基金经理行业择时能力与基金业绩

1、Page 8文献来源文 献 来 源 ：Turan G.Bali, Stephen J.Brown, Mustafa O.Caglayan and UmutCeliker. "Does Industry Timing Ability of Hedge Funds Predict Their Future Performance, Survival, and Fund Flows?" Journal of Financial and Quantitative Analysis (2020)文献亮点：本文研究了对冲基金对特定行业的择时能力，并且发现基金在制造业的择时提高了他们的未

2、来业绩、幸存比例和资金流入量。研究结果表明，制造业中行业择时能力最强的对冲基金对预期外盈利的暴露最高。该特性，叠加粘性的预期外盈利、盈余公告发布的透明的信息环境和制造业中大量的 PEAD（盈余公告后的价格漂移）现象，很大程度上解释了为什么择时能力强的对冲基金能相对择时能力差的对冲基金产生更高的收益。引言本文研究了对冲基金能否依靠对行业的择时能力以获取卓越的未来业绩、更高的幸存比例和更大的基金流入量。标准普尔全球市场的对冲基金追踪报告按季度提供了对冲基金的行业配置变化信息，依据这些数据，本文提出以下问题。对冲基金是否可以根据他们对行业未来经济状况的预测，战略性地调整他们对行业的暴露，从而获得特定

3、行业的回报？如果是这样，行业择时能力是否能提高未来的基金业绩，它能为对冲基金投资者带来多大的经济价值？为检验对冲基金的行业择时能力，本文使用了与市场正交的行业回报，以区分对冲基金对行业和对市场的择时能力。本文首先在 24 个月的滚动窗口基础上，将行业超额收益与市场超额收益进行回归，得到过去 24 个月每个月的行业残差收益。然后，在 24 个月的滚动窗口基础上，将单个对冲基金的超额收益与行业剩余收益和行业剩余收益的平方再次回归，得到对冲基金的行业择时系数。最后，通过 Fama-MacBeth 回归和投资组合层面的分析，检验这些行业择时系数对未来对冲基金收益的预测能力。本文发现，在 12 个 Fa

4、ma 和 French(1997)行业测试中，对制造业特定消息有择时能力的对冲基金在未来几个月产生的回报明显较高。结果显示，在制造业中具有较好择时能力的基金在接下来的 6-12 个月内吸引了更多的资金，并具有较高的幸存比例。其他 11 个行业择时在未来的业绩、资金流入和幸存比例方面并没有得到这样的结果。为了解释为什么行业择时能力系数能预测未来的对冲基金收益，特别是在制造业而不是其他行业，本文探讨了对冲基金的行业择时和他们对超预期收益暴露之间的关系。本文认为，盈利公告可能是特定行业回报的重要组成部分，在特定行业择时能力较强的对冲基金可能对盈利公告有较高的风险暴露。根据这一假设，本文发现，在依据行

5、业择时能力划分的十分组中，标准化预期外盈利（SUEs）的绝对值的平均值从最差的组到最优组单调地增加，SUE值的差值是正的，而且只有在制造业中是高度显著的。这表明，通过行业择时能力获得制造业特定收益的对冲基金经理特别关注制造业的盈利公告。本文还发现，在所研究的 12 个行业中，制造业的预期外盈利表现出最高的持久性。制造业 SUE 中持续的高自相关性表明，制造业的公司更有可能在接下来的几个月中产生相同方向的预期外盈利。请务必阅读正文之后的免责条款部分全球视野本土智慧数据对冲基金样本本文使用了来自 Lipper Trading Advisor Selection System（TASS）数据库的11

6、987 只对冲基金的月度基金回报和基金特征数据，数据从 1994 年开始。TASS 数据库除了报告月度回报和管理规模（AUM）外，还提供了某些基金特征的信息，包括管理费、赎回期、最低投资额等信息。本文在解决了所有潜在的数据偏差问题（如幸存者偏差、回填偏差和多期抽样偏差）后，样本中的对冲基金总数从 11,987 只基金减少到 7,902 只。行业本研究使用 Fama-French 的 12 个行业分类。在 1994 年 1 月至 2018 年 9 月的样本期间，不同行业的 24 个月滚动窗口平均行业回报的平均值在 0.71%（电信行业）和 1.13%（商业设备，科技行业）之间。同一时期，不同行业

7、的 24 个月滚动窗口标准差的平均值在 3.43%（非耐用品行业）到 6.53%（商业设备行业） 之间。另一方面，CRSP 市场价值加权指数的同一滚动窗口平均回报率和标准差分别为 0.86%和 4.07%，表明各行业在回报率和风险方面都能表现出与市场的明显偏差。实证结果本节首先通过Fama-MacBeth 回归和非参数组合测试来研究对冲基金的行业择时能力是否产生了卓越的回报。然后研究了不同对冲基金投资风格下，对冲基金的行业择时对未来收益的预测能力。接下来分析了行业择时系数的长期预测能力。最后评估了对冲基金的行业择时能力与未来基金流量和未来基金存活率之间的联系。Fama-MacBeth 回归首先

8、用横截面的Fama-MacBeth 回归分析对冲基金的行业择时能力与它们下个月回报率之间的关系。由于本文重点是对冲基金的行业择时能力，而行业回报与市场回报高度相关，所以在分析时首先将行业回报与市场正交。在 24 个月的滚动窗口基础上，用以下公式对行业超额收益与市场超额收益进行回归：𝑅𝑗 = 𝜃𝑗 + 𝜃𝑗 𝑀𝐾𝑇 + 𝜀𝑗(1)𝑡01𝑡𝑡其中，𝑅Ү

9、95;是行业 j 在月份 t 的市值加权行业超额收益，𝑀𝐾𝑇 是 CRSP 价值加权𝑡𝑡市场指数在月份 t 的超额收益，𝜃𝑗是行业 j 的行业，𝜀𝑗是剩余误差项，对应于1𝑡行业 j 在 t 月份的行业特定收益，记作𝑅𝐸𝑆_𝐼𝑁𝐷𝑗,𝑡。通过在 1994 年 1 月至 1995年 12 月期间首次进行回归（1），

10、并在之后的 24 个月滚动窗口基础上对 12 个行业中的每个行业分别运行，得到了每个行业在过去 24 个月中每个月的行业剩余收益（即行业特定收益）。然后采用 Treynor 和 Mazuy（1966）的择时模型， 在 24 个月的滚动窗口基础上，用以下公式将单个对冲基金的超额收益对行业剩余收益和行业剩余收益的平方进行回归（对 12 个行业中的每一个行业）。𝑅= 𝛽𝑗 + 𝛽𝑗 𝑅𝐸𝑆_𝐼𝑁𝐷+ 𝛽

11、9895; 𝑅𝐸𝑆_𝐼𝑁𝐷2 + 𝑒(2)𝑖,𝑡0,𝑖1,𝑖𝑗,𝑡2,𝑖𝑗,𝑡𝑖,𝑡𝑗,𝑡其中，𝑅𝑖,𝑡是基金 i 在月份 t 的超额收益，𝑅𝐸𝑆_𝐼𝑁

12、𝐷𝑗,𝑡是行业 j 在月份 t 的行业特定收益，𝑅𝐸𝑆_𝐼𝑁𝐷2 是行业 j 在月份 t 的行业剩余收益的平方。在方程（2）中，2,𝑖𝛽𝑗 代表基金 i 在行业 j 的行业择时系数。通过在 1994 年 1 月至 1995 年 12 月期间首次运行回归方程（2），并在之后的 24 个月滚动窗口基础上进行回归，可以得到每个行业中每个基金的行业择时系数的时间序列。单变量 Fama-MacBeth 回归为了研究

13、行业择时系数对对冲基金未来收益的预测能力，从 1996 年 1 月开始的每个月，对每个行业进行单变量 Fama-MacBeth 截面回归，将一个月后的对冲基金超额收益与从方程（2）获得的行业择时系数进行回归：𝑅= 𝜔+ 𝜆 𝛽𝑗+ 𝜀(3)𝑖,𝑡+1𝑡𝑡2,𝑖,𝑡𝑖,𝑡+1其中，𝑅𝑖,𝑡+1是基金 i 在 t+1 月的超额收益

14、，𝛽𝑗 是 i 基金在 t 月对 j 行业的行业2,𝑖,𝑡择时系数，𝜔𝑡和𝜆𝑡分别是月度截距和斜率系数。下图的 A 组列出了 1996 年 1 月至 2018 年 9 月样本期间 12 个行业的时间序列平均斜率系数。其中只有制造业（MNF）的对冲基金的行业择时系数与未来收益之间存在正向和显著的关系。制造业择时的值的平均斜率系数为 0.181，t 统计量为 2.46。另一方面，其他 11 个行业的平均斜率系数从-0.112（TLC）到0.109（DRB）不等，统计上均不

15、显著。这一组初步的结果说明对制造业特定回报的择时可以预测未来对冲基金的回报。然而，对其他行业的特定回报进行择时并不会在下个月获得高回报。图 1：单变量和多变量 Fama-Macbeth 回归资料来源: Journal of Financial and Quantitative Analysis，整理多变量 Fama-MacBeth 回归本文接下来研究个别基金的特征基金的风险和回报特征以及它们的市场、流动性和波动性的择时能力是否能解释基金的制造业择时能力和未来回报之间的正相关关系。如果一个基金在制造业的择时能力与它的某些基金特征有关， 或者与该基金的市场、流动性或波动性择时能力有关，那么控制这些

16、特征和其他择时能力将消除制造业行业择时系数的预测能力。本文使用多变量的Fama-MacBeth 回归来检验这一点，将未来一个月的对冲基金超额收益对基金Page 11的制造业择时系数、基金特征和其他择时能力指标进行回归：𝑅𝑖,𝑡+1 = 𝜔𝑡 + 𝜆1,𝑡 𝛽𝑀𝑁𝐹 + 𝜆2,𝑡 𝛽𝑀𝐾𝑇 + 𝜆3,ү

17、05; 𝛽𝐿𝐼𝑄 + 𝜆4,𝑡 𝛽𝑉𝑂𝐿 + 𝜆5,𝑡 请务必阅读正文之后的免责条款部分全球视野本土智慧2,𝑖,𝑡𝑖,𝑡𝑖,𝑡𝑖,𝑡𝐴𝐿𝑃𝐻𝐴𝑖,𝑡 + ⼚

18、2;6,𝑡 𝑆𝑇𝐷𝐸𝑉𝑖,𝑡 + 𝜆7,𝑡 𝑆𝐼𝑍𝐸𝑖,𝑡 + 𝜆8,𝑡 𝐴𝐺𝐸𝑖,𝑡 + 𝜆9,𝑡 𝑀𝐺𝑀𝑇𝐹

19、9864;𝐸𝑖 +𝜆10,𝑡 𝐼𝑁𝐶𝐸𝑁𝑇𝐹𝐸𝐸𝑖 + 𝜆11,𝑡 𝑅𝐸𝐷𝐸𝑀𝑃𝑖 + 𝜆12,𝑡 𝑀𝐼𝑁_𝐼𝑁

20、9881;𝐸𝑆𝑇𝑖 + 𝜆13,𝑡 𝐷_𝐿𝑂𝐶𝐾𝑈𝑃𝑖 + 𝜆14,𝑡 𝐷_𝐿𝐸𝑉𝐸𝑅𝑖 + 𝜀𝑖,𝑡+1(4)2,𝑖,𝑡其中，𝑅

21、19894;,𝑡+1是基金 i 在 t+1 月的超额收益，𝛽𝑀𝑁𝐹是基金 i 在 t 月的制造业择时系数，由方程（2）得到；𝛽𝑀𝐾𝑇是基金 i 在 t 月的市场择时系数；𝛽𝐿𝐼𝑄是基金 i𝑖,𝑡𝑖,𝑡𝑖,𝑡在 t 月的流动性时效系数。𝛽𝐿𝐼

22、9876;是基金 i 在 t 月份的波动率择时系数。ALPHA，STDEV，SIZE，AGE，MGMTFEE，INCENTFEE，REDEMP，MIN_INVEST，D_LOCKUP 和 D_LEVER 是基金特征。ALPHA 是过去 24 个月内估计的九因子；STDEV 是过去 24 个月内每月对冲基金回报的标准差；SIZE 是管理资产（AUM）的自然对数，以百万美元计。AGE 是指自成立以来存在的月数的自然对数；MGMTFEE 是管理资产的固定百分比费用，通常在 1%到 2%之间； INCENTFEE 是基金年度净利润超过指定比例后收取的固定费率。REDEMP 是投资者在从基金中赎回投资额

23、之前需要通知对冲基金的最少天数； MIN_INVEST 是基金要求投资者投资于基金的最低初始投资额（以百万美元计算）；D_LOCKUP 是锁定条款的虚拟变量（如果基金要求投资者在预先规定的期限内不撤回初始投资，则为 1，否则为 0）；D_LEVER 是杠杆的虚拟变量（如果基金使用杠杆则为 1，否则为 0）。2,𝑖,𝑡图 1 的 B 组列出了 1996 年 1 月至 2018 年 9 月期间方程（4）的时间序列平均斜率系数。结果显示，𝛽𝑀𝑁𝐹的平均斜率系数为 0.224，t 统计量为 2.84，表明在

24、控制基金特征、基金风险和收益属性以及市场、流动性和波动性择时能力的多变量环境下，制造业择时系数仍然是下个月对冲基金收益的有力预测因素。单变量组合分析2,𝑖,𝑡2,𝑖,𝑡接下来，通过单变量组合测试来研究制造业择时系数和未来收益之间的关系。每个月，根据从方程（2）中得到的制造业择时系数𝛽𝑀𝑁𝐹，将对冲基金按升序等分为十组。下图的第一列展示了基金在每组的平均𝛽𝑀𝑁𝐹，第二列报告了在每组中具有统计学上显著的制造业

25、择时系数（在 10%的显著性水平或更好）的对冲基金的百分比。从中发现，在制造业中具有正的显著择时系数的基金的百分比随着分位数的增长而增长。表 2 的第三栏显示，第 10 组和第 1 组投资组合回报的标准差（最佳和最差的制造业行业择时的基金）明显高于其他分位数投资组合。下图的第四列显示，从第 1 组到第 10 组，对冲基金的次月回报率呈单调增长。与制造业择时最低的第一组基金相比，制造业择时最高的第十组基金在下个月的回报率高出 0.64%（统计学上显著）。下图的最后一栏显示，最佳择时和最差择时的对冲基金之间的显著回报差额也不能用Fama 和French（1993）、Carhart（1997）和 F

26、ung 和 Hsieh（2001）的九个标准对冲基金风险因素来解释。本文投资组合分析的结果，结合先前从 Fama-MacBeth 回归中得出的结论，证明对冲基金在制造业中的行业择时能力与其未来的原始回报和风险调整后的回报之间存在着经济上和统计上的显著正相关。图 2：单变量组合分析资料来源: Journal of Financial and Quantitative Analysis，整理制造业中行业择时能力的基金类型分析本文继续检验了行业择时能力与未来收益之间的正向和显著关系是否限定于特定的基金风格。TASS 数据库将对冲基金分为 10 种不同的类型：可转债套利、固定收益套利、管理期货、股票市

27、场中性、股票多空对冲、事件驱动、多策略、全球宏观、新兴市场和 FOF。本文通过投资组合测试分别分析 10 种基金类型中制造行业择时系数的预测能力。由于对于某些类型来说，对冲基金数量较少， 本文通过将对冲基金等分为五组而非十组来进行单变量组合测试。下图分别报告了每种类型的对冲基金数量，以及按制造业择时系数排序的五分位数投资组合的下月回报和九因子 ALPHA。从结果上看，在固定收益套利、可转债套利和管理期货基金中，没有发现行业择时系数与未来收益之间存在正向和显著的关系。而在大量交易股票的投资类型中，如多空股票对冲基金、股票市场中性基金、事件驱动基金和新兴市场基金，最优和最差的行业择时基金分组之间的

28、下月回报率差在 0.29%和 0.55%之间，显著的 t 统计量在 2.02 和 2.52 之间。下图还显示，之前的结论对全球宏观和多策略基金不成立。这可能是由于全球宏观基金经理专注于区分不同国家的经济，而不是区分美国的不同行业。多策略基金的分组表现差别不明显，表明这些基金在股票之外大量交易其他工具。图 3：不同类型基金的单变量投资组合测试资料来源: Journal of Financial and Quantitative Analysis，整理制造业择时系数的长期预测效果在这一节中，本文研究了制造业的择时系数与未来对冲基金收益之间的正向关系是否持续了一个月以上。在 TASS 数据库中，基金

29、的平均锁定期是三个月。因而研究行业择时系数在三个月或更长时间内的预测能力是有意义的。本文通过持有期为三个月、六个月和九个月的投资组合来研究行业择时系数的长期预测能力。下图显示，制造业择时系数的预测能力持续到未来 6 个月。对于以三个月持有期构建的投资组合，本文发现最佳和最差行业择时的基金分组之间的回报率和九因子差额分别为每月 0.59%（t 统计量=2.44）和 0.54%（t 统计量=2.45）。对于持有期为 6 个月的投资组合，回报率和差额的幅度变小，但仍然显著， 每月分别为 0.45%（t-stat = 2.20）和 0.41%（t-stat = 2.13）。最后，对于用 9个月的持有期

30、构建的投资组合，最佳择时者和最差择时者之间的价差变得更小， 在统计上变得不显著。这些结果表明，制造业择时系数和未来收益之间的显著正向联系持续到未来六个月，超过了三个月的锁定限制，这表明投资者实际上可以通过投资那些最佳的制造业择时基金来获得这些收益。图 4：制造业择时系数的长期预测效果资料来源: Journal of Financial and Quantitative Analysis，整理制造业择时系数、未来资金流入量和基金幸存比例本文继续研究在制造业中具有更好的行业择时能力的对冲基金是否吸引了更多的资金，并具有更高的幸存比例。本文将基金资产管理规模从上个月到当月的变化作为对冲基金的资金净流

31、入量，并根据基金的回报率和上个月的资产管理规模进行调整。下图展示了根据对冲基金的制造业择时系数对其进行分组而产生的未来六个月和十二个月的累积资金净流入量。图 5：制造业择时系数与资金流入量资料来源: Journal of Financial and Quantitative Analysis，整理与本文的预期一致，在未来 6 个月的累积资金净流入量分析中，行业择时最佳的对冲基金分组有资金流入，而行业择时最差的对冲基金分组有资金流出，并且在统计上显著。在未来 12 个月的累积资金净流入量分析中，本文也发现在接下来的一年时间里，最佳和最差行业择时的基金分组之间存在显著的累积资金净流入量差异，即 5

32、.76%（t 统计量为 6.89）。本文接下来使用Fama-MacBeth 截面逻辑回归来研究基金存活率和行业择时系数之间的关系。本文将未来 6 个月和 12 个月的基金存活率（如果基金存续，则用虚拟变量衡量，取值为 1，如果基金清算，则取值为 0）对有控制变量和无控制变量的制造业择时系数进行回归。下图报告了平均斜率系数和相应的 t 统计量。在未来 6 个月和 12 个月的逻辑回归中，都发现制造业择时值的平均斜率系数为正且显著。所有这些结果证明了对制造业特定回报有择时能力的对冲基金未来有更多的资金流入，并有较大的幸存机率。图 6：制造业择时系数与基金幸存比例资料来源: Journal of F

33、inancial and Quantitative Analysis，整理行业择时能力与超预期本文在这一节中探讨了为什么行业择时系数只预测了对冲基金在制造业的未来回报，而不预测其他行业的回报。行业择时系数与超预期的联系为了解释为什么对在制造业中的择时能力可以预测回报，而在其他行业中却没有，本文研究了对冲基金的行业择时系数和对冲基金对每个行业超预期的风险敞口之间的关系。本文认为超预期事件（新闻）可能是特定行业收益的重要组成部分，对特定行业收益有较好择时能力的对冲基金可能对特定行业的超预期大小有较高的敏感性。具体来说，对于每个公司，我们将 SUE 定义为当前财政季度的实际收益减去同季度的预测收益的

34、差额，再除以过去 16 个季度的预测误差的标准差：𝑆𝑈𝐸𝑖,𝑞= 𝑄𝑖,𝑞𝐸(𝑄𝑖,𝑞) 𝜎(𝑄𝑖,𝑞𝐸(𝑄𝑖,𝑞)(5)其中，𝑄𝑖,𝑞是公司 i 在季度 q 的实际盈利，𝐸(𝑄𝑖,&

35、#119902;)是公司 i 在季度 q 的预期季度盈利，分母中的项是预测误差的标准差。在估计𝐸(𝑄𝑖,𝑞)时，使用最近 16 个季度的观测数据，采用以下的 AR(1)过程：𝑄𝑖,𝑞 𝑄𝑖,𝑞4 = 𝜔𝑖0 + 𝜔𝑖1 (𝑄𝑖,𝑞1 𝑄𝑖,𝑞5) + 𝜀w

36、894;,𝑞(6)对于每个行业，使用该行业在该月报告收益的公司中单个股票的标准化意外收益的平均值，作为行业的 SUE 指标。本文在每个月对每个行业择时分组的每一只基金，使用 24 个月的滚动窗口，将单个对冲基金的超额收益时间序列对每个行业的 SUE 绝对值进行回归，从而产生了每个行业的对冲基金对超预期的敏感度的时间序列值（即 SUE betas）。然后在每个行业择时分组内，每月取各基金的 SUE betas 的横截面平均值。最后，Page 12对于每个行业的每一个择时能力分组，下图中报告了它们每月横截面 SUE betas 平均数的时间序列，以及它们的 Newey-West t

37、 统计数字。图 7：各行业的择时系数分位数组的收益对 SUE 绝对值的敏感度资料来源: Journal of Financial and Quantitative Analysis，整理上图显示，在制造业（MNF）中，SUE betas 从最差的行业择时分组到最佳行业择时分组而单调增加。另外，最佳和最差行业择时的对冲基金分位数之间的SUE betas 差值是正的（2.86），而且只在制造业中高度显著（t-stat.=3.19）。 制造业的这些结果表明，行业择时能力和对冲基金对超预期收益的风险敞口之间有着密切的关系，并表明那些能很好地把握制造业特定收益的对冲基金经理， 也会特别关注这个行业的收益

38、信息。本文并没有发现在其他 11 个行业中，行业择时能力和超预期的风险敞口（SUE betas）之间有密切关系。行业超预期的持久性本文接下来研究每个行业的超预期的持久性如何。如果超预期在一个行业中特别持久，那么预测该行业的未来超预期就会更容易。在下图中报告了 1994 年 1 月至 2018 年 9 月样本期间每个行业的滞后三个月的 SUE 的自相关情况。请务必阅读正文之后的免责条款部分全球视野本土智慧Page 15图 8：SUE 自相关情况资料来源: Journal of Financial and Quantitative Analysis，整理上图显示，对于大多数行业来说，自相关在第一个

39、滞后期后很快就消失了，这表明超预期对于大多数行业来说并不是那么持久的。而在测试的三个滞后期中， 制造业的 SUE 的自相关系数总是最高的，也是最显著的。制造业 SUE 的这种持续的高自相关性表明，制造业的公司更有可能在接下来的几个月里产生相同方向的超预期，这使得那些意识到这一特征的对冲基金经理去来分配资源以捕捉制造业的特定回报。超预期消息的不确定性和 PEADImhoff 和 Lobo（1992）的研究表明，对于信息环境比较透明的公司来说，投资者对超预期的反应更大。Kim 和 Kim（2003）还表明，当信息环境更透明时， 在下一季度，正面超预期组合和负面超预期组合的平均回报率之间的差异更高， 而且这种财报发布后的漂移随着盈利信息不确定性的增加而降低。本节研究了行业盈利信息透明度、盈利公告后的漂移幅度和制造业特有的行业择时能力之间是否存在联系。为了代表公司盈利公告中的信息不确定性程度，本文使用过去 16 个季度中单个股票的季度预测误差的标准差。此外，作为衡量个别股票信息环境的另一种方法，还使用了过去 16 个季度的季度超预期的标准差。每只股票的超预期是按实际每股收益（EPS）与分析师预测每股收益中位数之间的差额计算的。对于这两种衡量标准，数值低表明信息环境更