化程度高的節(jié)點較中心化程度低的節(jié)點更具有信息優(yōu)勢。在以重倉持有相同股票關(guān)系構(gòu)建的基金網(wǎng)絡中，基金越處于網(wǎng)絡的中心位置，越容易獲得更準確的信息且獲取信息的效率和數(shù)量更高，信息不對稱性得以緩解；基金越處于網(wǎng)絡邊緣位置，獲得有利信息的數(shù)量更少且獲取信息的效率更低（侯偉相和于瑾，2018；陳勝藍和李璟，2021）[6-7]。因此，靠近網(wǎng)絡中心位置的基金能夠更快速地獲取更豐富、更準確的信息?；鸾?jīng)理利用獲取準確且全面的信息，可以更好地分析股票，及時做出更為理性的判斷，制定出更有效的投資決策，帶來更多的投資收益。基于以上分析，本文提出假設(shè)1：

H1：網(wǎng)絡中心度越高，基金業(yè)績越好。

一般情況下，基金經(jīng)理會根據(jù)市場情況不斷地調(diào)整行業(yè)和個股倉位從而構(gòu)建一個優(yōu)秀的投資組合以提高基金業(yè)績。當基金經(jīng)理集中精力研究某些行業(yè)和股票時會獲得一定的信息優(yōu)勢，基金經(jīng)理會提高投資組合集中度獲得超額回報（Goldman 等，2016）[9]。當基金的投資組合集中度較高時，基金經(jīng)理會有足夠的動力去搜集和分析信息，進一步擴大信息優(yōu)勢，全面分析重倉股票的情況，制定科學的投資組合，在市場交易中獲取更多的超額收益?；谝陨戏治觯疚奶岢黾僭O(shè)2：

H2：投資組合集中度越高，網(wǎng)絡中心度與基金業(yè)績之間的正相關(guān)關(guān)系越顯著。

三、變量的選擇與模型構(gòu)建

（一）樣本選擇與數(shù)據(jù)來源

本文以我國開放式普通股票型基金作為研究樣本，并且剔除指數(shù)型、增強指數(shù)型基金等被動型投資基金。由于建立基金網(wǎng)絡需要基金持股的明細數(shù)據(jù)，所以本文采用的是基金季報定期公布的基金前十大重倉股持倉明細數(shù)據(jù)，選取的數(shù)據(jù)頻率為季度。本文樣本期間為2013 年1 月至2022 年12 月?；鸪謧}數(shù)據(jù)和各控制變量數(shù)據(jù)來源于Wind。為避免極端值對本文結(jié)果的影響，本文所有連續(xù)變量均在1% 和99% 分位數(shù)上進行了縮尾處理，每個回歸都使用對基金“聚類（Cluster）”的處理來糾正系數(shù)估計值的標準誤。

（二）變量的定義

1.基金業(yè)績。本文選用目前在文獻研究和投資者間被廣泛使用Sharpe 指數(shù)作為基金業(yè)績的衡量指標。該指標表示基金承受每單位風險所產(chǎn)生的超額收益。夏普比率越高，則表明基金業(yè)績越好。表達式為：

其中，Sp為夏普比率，Rp為基金在分析期內(nèi)的收益率均值，Rf為分析期內(nèi)的市場平均無風險收益率，δp為基金在分析期內(nèi)收益率的標準差，用來衡量基金風險。

2.網(wǎng)絡中心度。參考肖欣榮等（2012）[10]、陳新春等（2017）[11]的方法，本文對基金網(wǎng)絡做如下定義：如果兩只基金重倉持有相同的股票，則兩只基金彼此之間存在信息關(guān)聯(lián)。本文以基金為節(jié)點，以基金間重倉的股票作為網(wǎng)絡關(guān)系構(gòu)建基金網(wǎng)絡，用網(wǎng)絡中心度衡量基金在網(wǎng)絡中的位置。本文通過以下三個指標來測度網(wǎng)絡中心度，分別為度中心度、鄰近中心度、特征向量中心度。

（1）度中心度。在基金網(wǎng)絡中，度中心度可以最直接的刻畫基金在網(wǎng)絡中所處的位置。度中心度衡量了與基金i有關(guān)聯(lián)的其他基金數(shù)量，度中心度越大，說明在基金網(wǎng)絡中，基金與其他基金的交集越多，基金的中心地位越高，在網(wǎng)絡中所獲得的信息數(shù)量越豐富。因此，度中心度衡量的是基金在持股網(wǎng)絡中所獲得的信息數(shù)量。表達式為：

其中，n為基金總數(shù)，i為基金，j為其他基金，I表示i與j的網(wǎng)絡聯(lián)系，當I為1 時，則表示二者有直接的關(guān)聯(lián)，用來消除規(guī)模差異。

（2）鄰近中心度。在基金網(wǎng)絡中，鄰近中心度可以衡量基金i與其他基金的接近程度。鄰近中心度計算的是網(wǎng)絡中基金i與所有其他基金之間的平均距離的倒數(shù)，距離為兩個基金之間最短路徑的步數(shù)。表達式為：

其中，Dij為基金i到除自身外的所有基金的最短距離之和，n-1 用來消除規(guī)模差異。鄰近中心度越大，基金在獲得信息的過程中需要周轉(zhuǎn)的次數(shù)越少，獲得信息的時間就更快，且傳播過程中出現(xiàn)錯誤的情況也越少。因此，可以用鄰近中心度來衡量基金在持股網(wǎng)絡中獲得信息的效率。

（3）特征向量中心度。在基金網(wǎng)絡中，特征向量中心度可以衡量基金所連接的基金的重要性。當基金i與網(wǎng)絡中信息含量較高的基金存在關(guān)聯(lián)時，基金i在獲取信息上也存在一定的優(yōu)勢。在基金網(wǎng)絡中，當基金i與其他重要的基金連接時，基金i將獲得較大的特征向量中心度。表達式為：

其中，λ為比例常數(shù)，當x為1 時，表示基金i與j之間存在聯(lián)系。因此，可以用特征向量中心度來衡量基金在持股網(wǎng)絡中獲得信息的質(zhì)量。

3.投資組合集中度。投資組合集中度可以用來衡量某只基金的投資風格和個股投資策略，描述了基金經(jīng)理對某個行業(yè)或個股的偏好程度。本文通過行業(yè)投資集中度和股票投資集中度兩個指標來測度投資組合集中度。

（1）行業(yè)投資集中度。行業(yè)投資集中度指標反映的是基金經(jīng)理根據(jù)市場行情對投資組合在各個行業(yè)資產(chǎn)配置的情況。本文采用赫芬達爾指數(shù)量化基金行業(yè)投資集中度。表達式為：

其中，X表示該基金凈資產(chǎn)總額，n表示基金股票持倉中所持有的行業(yè)的數(shù)量，Xi表示持有某個行業(yè)的市值表示資產(chǎn)組合中所持有的某個行業(yè)的市值占基金資產(chǎn)總凈值規(guī)模的比重。行業(yè)的分類采用證監(jiān)會行業(yè)分類新準則。

（2）股票投資集中度。股票投資集中度反映的是基金經(jīng)理對重倉股票的看好程度以及對個股研究的深入程度。本文通過共同基金所持有的前十大股票的比例進行衡量。表達式為：

其中，X表示基金投資組合的總規(guī)模，Xi表示第i只股票的市值表示基金所持有的股票i的金額在投資組合總規(guī)模中所占的比例。

4.控制變量。借鑒已有研究（申宇等，2016；陳勝藍和李璟，2021）[5][7]，本文選取基金規(guī)模（Size）、基金家族規(guī)模（Fsize）、基金年齡（Age）、管理費率（GF）、基金收益波動率（Std）、基金管理團隊規(guī)模（Teamsize）作為控制變量，同時還控制了基金固定效應和時間效應。變量的具體定義如表1 所示。

表1 變量定義

（三）模型設(shè)定

本文對網(wǎng)絡中心度和基金業(yè)績之間的關(guān)系進行驗證，設(shè)定基本回歸模型：

其中，Sharpe為夏普比率變量。Net為網(wǎng)絡中心度變量，分別為度中心度、鄰近中心度、特征向量中心度?？刂谱兞堪ɑ鹨?guī)模（Size）、基金家族規(guī)模（Fsize）、基金年齡（Age）、管理費率（GF）、基金收益波動率（Std）、基金管理團隊規(guī)模（Teamsize）、η和ω分別表示基金固定效應和時間效應。

為了檢驗投資組合集中度的調(diào)節(jié)作用，本文在基準回歸模型的基礎(chǔ)上，分別引入網(wǎng)絡中心度與行業(yè)投資集中度的交乘項、網(wǎng)絡中心度與股票投資集中度的交乘項，探究投資組合集中度對網(wǎng)絡中心度與基金業(yè)績的關(guān)系影響，設(shè)定回歸模型為：

其中，HHI、Hold為調(diào)節(jié)變量。若模型（8）與模型（9）中交乘項的系數(shù)β3顯著為正，表明投資組合集中度在網(wǎng)絡中心度與基金業(yè)績的正向關(guān)系中發(fā)揮顯著正向調(diào)節(jié)效應。

四、實證分析

（一）描述性統(tǒng)計分析

表2 報告了主要變量的描述性統(tǒng)計結(jié)果。其中，夏普比率的平均值為0.036，大于中位數(shù)0.028，說明基金業(yè)績右偏，整體上投資者可以獲得超越基準的收益率。度中心度的平均值為0.322，中位數(shù)為0.316。鄰近中心度的平均值為0.545，中位數(shù)為0.552。特征向量中心度的平均值為0.328，中位數(shù)為0.277。

表2 描述性統(tǒng)計

（二）回歸結(jié)果分析

模型（7）的回歸結(jié)果如表3 所示。列（1）Degree的系數(shù)為0.071，在1% 的水平下顯著，說明基金網(wǎng)絡中，基金擁有的直接聯(lián)系越多，獲得的信息越全面，基金業(yè)績越好。列（2）Closeness的系數(shù)為0.197，在1%的水平下顯著，說明基金網(wǎng)絡中，兩只基金的距離越短，信息傳遞效率越高，基金業(yè)績越好。列（3）Eigenvector的系數(shù)為0.036，在1% 的水平下顯著，說明基金網(wǎng)絡中，通過共同持股與其聯(lián)系的個體越重要，獲得的信息質(zhì)量越高，基金業(yè)績越好。因此，基金在持股關(guān)系網(wǎng)絡中的位置會影響基金業(yè)績且基金越處于網(wǎng)絡核心位置，基金業(yè)績越高，本文的H1 得到驗證。這表明處于網(wǎng)絡中心位置的基金相較于處于網(wǎng)絡邊緣位置的基金擁有更大的信息優(yōu)勢，基金經(jīng)理憑借這樣的信息優(yōu)勢可以更迅速地獲得更多決策時所需的有利信息，從而及時制定出合理的投資決策，獲得更高的超額回報。

表3 網(wǎng)絡中心度與基金業(yè)績

表4 報告了投資組合集中度作為調(diào)節(jié)變量作用于網(wǎng)絡中心度與基金業(yè)績的結(jié)果。表4 的列（1）Degree×HHI、列（2）Closeness×HHI、列（3）Eigenvector×HHI的系數(shù)均顯著為正，這說明行業(yè)投資集中度對網(wǎng)絡中心度與基金業(yè)績具有正向調(diào)節(jié)作用，較高的行業(yè)投資集中度會強化網(wǎng)絡中心度對基金業(yè)績的正向影響。這是因為當行業(yè)投資集中度較高時，基金經(jīng)理會集中精力地挖掘和分析某些行業(yè)的信息，獲得更大的信息優(yōu)勢，專注于某些行業(yè)的研究，從而獲得更高的基金業(yè)績。表4 的列（4）Degree×Hold、列（5）Closeness×Hold、列（6）Eigenvector×Hold的系數(shù)均顯著為正，這說明股票投資集中度對網(wǎng)絡中心度與基金業(yè)績具有正向調(diào)節(jié)作用，較高的股票集中度會強化網(wǎng)絡中心度對基金業(yè)績的正向影響。原因在于股票集中度較高時，基金經(jīng)理會更有動力去搜集重倉股票的信息，對其重倉的股票進行更深入、全面的分析，從而獲得更高的投資回報。由此，本文的H2 得到驗證。

表4 網(wǎng)絡中心度、投資組合集中度、基金業(yè)績

五、穩(wěn)健性檢驗

借鑒陳勝藍和李璟（2021）[7]的研究，本文選擇基金家族網(wǎng)絡作為基金網(wǎng)絡的工具變量，并采用兩階段工具變量法進行穩(wěn)健性檢驗。回歸結(jié)果顯示，在控制內(nèi)生性問題之后，回歸結(jié)果與前文基本一致。為了進一步驗證結(jié)果的可靠性，本文還進行如下穩(wěn)健性檢驗：（1）本文將基金的重倉股定義為所持倉位占基金凈值的5%以上的股票（陳新春等，2017；陳勝藍和李璟，2021）[11][7]。由基金共同重倉持股（≥5%）構(gòu)建基金網(wǎng)絡，使用度中心度、鄰近中心度和特征向量中心度衡量基金在網(wǎng)絡中的地位。（2）本文替換了基金業(yè)績的衡量方式，使用單位復權(quán)凈值增長率度量基金業(yè)績。更換解釋變量和被解釋變量后的回歸結(jié)果與前文基本一致，說明本文的研究結(jié)論是穩(wěn)健的。

六、結(jié)論與建議

本文以我國2012 年1 月至2022 年12 月的股票型基金為樣本，探究了網(wǎng)絡中心度與基金業(yè)績之間的關(guān)系并分析了投資組合集中度對網(wǎng)絡中心度與基金業(yè)績的調(diào)節(jié)作用。研究發(fā)現(xiàn)：（1）網(wǎng)絡中心度越高，基金業(yè)績越好。這是因為越靠近網(wǎng)絡中心位置的基金越能夠快速地獲取更豐富、更準確的信息，基金經(jīng)理利用獲取的準確且全面的信息，可以及時做出有效的投資決策，帶來更多的投資收益。（2）投資組合集中度在網(wǎng)絡中心度對基金業(yè)績影響中具有正向調(diào)節(jié)作用。這是因為投資組合集中度較高時，基金經(jīng)理會有足夠的動力搜集和分析信息，專注于研究重倉股票，在市場交易中獲得更高的投資回報。本文的研究結(jié)論對基金經(jīng)理構(gòu)建投資組合和基金投資者選擇基金具有重要的借鑒意義：（1）對于基金經(jīng)理而言，基金經(jīng)理在提高自己的專業(yè)技能以外，可以積極地通過基金網(wǎng)絡獲得與決策相關(guān)的有利信息，適當?shù)靥岣咄顿Y組合集中度，專注于挖掘和搜集某些行業(yè)及公司的相關(guān)信息，全面深入分析重倉股票的基本面情況，制定科學的投資策略和投資組合，以提高基金業(yè)績。（2）對于基金投資者而言，投資者可以通過基金網(wǎng)絡的網(wǎng)絡結(jié)構(gòu)特征，判斷基金的投資價值，選取優(yōu)質(zhì)基金。另外，從基金投資組合集中度方面考慮，投資者可以選取投資組合集中度較高的基金以提高投資收益。