“学海拾珠”系列之一百七十四：历史持仓回报会影响基金经理后续选股吗？

金融工程 专题报告 历史持仓回报会影响基金经理后续选股吗？ ——“学海拾珠”系列之一百七十四 报告日期：2024-01-11 主要观点： 分析师：严佳炜 执业证书号：S0010520070001邮箱：yanjw@hazq.com 联系人：钱静闲 执业证书号：S0010522090002邮箱：qianjx@hazq.com 相关报告 1.《基于端对端神经网络的风险预算与组合优化——“学海拾珠”系列之一百七十三》 2.《低风险组合构建：基于下行风险的缩放策略——“学海拾珠”系列之一百七十二》 3.《如何衡量基金产品创新与差异化：基于文本的视角——“学海拾珠”系列之一百七十一》 4.《如何改进短期反转策略？——“学海拾珠”系列之一百七十》 5.《资产增长率在资产定价中的作用 ——“学海拾珠”系列之一百六十九》6.《机器学习与基金特征如何选择正Alpha基金？——“学海拾珠”系列之一百六十八》 7.《企业季度投资激增与股票横截面收益——“学海拾珠”系列之一百六十七》 8.《基金波动率来源与基金业绩——“学海拾珠”系列之一百六十六》 本篇是“学海拾珠”系列第一百七十四篇，文献研究了基金经理对个别股票的个人经验是否会影响其对这些股票的后续投资，以及这些经验与基金业绩之间的关联。结果表明美国主动基金经理的选股会受到过去对特定股票的投资收益的经验影响，且幅度显著，依赖于“学习效应”会对业绩产生负面影响。回到国内基金市场，我们也可以用类似的方式去估测基金经理的此种行为倾向。 猜想与模型构建 如果个体在过去的经历中从某一过程中获得了更多的积极结果，他 们更有可能对这个随机过程持乐观态度，这一现象通常被归因于学习效应。根据这一理论，如果基金经理在投资某家公司股票时获得更好的回报，那么他将更倾向于加大对该公司的持仓。 运用美国1991年至2016年的主动基金经理持股数据来验证这一假设。模型的因变量是经理�在第�季度对公司�的投资权重。模型中的关键自变量是该经理对该公司的经历收益（experiencedreturn），计算方式为该股票在经理持仓期间产生的过去回报的加权平均值，权重随时间呈指数衰减。 历史持仓回报会影响基金经理后续选股吗？ 结果表明，经历收益的系数是正向的且统计显著的，学习效应的系 数幅度是显著的。当经历收益每增加一个标准差，基金对特定公司股票的投资权重大约增加了36%。 而在被动管理的指数基金中，经历收益的系数在统计上不显著。此外，当新基金经理接管一个基金时，他们在先前基金中对特定股票的经历收益也会影响这只新基金对这只股票的投资。当面临资金流入时，基金经理更愿意将新资金投资于经历收益较高的股票。 学习效应是否与基金经理选股能力相关？ 估算每位基金经理的经历收益的回归系数，该系数表明该基金经理 在多大程度上依赖于学习效应，研究这一指标与基金业绩的关系，发现是负向且统计显著的，学习效应强度排名前一半的基金经理，季度超额收益平均减少了8.5个基点，依赖于学习效应的基金经理似乎付出了较少的努力并获取了较少的信息。 风险提示 文献结论基于历史数据与海外文献进行总结；不构成任何投资建 议。 敬请参阅末页重要声明及评级说明证券研究报告 正文目录 1简介4 2数据与方法论5 2.1数据来源5 2.2基金经理的经历收益5 2.3模型构建6 3结果8 3.1基础模型8 3.2稳健性检验9 3.2.1不同的ϕ值影响9 3.2.2持仓期限10 3.3附加测试10 3.3.1安慰剂测试10 3.3.2增聘基金经理11 3.4投资组合变化与对资金的反应11 3.5横截面测试12 3.5.1团队影响12 3.5.2管理任期12 3.5.3风险承担13 3.6风格层面的经历收益14 4学习效应、行为模式与基金业绩14 4.1基金经理努力程度与信息14 4.2处置效应15 4.3基金业绩16 5总结18 风险提示：18 图表目录 图表1文章框架4 图表2经验衰减因子6 图表3描述性统计数据8 图表4经历收益与投资决策8 图表5稳健性检验9 图表6指数基金与新基金经理的经历收益和投资决策10 图表7投资组合变化与对资金的反应12 图表8经历收益，团队和任期13 图表9经历收益与个股“投机”性质13 图表10风格水平经历14 图表11经历收益，努力，风险与信息15 图表12经历收益，处置效应与能力16 图表13经历收益与基金业绩17 图表14经历收益与股票横截面收益18 1简介 图表1文章框架 资料来源：华安证券研究所整理 投资者如何形成对未来资产回报的期望？在标准资产定价模型中，预期回报取决于客观信息，例如股票的beta。然而，过往一些研究表明，主观经验也在投资决策中发挥着重要作用。例如，Malmendier和Nagel（2011）指出，投资者在股市经历了较高的回报后，倾向于增加股票投资。Kaustia和Knüpfer（2008）的研究表明，投资者在IPO中获得较好的收益后，更有可能继续打新。虽然这些研究主要集中于个体投资者，但了解经验是否会影响专业投资者的交易行为同样重要。 文献探究了基金经理对个别股票的个人经验是否会影响其对这些股票的后续投资，以及这些经验与基金业绩之间的关联。此外，由于基金经理的交易活动可能影响股票价格，也探究基金经理的股票回报经验是否对资产价格和市场效率产生更广泛的影响。 如果个体在过去的经历中从某一过程中获得了更多的积极结果，他们更有可能对这个随机过程持乐观态度。这一现象通常被归因于学习效应（Barron和Erev，2003;Ludvig等，2015）。根据这一理论，如果基金经理在投资某家公司股票时获得更好的回报，那么他将更倾向于加大对该公司的持仓。 运用美国1991年至2016年的主动基金经理持股数据来验证这一假设。模型的因变量是经理�在第�季度对公司�的投资权重。模型中的关键自变量是该经理对该公司的经历收益（experiencedreturn），计算方式为该股票在经理持仓期间产 生的过去回报的加权平均值，权重随时间呈指数衰减。 为了控制可能影响投资决策的各种特征，引入三组固定效应：1、𝑓𝑖𝑟�×𝑡𝑖𝑚�固定效应，控制与特定公司股票有关的所有基金经理共有的信息（例如市值、过去回报、市账率等）；2、𝑓𝑢𝑛�×𝑡𝑖𝑚�固定效应，以捕捉基金特征（例如基金规模或风格、费用比率等）以及任何时变的管理属性的影响，如风险厌恶或情绪；3、 𝑓𝑖𝑟�×𝑓𝑢𝑛�固定效应，以控制公司股票和基金之间可能影响投资决策的任何时不变的“关系”（例如两者之间的地理位置接近等）。 研究结果表明，经历收益的系数是正向的且统计显著的，学习效应的系数幅度 是显著的。当经历收益每增加一个标准差，与样本中的无条件平均值相比，对特定公司股票的投资权重大约增加了36%。 在被动管理的指数基金中，经历收益的系数在统计上不显著，当新基金经理接管一个基金时，他们在先前基金中对特定股票的经历收益也会影响这只新基金对这只股票的投资。当面临资金流入时，基金经理更愿意将新资金投资于经历收益较高的股票；当面临资金流出时，对经历收益较高股票的减仓较少。在其他测试中，发现学习效应在经理的“风格”级别的决策中同样发挥作用，然而，与股票层面的结果相比，系数幅度更小。 另一个重要的问题是学习效应是否与基金经理选股能力相关。为了研究这个问 题，为每个基金经理估计基础模型，并估算每位基金经理的经历收益的回归系数，该系数表明某位基金经理在多大程度上依赖于学习效应，然后研究这一指标与基金 业绩的关系。结果表明，学习效应指标是负向的且统计显著的，学习效应方面排名 前一半的基金经理，季度超额收益平均减少了8.5个基点，依赖于学习效应的基金 经理似乎付出了较少的努力并获取了较少的信息。 基金经理的交易可能会影响股票价格，使得经历收益较高的股票被高估，由于更依赖学习效应的经理在这些较高经历收益的股票上持仓更多，他们最终获得的回报较低，这种过度定价机制可能是导致以上现象的原因。 总体而言，学习效应在基金经理选股决策中发挥着重要作用，对基金业绩和资 产价格均产生了重要影响。 2数据与方法论 2.1数据来源 基金规模（净资产：TNA）、基金年龄和基金回报的数据来自CRSPSurvivor-Bias-Free美国共同基金数据库。基金持仓数据来自1980年至2016年的ThomsonReuters共同基金持仓数据库。基金经理的姓名、历史数据以及基金风格类别的信息则来自Morningstar。保留100万美元以上规模的基金，仅关注主动管理的股票共同基金，从CRSP获取有关公司市值、股价和回报的数据，从Compustat获取账面价值。剔除纽约证券交易所（NYSE）规模后10%的股票，或者股价低于每股 5美元的股票，因为它们可能由于流动性差而被共同基金回避（Falkenstein，1996）。最终数据包含了1991年第1季度至2016年第4季度之间6,329位不同的经理，涵盖2,054只共同基金和8,347只股票。 2.2基金经理的经历收益 为了度量基金i的经理在第t季度对公司j的经历收益（experiencedreturn）， 采用过去回报的指数加权移动平均，具体如下： 𝐸𝑥𝑝𝑒𝑟𝑖𝑒𝑛𝑐𝑒𝑖,𝑗,𝑡=∑�(1−𝜙)𝑘𝜙𝑅𝑗,𝑡−𝑘𝐼[�] (1) 𝑘=0 𝑖,𝑗,𝑡−𝑘>0 𝑖,𝑗,𝑡−𝑘>0 在上述表达式中，𝑅𝑗,𝑡−�是第t−k期公司j的回报。𝐼[�]是一个指示变量， 如果基金i的经理在t−k时期投资了公司j，则等于1，否则为0。T表示自基金i首 次购买公司j以来的季度数，其中k表示任意过去的季度。这个计算在基金经理层面进行，即计算基金i的经理对公司j的经历收益。此外，如果基金i由一个经理团队管理（样本中约占66%），使用基金经理的任期来计算第t时期公司j的经历收益的任期加权平均值，使用他们首次出现在Morningstar数据库中的日期来估计他们的任期。 模型（1）中的参数ϕ捕捉了过去回报值的权重衰减速率。借鉴Malmendier和Nagel（2011）的研究，使用一个权重减小的函数（即权重在最近数据上最高的近因效应），用参数0<ϕ<1来捕捉。图表2为不同ϕ值的函数形状，随着ϕ接近1，函数变得更陡峭，表明经历收益主要受到近期数据结果的影响，随着ϕ减小，函数变得更平坦，对更远的回报给予更大的权重。 由于ϕ的大小没有理论指导，因此使用类似于Malmendier和Nagel（2011）的过程来估计它。具体而言，在不同ϕ值下估计下面描述的模型，并保留使回归平方残差和最小化的版本。 图表2经验衰减因子 资料来源：《Dostock-levelexperiencedreturnsinfluencesecurityselection?》，华安证券 研究所 2.3模型构建 模型中的因变量是基金i在第t季度对公司j的投资权重（持仓市值占净资产的 比例）。由于𝑤𝑖,𝑗,�随着公司j的市值变化而变化，根据Kacperczyk等人（2005）的方法进行调整，以捕捉基金i在时点t对公司j的“主动”投资决策，如下所示： 𝑖,𝑗,� 𝑊𝑒𝑖𝑔ℎ𝑡𝑎𝑑�=𝑤𝑖,𝑗,�−𝑤̂𝑖,𝑗,�(2) 其中 $ℎ𝑜𝑙𝑑𝑖𝑛𝑔𝑖,𝑗,� 𝑤𝑖,𝑗,𝑡−�∏� (1+𝑅𝑗,𝑡−𝑘) �= 𝑎𝑛�𝑤̃ =𝑘=0 𝑖,𝑗,� 𝑇𝑁𝐴𝑖,� 𝑖,𝑗,� ∑�𝑤𝑖,𝑗,𝑡−�∏� (1+𝑅𝑗,𝑡−𝑘) 𝑘=0 变量𝑤̂𝑖,𝑗,�反映了基金i在时点t对公司j的权重，假设该基金在过去（在时点t −k）购买了该股票，并且从未进行过交易。因此，模型（2）中的调整从公司j的 权重中减去了假设的buy-and-hold权重，反映了公司j价值随时间变化的变化，从而捕捉了