基金竞争格局对Alpha持续性的影 响

1、正文目录 HYPERLINK l _TOC_250018 简介 4 HYPERLINK l _TOC_250017 文献综述 7 HYPERLINK l _TOC_250016 基金招募说明书中的竞争对手 7 HYPERLINK l _TOC_250015 来自回报或持股的竞争对手 7 HYPERLINK l _TOC_250014 有关识别同类的文献 8 HYPERLINK l _TOC_250013 数据 8 HYPERLINK l _TOC_250012 4 方法 10 HYPERLINK l _TOC_250011 风格空间 10 HYPERLINK l _TOC_250010 特定距

2、离 10 HYPERLINK l _TOC_250009 识别基金竞争对手 11 HYPERLINK l _TOC_250008 衡量竞争程度的指标 12 HYPERLINK l _TOC_250007 相对于特定同类的业绩 12 HYPERLINK l _TOC_250006 结果分析 13 HYPERLINK l _TOC_250005 特定同类的属性 13 HYPERLINK l _TOC_250004 竞争、ALPHA 和持续性 15 HYPERLINK l _TOC_250003 使用投资组合重叠度衡量竞争 20 HYPERLINK l _TOC_250002 传导渠道 21 HYP

3、ERLINK l _TOC_250001 6 总结 24 HYPERLINK l _TOC_250000 风险提示： 24图表目录图表 1 在风格空间中可视化的基金竞争 5图表 2 了解基金竞争：同业对立与集群 6图表 3 描述性统计 9图表 4 竞争对手的重叠 12图表 5 基金同类 13图表 6 特定化同类、LIPPER 同类和随机抽签基金的相似度分布 14图表 7 相似度分布比较 15图表 8 CPA 和未来 ALPHA 的情况 16图表 9 收益缺口 17图表 10 CPA 和未来 ALPHA 的回归 18图表 11 CPA 和未来 ALPHA 的回归 19图表 12 竞争和未来 AL

4、PHA 20图表 13 通过投资组合重叠来衡量竞争 21图表 14 竞争与贸易不平衡 22图表 15 低竞争和高竞争市场的累积贸易失衡 23简介是什么因素限制公募基金经理产生持续的业绩？本文提出并检验了一个假设，即来自其他基金的买方竞争很重要。首先，本文提出了一种新的基于风格的空间方法来识别每个基金的特定竞争对手。其次，本文构建了动态的、基金层面的竞争衡量指标，并构建了衡量基金相对于特定同类基金的出色表现的指标。最后，本文证明，在基金面临较少竞争时，表现优于其特定竞争对手的基金会产生未来的 Alpha。公募基金经理能否产生正的 Alpha？他们能持续产生吗？这些都是公募基金文献中的基本问题。对

5、这些问题的研究至少可以追溯到 Jensen（1968），他发现无论是基金总体还是单个基金，其表现都不比随机所期望的更好，Jensen 的结论在许多研究中得到了支持。是什么力量阻碍基金经理持续产生Alpha 的能力？Berk 和 Green（2004）提出一个观点，即规模不经济（diseconomies of scale）。他们认为由于基金经理人才的短缺，表现优异的基金经理会吸引投资人青睐并管理更多的资金。但是，随着基金规模的扩大，会出现规模不经济的情况，并在均衡状态下使 Alpha 减小为零。Pastor和 Stambaugh（2012）以及 Pastor, Stanbaugh 和 Taylo

6、r（2015）发现规模不经济效应在总体行业水平上运作。本文提出了一个理解公募基金业绩的观点：基金之间的竞争。在本文的框架中，投资相似风格的公募基金是竞争对手。当给定风格的市场竞争激烈时，基金产生持续 Alpha 的可能性较小。这种观点是由经典的产业组织理论所衍生的，在传统的产业组织理论中，在差异化较少产品的可竞争市场中，竞争很重要（Baumol, Panzar和 Willig 1982）。这些特征很好地描述了公募基金行业。本文检验了基金之间的竞争限制了 Alpha 的假设，以及表现优异的基金会产生未来Alpha 的能力。在文中，一只基金的竞争对手是其风格空间上与其接近的其他基金。因此，一只基金

7、面临在风格空间上相距遥远的竞争对手的威胁较小。风格竞争在限制业绩方面的作用也与 Foster 和Viswanathan（1996）的理论一致，他们预测，当许多基金追逐相同的信号时，获利会更加困难。本文通过一个简单的示例来解释风格空间方法。假设基金 F1 的风格是投资于平均市值为 10 亿美元的小盘股。在竞争识别界限为 4 亿美元的情况下，基金 F1 的竞争对手是持有平均市值在 6 亿至 14 亿美元之间的股票的基金。当在此空间范围内存在许多竞争对手时，竞争会很激烈；而在空间范围内竞争者很少时，竞争则没有很激烈。本文的风格空间包含除规模大小以外的风格维度，并且仔细指定了空间轴、距离和界限等竞争指

8、标。图表 1 展示了三维（3D）空间中低竞争和高竞争的可视化示例图像。a 图为基金在低竞争环境的示例，b 图为基金在竞争激烈环境的示例。图表 1 在风格空间中可视化的基金竞争资料来源：整理本文的研究方法具有两个主要特点。首先，竞争衡量是动态的。例如，在前面的示例中，焦点基金F1 可能在不同时间发现自己高于或低于 10 亿美元。基于该基金的精确风格定位，它所面临的竞争将会随着时间的推移而变化，因为随着时间的推移该基金在风格空间上更靠近某些竞争对手而又远离其他竞争对手。此外，即使基金本身不在风格空间中移动，其他基金也可能会进入或离开其风格区间，从而以动态的方式影响竞争。因此，竞争的衡量标准需要经常

9、更新，每个季度都会更新指标，纳入最新的持股和风格特征的最新数据。第二个特点是每个基金都有一组独特的特定化竞争对手。相比之下，Lipper 和 Morningstar 规定所有被归入某一风格的基金都被视为竞争对手。为了说明不同之处，再次考虑风格定位为 10 亿美元的焦点基金 F1、平均市值为 13 亿美元的基金 F2 和 平均市值为 16 亿美元的基金 F3。假定竞争带宽为 4 亿美元，可以得出基金 F1 和 基金 F2 是竞争对手，基金 F2 和基金 F3 也是竞争对手。但是，基金 F1 和基金 F3不是竞争对手。图表 2 说明了本文基金特定化同类选择的优点。根据竞争范围限制，要将基金X 视为

10、基金 R1 和基金 R5 的竞争对手。如果将基金 X 分配给集群 1，会忽略基金 R1 和基金 R5 也是竞争对手。特定化同类方法所产生的竞争对手的风格空间更接近，每个季度都会动态更新，并且在计算上比形成集群的误差更小。根据经验，首先要确定一个风格空间。根据现有文献选择 k 个维度，遵循 Daniel（1997，以下简称 DGTW），本文有 k=3 个维度：大小、价值-成长（B/M）和动量。本文赋予基金在风格空间中的位置等于其股票所隐含的价值加权风格位置（Chan, Chen 和 Lakonishok 2002; Brown, Harlow 和 Zhang 2009; Chan, Dimmoc

11、k 和 Lakonishok 2009）。为了衡量竞争，注意基金F 在3D 风格空间中的位置是 = , /, 。本文将竞争对手定义为坐标为 = , /, 的基金 R 在空间上接近。同理，空间距离(, )应小于临界值。如果基金在风格半径内优于竞争对手， 即其回报超过其竞争对手的平均回报时，则表明基金具有一定的技巧。本文将基金 相对于同类的回报率定义为“特定同类 Alpha”（CPA）。本文测试了表现优于竞争对 手的基金是否会产生未来的 Alpha，以及当基金面临的竞争较少时，这种关系是否更 牢固。图表 2 了解基金竞争：同业对立与集群资料来源：整理本文的主要结果是，较高CPA 可以预测较高的未来

12、Alpha，并且在低竞争的市场中这种关系更强。例如，按照前期 CPA 进行排序，未来DGTW Alpha 的 10-1 十分位差在低竞争市场中为每年 342 个基点，在高竞争市场中为 54 个基点。因此，使用标准基金业绩指标，击败其特定同类的基金会在未来表现优异，尤其是在低竞争市场中。回归验证了结果对许多控制因素的稳健性，包括管理资产额（assets under management）、市场规模（market size）、基金风格定位（fund style orientation）、基金流量（fund ows）、家族固定效应（family xed effects）、交互式季度固定效应（inte

13、ractive style-quarter bin xed effects）以及本文使用 Carhart（1997）、Pastor和 Stambaugh（2003）阿尔法和 Berk and Van Binsbergen（2015）技能指标（skill metric）。本文还测试 Alpha 水平是否随着买方竞争而降低，发现情况确实如此，尤其是在样本的早期时期。本文分析了低竞争和高竞争市场中基金的股票积累模式，发现低竞争市场中的基金能够在可预见的机会充分实现之前积累更多的股票，这些基金面临较慢和较不积极的交易。结论与 Foster 和 Viswanathan（1996）的模型一致。最后有证据表

14、明，面对竞争较少的市场的基金经理可以获得更高的管理费。本文的研究是对Wahal 和Wang（2011）（WW）的补充。尽管他们也研究了竞争，但与本文在框架和结果上存在显着差异。本文研究的是业绩的持久性，这在 WW的文献中没有解决。第二个区别是，本文的衡量方法包括现有基金在内的所有基金的竞争，而 WW 则考察了新进入者。最后，本文根据风格竞争对手定义竞争，而 WW则专注于持股重叠。因此，本文的方法将两只小盘股票视为比一只大盘股票和一只小盘股票更相似，本文发现这种差异很重要。风格空间中的竞争，而不是逐个股票空间中的竞争，说明了业绩的持久性。本文认为，将两项研究结合在一起，可以得出更丰富的观点。例如

15、，新的进入威胁导致在位者降低其管理费以抢先进入，而来自现有基金的竞争压力削弱了基金产生持续表现的能力。文献综述尽管关于公募基金的文献非常丰富，但是关于基金行业的产业组织研究的文献却很少。一个例外是指数基金市场，在该市场中容易识别竞争对手。对于主动管理型基金，这些基金的风格各异且会动态改变投资组合，因此对竞争的描述就不是那么直接，本文的空间方法旨在直接解决此问题。可以从基金招募说明书（Sensoy,2009）、回报率（Sharpe,1988; Sharpe,1992; Brown 和 Goetzmann,1997）或基金持股量（Grinblatt 和 Titman,1989; Daniel 等

16、1997;Chan,Chen 和 Lakonishok,2002）中识别基金的风格。Chan, Dimmock 和 Lakonishok, 2009 年;Brown,Harlow 和Zhang,2009 年）。持股方式在实践中得到了广泛使用（例如，Lipper 的分类）。基金招募说明书中的竞争对手基金招募说明书提供了简短的风格描述。但是，实际上，这些描述并不是一直很具体，无法为基金策略提供精确的指导。此外，招股说明书明确允许基金经理偏离其既定策略。例如，从 T. Rowe 的招股说明书中看到：“本基金旨在提供长期资本增长”和“通过投资于成熟的成长型公司的普通股而获得的股息收入”以及 “该基金可

17、酌情偏离其正常投资条件。”这样的陈述为基金提供了极大的自由度，即使在基金对投资理念更为特定的情况下也经常出现。但是，Kostovetsky and Warner（2017）认为，招募说明书有助于识别基金的独特性。基金招募说明书还提供了另一种数据来推断竞争对手:自我披露的基准。但是，几乎没有准则来指导基金应选择哪个基准以及为什么选择。Sensoy（2009）表明，这种灵活性使得基准博弈成为可能。来自回报或持股的竞争对手Sharpe（1988,1992）率先提出了“基于收益的风格分析”的方法，他建议在基准指数上对基金收益进行回归，但要限制系数为正。这种方法的一种变体是根据资产定价因素对 公募基金

18、的 回报率 进行回归（ Jensen 1968;Fama 和 French,1993;Carhart,1997）。Brown 和 Goetzmann（1997）通过使用 k 均值聚类改进了基于回报的分析。随着更精确的持股数据， 基于风格的基金分类变得更加流行。Lipper 和 Morningstar 的方法是最明显的例子。诸如 Chan,Chen 和 Lakonishok(2002)以及 Chan,Dimmock 和 Lakonishok(2009)之类的学术研究发现，按持股规模大小和账面市值（B/M）风格分类方法非常有用。Hunter（2014）等使用 Russell 风格进行基准测试。本文

19、使用持股量在风格空间中定位基金，并使用其他基金的位置来识别竞争。遵循Cohen，Coval 和 Pastor（2005）的发现，本文将基金经理技能衡量标准定义为基金相对于具有相似风格的竞争对手基金的回报，而不是相对于用于被动风险基准的全部股票的基金收益。在基于持股量的环境中，一个重要的问题是风格规范化。学术文献支持使用规模大小和B/M 作为风格轴（Chan,Dimmock 和 Lakonishok,2009）。Grinblatt, Titman和 Wermers（1995）指出，主动型公募基金是动量投资者。一些投资者还要求现金收入（Allen,Bernardo 和 Welch,2000; Ha

20、rris,Hartzmark 和 Solomon,2015），因此本文的稳健性检验也将股息收益率视为一种风格维度。有关识别同类的文献本文使用空间方法来识别竞争是建立在经济学丰富的文献基础上（Hotelling 1929;Chamberlin,1933）。Hoberg 和 Phillips（2010,2016）使用空间方法重新定义了产业。本文的工作与他们的工作有两个区别。首先，他们的方法使用“余弦相似度”，这在文中的环境中不合适。其次，Blocher, Walal 和 Wang（2014, 2011）将每个股票视为一个轴。本文还考虑一个更紧凑的空间，其中轴是基金风格。这种设置可以识别出一些具有相

21、似特征的股票是潜在的替代品。本文发现，基于风格的竞争而不是使用逐只股票持有空间来识别的竞争者，与预测业绩持久性相关。数据本文从 CRSP Survivor Bias-Free 美国公募基金数据库中获得了 1980 年至 2012 年间主动管理的开放式美国股票公募基金样本。为了识别多样化的股票基金，本文遵循类似于Kacperczyk, Sialm 和 Zheng（2007）的顺序算法。首先选择 Lipper分类代码为以下之一的基金：EIEI, LCCE, LCGE, LCVE, MCCE, MCGE, MCVE,MLCE, MLGE, MLVE, SCCE, SCGE 或 SCVE。如果缺少 L

22、ipper 的分类代码，则挑选“策略见解”目标代码为 AGG, GMC, GRI, GRO, ING 或 SCG 的基金。如果两个代码都缺失，本文将选择 Wiesenberger 目标代码等于G, G-1, GCI, LTG, MCG 或SCG或 CS 的“政策”代码的基金。对于剩余的基金，本文要求整个周期的股权仓位至少为 80。本文使用 CRSP 指数基金标签并通过筛选基金名称中“指数”或“SP”之类的词来剔除指数基金，还将删除名称中带有“ ETF”之类的基金。本文从 CRSP 获取有关净收益的数据。为了获得扣除费用前的总回报，本文将每月的净回报加上基金费用比率的十二分之一。为了避免重复计算

23、以上类别的基金，本文使用前一个月的总资产净值对基金类别的收益（以及包括费用比率的其他特征）进行加权计算。那么，基金规模就是基金类别的总资产净值总和。基金的期限以年为单位，并从相对于该基金的首次发行日期的月底算起，不包含基金年限为负数的基金。本文从 Thomson Reuters 公募基金持股数据库中获取季度持股。由于重点是公募主动基金，本文排除了所有目标代码为以下其中之一的基金：国际（International）、市政债券（Municipal Bonds）、债券与优先（Bond & Preferred）、平衡（Balanced）和金属（Metals）。对于不按季度报告的基金，本文将上一季度的持

24、仓量推算到当前季度。数据后推最多只做一个季度，以避免数据过于陈旧。本文还会删除所有总资产净值（TNA）少于 500 万美元的基金。不一定要剔除总资产净值缺失的基金季度，因为这些观察结果有时与先前披露的总资产净值较大的基金有关。通过排除 Thomson Reuters 数据集中首次出现的基金季度来消除幸存者偏差。这样做是因为 Evans（2010）指出，仅通过筛选规模并不能消除这种偏差。本文剔除投资组合中股票少于 10 只的基金。然后，使用 Wermers（2000）开发的 MFLINKS 数据集将CRSP 样本与 Thomson Reuters 持股样本合并，进一步删除了CRSP 中没有有效的

25、 Lipper 类别的基金季度，还剔除了无法计算基金总回报或 Alpha 的基金月份。最终样本包括 1980 年 7 月至 2012 年 6 月以来的 3390 个基金和其 387143 个基金月份。图表 3 列出了本文的数据集的描述性统计信息。面板 A 显示了整个样本的汇总统计信息，面板 B 显示了按竞争类别分类的汇总统计信息。基金数量因年份而异， 1985 年为 292 只基金，2010 年为 1733 只基金。2005 年至 2010 年间，基金数量下降，反映了 2008 年金融危机后该行业的退出情况。基金平均规模从 1985 年的2.92 亿美元增加到期末的 12.2 亿美元。本文样本

26、中的回报率、平均规模和资金数量与之前的研究包括 Chan, Chen 和 Lakonishok（2002）和 Lou（2012）的研究相当，尽管样本并不完全相同，因为本文的研究包括了更多最新数据。面板 B 报告了每个竞争类别的平均基金特征的横截面，按季度形成三级分类并报告平均特征。低竞争性基金有 27 个同类，而高竞争性基金有 181 个同类。高竞争性基金管理的资产更多，平均而言年限更长。低竞争性基金的费用率和周转率较高，并且同期回报也较高。本文还调查每个竞争场所的基金数量的变化，基金的数量随着时间的推移而增加，但各个竞争场所的基金分配情况大致相似。平均而言，只有 2至4的竞争对手来自同一基金

27、家族，同一基金家族的同类比例随时间略有下降。图表 3 描述性统计资料来源：整理方法本节介绍用于识别基金竞争对手的算法。首先，根据特征的值或排序来定义空间基础和空间轴。第二，通过计算指标距离和指定半径来识别基金的竞争对手。第三，随着竞争对手集合的确立，研究如何衡量竞争情况以及相对于竞争对手的业绩。风格空间本文将股票置于 k 维的风格空间中，并根据基金所持有股票的价值加权风格特征来定位基金。k = 3 的风格空间是基于规模大小、账面市值比（B/M）和动量。股票规模是根据 CRSP 的季度末市值计算的，单位为百万美元。B/M 是在 t 年 6 月份使用t-1 年最后一个财政年度末的账面价值和t-1

28、年12 月份末的市场价值来计算的。然后将所得的 B/M 比率应用于 t 年 7 月份至 t + 1 年 6 月份，本文按照 Daniel 和 Titman（2006）的定义计算账面价值。动量是过去 11 个月的累积回报率（跳过最近的一个月）。因此，当投资组合被披露时，本文不包括季度末月份的回报，还需要至少 10 个月的非缺失回报数据来计算动量，本文对在 1和 99水平上的所有变量进行分析。本文考虑了基准 3D 网络的两种替代方案。一种是仅基于规模大小和 B/M 比率的 2D 网络，另一种是将股息率添加到 3D 网络的 4D 网络。股息率是当前季度末日之前的第一个会计年度的股息除以会计年度末的股

29、价。本文考虑股息率，是因为以收入为导向的股票投资者可能将现金股息纳入其需求函数，例如，即将退休的老年投资者可能更喜欢分红型股票。特定距离本文考虑两种定义距离的方法。一种使用特征排序，第二种使用 z-scores（考虑每种风格特征的实际分布）。最后，本文会采用正交化方法，主要遵循 Chan，Chen和 Lakonishok（2002）建议的一种做法，建议研究者应该先控制大小，然后在控制大小的维度上进行排序。排序一只股票的特征排序是指其在纽约证券交易所所有股票代码为 10 或 11 的股票分布中的百分位数。一只基金的特征百分位则是其投资组合中股票的加权平均百分位。这使本文可以在 2D 风格空间,2

30、 = , /中获得基金坐标。,2在公募基金的背景下，本文还考虑了 Fama 和 French（1993）和 Chan, Chen和 Lakonishok（2002）基础上的正交化。在每个季度末，本文使用对数市值 LSIZE的原始值作为基础，沿着规模维度对所有纽约证券交易所的股票进行排名。然后， log（1+ B/M）或 LBM 回归到 LSIZE 上，并将回归残差作为股票沿 B/M 维度进行排名的依据。对于非纽约证券交易所的股票，本文根据残差 LBM（即原始 LBM 减去基于NYSE 回归参数的预测LBM）分配股票的百分位数。最后，本文获得 2D 基金坐标作为其投资组合中股票的投资加权平均百分

31、比，这样本文得到了正交化 2D 风格空间 = , /中的坐标。对于 3D 和更高维的空间，本文使用广义的正交化，首先按规模大小排序，然后正交化 B/M，再正交化动量，最后是股息率。在每种情况下，排名均基于纽约证券交易所的残差排名。这使本文能够在基金 F, ,3 = , /, 及其正交,3,4对应物 = , /, 的原始 3D 风格空间中进行坐标处理。类似地，本文获得每个基金在 4D 风格空间中的坐标，即,4和。z-scores基于排序的方法不考虑特征值的实际分布。使用排序还是使用特征的值是一个经验问题，业界先例是使用特征的值。例如，Lipper 风格取决于价值/成长的值。因此，本文将特征的水平

32、视为空间基础。本文首先在每个季度末将每个 NYSE 股票的每个特征标准化，并求所有 NYSE股票的均值和单位标准差。例如，对于规模大小，纽约证券交易所股票的 z-score 等于()。非纽约证券交易所股票的 z-score 是根据其相对于拟合的纽约()证券交易所均值和标准差的位置分配的。基金的坐标就是其投资组合中股票的 z- score 的投资加权平均值。例如，在基于 z-score 的风格空间中，基金 F 的 3D 坐标由,3 = , /, 给出。类似地，本文获得 2D 和 4D 坐标（，,2，,4 ）。为进一步的重构，本文将原始的 z-score 正交化，获得基于 z-score 的正交化

33、风格空间中基金坐标。例如，对于 B/M 的z-score，本文对所有纽约证券交易所股票在,2上回归，残差是纽约证券交易所股票的 B/M 的 z-score。对于非纽约证券交易所的股票，z-score 是减去基于仅纽约证券交易所回归系数的预测水平。因此，本文在基于 z-score 的正交 2D 风格空间 = , /中获得资金坐标。类似地，本文获得和。,3,4识别基金竞争对手本文遵循 Hoberg 和 Phillips（2016）的研究，在风格空间中基于基金之间的成对距离来识别竞争对手，但存在技术上的区别。特别是，在计算距离之前，本文并没有将每个基金的特征向量重新缩放为单位长度。缩放比例意味着，第

34、 20 个 B/M 百分位数和第 30 个规模大小百分位数的基金是第 40 个 B/M 和第 60 个规模大小百分位的基金的对手。但是，这两个基金显然不是彼此的对手。对于第个季度的基金，本文将其风格特征的第个元素向量表示为。在本文的主要推测中，将设置为 3。但是，本文以更大的通用性来表示该方法，以说明该计算方法对于更高维度的基金来说并不过分困难。如果 的所有元素在名义规模上都非常接近 ，则本文将基金视为基金的竞争对手。将和之间的距离表示为。如果是向量的第个元素，则基金和之间的成对距离可以定义为 = ( )2 .(1)=1,距离分数越低表明基金和可能是竞争对手。本文指定一个截止距离，即竞争对手是

35、指, 的基金。直观地看，基金的竞争对手可以看成是固定半径为的球体中周围的基金。图表 4 清楚地表明了竞争对手的传递性，例如，图中将每个基金的本地市场描绘成每个基金周围大小相等的圆圈。在这里，基金 Y 是基金X 的竞争对手，基金 Z 是基金Y 的竞争对手，但基金Z 和 X 不是竞争对手。本文的方法可以轻松适应高维度或不同的距离函数。但是，增加维数并不总是有利的，因为不相关的维数会稀释相关维数的权重，而相关度较低的基金可能会被视为竞争对手。以这种方式构造竞争对手会形成一个完整的不传递“风格网络”，因为本文计算的成对距离可以采取成对相似性矩阵的形式。为了避免随意选择间隔距离，本文指定以匹配在基金行业

36、广泛使用的 Lipper 分类的间隔距离水平。这种间隔距离导致所有基金对中有 8.858被视为竞争对手。为了在本文的网络中实现这种间隔距离，本文选择作为最小数目，以使所有排列中至少有 8.858小于。这个小的修正，不会对本文的业绩产生重大影响，本文要求所有基金至少要有五个竞争对手。为了提高稳健性，本文尝试使用 5、10和 15的备用间隔距离，并获得相似的结果。图表 4 竞争对手的重叠资料来源：整理衡量竞争程度的指标本文构建了两个衡量竞争的指标。一种就是空间距离小于的竞争对手的数量，本文将其定义为NPeers。该度量不能区分在此球形半径为中紧密堆积在一起的竞争对手或散布在整个球体中的竞争对手。因

37、此，本文的第二个度量标准是基金与竞争对手之间的总相似度, = ,，它计算了同类之间的紧密程度。为了计算该数量，本文首先通过从每个相似度分数中减去季度的最小相似度，将相似性得分重新调整为正值。等于零值被分配给正好在边界上的同类，正数表示更接近给定焦点基金的同类。本文将这些重新调整后的基金与其竞争对手之间的成对相似度相加，并将结果标记为总相似度或 TSIM。因此，NPeers 或 TSIM 值越大，基金面临的竞争更严峻。相对于特定同类的业绩本文以基金经理相对于其特定同类的表现来衡量其技能，本文将其定义为“特定同类 Alpha”（CPA）。本文注意到，熟练的基金经理应击败那些为投资者提供类似风险敞口

38、的竞争对手。因此，本文将 CPA 计算为基金的收益减去其竞争对手的平均收益。本文在净收益中加入 1/12 的年费用率。对于每个基金在月份中的情况，特定化同类的 Alpha 为：其中 =1 = ,(2), 并且基金有个对手（ = 1,2，. . . ，）。因此，CPA 是指基金的收益减去所有主动型基金的收益，这些主动型基金的风格与研究的基金相同。图表 5 基金同类资料来源：整理结果分析本文首先讨论特定化同类的属性，然后再讨论基金的业绩。本文的主要结果是，相对于特定化同类的表现可以预测未来的 Alpha，尤其是在风格竞争程度较低的情况下，本文使用投资组合排序结果来说明。然后，本文进行了回归，并进一

39、步解释结果。除非本文另外说明，否则结果是基于使用 z-score 方法的 3D 正交空间。特定同类的属性图表 6 比较了本文基于风格的特定同类和 Lipper 同类。面板 A 显示不是 Lipper同类( )、公共同类( )和不是 Lipper 同类( )的 Lipper同类的比例。重叠的情况相对很少，普通同类仅占总数的 20。图表 6 显示，与特定同类相比，Lipper 同类在风格空间上距离更远。尽管特定同类的密度在距离约 0.35时下降到零，但在这个点的右边有大量的 Lipper 同类。虽然本文的方法和 Lipper 方法都旨在寻找风格相似的同类基金，但本文的方法要求同类基金应在给定的风格

40、半径内。因此，图表 6 说明了当明确施加距离标准时，距离下降的程度。图表 5 中的面板 B 研究了随着时间推移特定同类的流失情况。标有“Common” 的一栏表明，一个季度中大约一半的同类在下一季度仍是同类，而极少数的基金（0.2或更少）在连续两个季度中拥有相同基金的。图表 7 展示了相似度随时间的衰减， 并绘制了焦点基金与其季度竞争对手在未来 + 季度的平均相似度。上图显示即 使在一个季度之后相似度仍存在显著衰减。下图显示了这种衰减在一年后更为严重。这些数据表明，动态更新基金竞争对手很有用，即动态更新产品市场的同类要比从 静态SIC 代码推断的同类更好。图表 6 特定化同类、Lipper 同

41、类和随机抽签基金的相似度分布资料来源：整理然后，本文报告三组基金的基金对相似性分布：（1）使用本文的内向网络同类方法认为是对手的基金对；（2）被 Lipper 同类分类视为对手的基金对；（3 ）随机抽取的基金对。如图表 6 所示，随机抽取的基金度相似不高，但可作为比较同类分类相似度的基准。图表 7 是给定季度特定同类的相似性分布与滞后一个季度的特定同类（上图）和滞后一年的特定同类（下图）的相似点分布。所有相似度都是计算一对基金在 2003年的相似度，相似度等于-1 乘以每对基金中两只基金的 3D 风格属性向量之间的欧氏空间距离。然后，本文报告三组基金的基金对相似性分布：（1）使用本文的内向网络

42、同类方法认为是对手的基金对（两个图中均为基线）；（2）同一基金同类滞后一个季度（上图）；（3）相同的基金同类滞后一年（下图）。如图所示，随着基金在风格空间中的移动和距离的拉大，同类的相似性会随着时间而下降。图表 7 相似度分布比较资料来源：整理竞争、Alpha 和持续性在本文的基准模型中，因变量是下一个时期 DGTW 风格调整后的 Alpha（即 CS Alpha）。本文将重点放在 DGTW Alpha 上，因为它在公募基金文献中广泛用于业绩评估，但是本文证明了使用 Carhar（t 1997）或 Pastor and Stambaugh（2003）Alpha（甚至未来的CPA）的结果是可靠的

43、。投资组合排序图表 8 列出了投资组合的分类结果。在每个季度末，本文根据过去的 CPA 的十分位数对基金进行分类，即相对于特定同类的异常表现，并针对接下来三个月的每个十分位数计算 DGTW Alpha 指数。十分位数的 DGTW Alpha 是十分位数中基金的各个DGTW Alpha 的平均值。本文计算每个十分位数的每月 DGTW Alpha 的时间序列平均值。面板 A 显示，表现最佳的十分位数 CPA 基金以年化 264 个基点战胜了业绩最低十分位基金。面板B 按CPA 和竞争状况对基金进行分类。本文发现，竞争加剧时 Alpha 会降低。10-1 十分位差在低竞争条件下为年化 342 个基点

44、，而在高竞争条件下仅为 54个基点。288 个基点的差异在经济和统计上都是显著的。图表 8 CPA 和未来 Alpha 的情况资料来源：整理以上结果基于季度持股情况，并不反映基金经理在季度持股披露之间的临时交易。竞争能力较弱的风格空间中的股票流动性较差，或可能表现出较高的信息不对称性，并且由于流动性不足而可能产生较高的交易成本。另一方面，能够生成 DGTW Alpha 的基金经理也可能具有通过短期交易来管理交易成本的能力。本文遵循 Kacperczyk, Sialm 和 Zheng（2007）的方法估计收益差距，即季度末基金实际实现的收益与季度初被动地投资于所观察到的持股组合的收益之差。如果低

45、竞争空间比高竞争空间具有更小的收益缺口，则可能表明低竞争空间的交易成本更高，这可以解释本文的竞争一致性关系。图表 9 显示了各种检验结果。面板 A使用独立的排序结果，并显示低竞争空间和高竞争空间的 10-1 分位数收益差距价差相似。在面板B 和C 中按顺序排序的结果也产生相似的结果。因此，交易成本不可能解释本文的持续性结果。图表 9 收益缺口资料来源：整理图表 9 在每个日历季度末，按竞争将基金分类为低（L）、中（M）和高（H）三等，并按 CPA 分为十等以获取 30 个投资组合。竞争是根据过去 12 个月的特定同类（NPeers）的平均数来衡量的，而 CPA 则是根据过去 12 个月的平均

46、CPA 效果来衡量的。在获得 30 个投资组合之后，计算下一季度同等权重的回报差距，然后重新平衡投资组合。最后，本文通过取整个时间序列的平均值来获得排名后投资组合的平均季度回报差距。回归本节估计了基金季度的回归，其中的因变量是后3 个月的月平均DGTW Alpha，图表 10 报告了结果。在第（1）列的单变量分析中，过去的 CPA 对解释未来的DGTW Alpha 具有显著作用。过去的 CPA 每月增加 1，则未来的每月 Alpha 值将增加 9.5个基点，或者每年增加 114 个基点。图表 10 中的第（2）列添加了回归变量过去的业绩和费用。继 Edelen（1999）指出流动性波动较大的基

47、金可能会进行降低业绩的流动性交易，本文还加入了过去的收益率、收益率的波动性和过去收益的波动性。本文进一步考虑潜在时间变化的不可观测因素，包含基于风格和季度的高维度交互式影响，这些风格 时间 的交互式效应剔除了每个时间段内风格组中的不可观察对象。这种规格化类似于 Gormley和 Matsa（2014）中讨论的行业 年份 的固定效应。“Style9”对应于将基金分组到类似于 Morningstar 和 Lipper 分类的 33 大小网格中。本文根据季度的规模大小和B/M 比值 z-score 构建这些网格，以生成 9 个网格，其中包括大盘值、小盘增长等。 “Style16”是使用 4 x 4

48、网格的类似构造。该结果对于包含这些交互式固定效应以及按基金对标准误差进行聚类分析是可靠的。图表 10 CPA 和未来 Alpha 的回归资料来源：整理图表 10 中因变量+1,+3表示 + 1到 + 3月份的平均CS 表现。CPA 代表 11到个月份的平均 CPA 表现，CS 代表 11到月份的平均 CS 表现。ExpRatio和 TurnRatio 分别表示月末的费用比率和周转比率。logFundAge 和 logFundSize分别表示在月末的基金年限和基金规模（百万美元）的自然对数。FlowVol 是 11到月每月流量的标准偏差。SD 是 11到月份的每月原始回报的标准偏差。在图表 11

49、 中，本文考虑了事前 CPA 与事后DGTW Alpha 之间的联系是否随竞争水平而变化。自变量与图表 11 中的变量相同，但是现在添加风格竞争变量。Low和 Med 是虚拟变量，用于识别每个季度的中低竞争范围内的基金。本文忽略了高竞争性的虚拟变量，因此系数表示相对于高竞争性基金的Alpha 增量。图表 11 CPA 和未来 Alpha 的回归资料来源：整理图表 11 中，Low 和 Med 是虚拟变量，用于确定基金面临的竞争水平。具体来说，本文通过 11到月内特定同类的平均数量来衡量竞争。然后，本文将基金分为竞争条件：低、中和高。如果某项基金的竞争水平最低，则 Low 取值为 1，否则其取值

50、为 0。类似地定义Med 和 High 虚拟变量。本文发现图表 11 中的关键交互作用术语 是显著的。这表明在低竞争的市场中，业绩的持续性要强得多。协同系数表明，过去 CPA 每增加 1，相对于高竞争的市场，低竞争的市场每月就可以增加 9.5 个基点（每年 114 个基点）的 Alpha增量。在图表 12 中，本文分析了 Alpha 水平是否随竞争而变化。竞争衡量标准为Npeers（面板 A）或 TSIM（面板 B）。本文发现在 3 个月、6 个月和 12 个月时间内竞争与 Alpha 呈负相关。在 3 个月和 6 个月的时间区间内，结果在 5的水平上是显著的。对于 1 年期，显著性下降到 1

51、0。低-高竞争点差每年约为 90 个基点。在图表 11 的多变量回归中，这种竞争 Alpha 的联系更强。例如，图表 11 显示，低竞争系数为正且在 1的水平上显著。Alpha 水平在基金的买方竞争中会被降低。图表 12 竞争和未来 Alpha资料来源：整理使用投资组合重叠度衡量竞争本文的主要使用风格空间中的距离来衡量竞争。这反映了一种观点，即风格是投资者寻求的维度，也是基金经理的目标对象（例如 He 和Xiong 2013）。此外，使用风格可以识别出两只小盘股可能比一对小盘股和大盘股更为相似。本文认为，一个紧凑、低维的风格空间适合考察基金之间的竞争。另一种方法是忽略风格特征，并使用每个基金的

52、逐个股票投资权重来衡量竞争。这种方法将把每种股票指定为一个单独的风格轴。因此，本文计算了基金投资组合之间的逐个股票重叠度来识别竞争对手。当忽略所有风格维度时，这种持股方法是极限情况。例如，Wahal 和 Wang（2011）研究了在位者和新进入者之间的股票重叠情况。本文使用一个高维空间来构造另一种竞争衡量标准，在这个空间内，每只股票都是独立的轴。一个基金在股票 s 轴上的位置是其在股票 s 中的投资权重。本文使用一个减去这些持股向量的余弦相似度来计算基金对之间的距离，如下所示：= 1 ( ) ,(3)本文考察基于持股的竞争是否也会削弱表现良好基金产生未来 Alpha 的能力。图表 13 报告了

53、回归结果，关键变量如前所述，但现在基于股票重叠空间，LowPO是基于投资组合重叠的低竞争性基金的虚拟变量。同样，CPAPO 衡量的是相对于这些投资组合重叠的同类的基金事前表现。本文还包括使用风格空间和完整控制来衡量竞争。与之前一样，本文还包含了高维交互风格乘以时间固定效应。本文发现，基于风格的竞争和基于投资组合重叠的竞争衡量都与 Alpha 水平相关，经济幅度相近分别为每年 60 个基点和 48 个基点。但是，当前的表现只能在风格竞争空间预测未来 Alpha。例如，当使用投资组合重叠来衡量竞争时，交互项 并不明显，有时还带有负号。相反，对于基于风格竞争的交互项 ，本文发现系数为 0.105 且

54、为正。该系数与本文的基准结果在经济规模上是相似的，表明低竞争和高竞争之间的下一个 Alpha 年度的利差每年约为 262 个基点（= 0.105122.08）。图表 13 通过投资组合重叠来衡量竞争资料来源：整理传导渠道到目前为止，本文的研究表明，竞争会削弱表现出色的基金产生未来 Alpha 的能力。本文进行一个基于交易不平衡的额外检测，以获取有关竞争结果的更多见解。该测试分析了当风格空间中竞争较少或者较多的部分中出现机会时，基金如何交易。Foster 和 Viswanathan（1996）（FV）预测，当竞争加剧时，知情的基金将具有更强的动机来更快地交易，以抢先竞争对手。以此观点为动机，本文确定了在高竞争和低竞争市场上的一组可供选择的投资。然后，本文研究了在临界投资出现和实现之前、之中和之后的交易模式。本文测试的 FV 的关键见解是，在信息完全传播之前，低竞争市场中的基金是否能够逐渐积累更多的股票。图表 14 竞争与贸易不平衡资料来源：整理本文首先根据过去CPA，将优先赢家基金定义为从 t = -3 到 t = 0 的四个季度中表现最好的十分之一的高业绩基金。然后，本文将根据每只股票的单只回报率，将投资确定为