如何衡量基金经理把握股票基本面的能力

1、正文目录 HYPERLINK l _TOC_250015 简介 4 HYPERLINK l _TOC_250014 指标构建方法：AFP 6 HYPERLINK l _TOC_250013 AFP 的计算 8 HYPERLINK l _TOC_250012 样本选择 8 HYPERLINK l _TOC_250011 计算 AFP 9 HYPERLINK l _TOC_250010 通过 AFP 预测基金的表现 10 HYPERLINK l _TOC_250009 投资组合排序 10 HYPERLINK l _TOC_250008 双重排序 12 HYPERLINK l _TOC_250007

2、 预测的面板回归 15 HYPERLINK l _TOC_250006 了解 AFP 16 HYPERLINK l _TOC_250005 AFP 的驱动因素 16 HYPERLINK l _TOC_250004 主动基金经理什么时候才能超越同行？ 18 HYPERLINK l _TOC_250003 AFP 的持续性 19 HYPERLINK l _TOC_250002 稳健性测试 19 HYPERLINK l _TOC_250001 7 总结 20 HYPERLINK l _TOC_250000 风险提示： 21图表目录图表 1 描述性统计 8图表 2 AFP 的时间线 9图表 3 季度末

3、后的几周内累计 AFP 10图表 4 AFP 和基金回报：十分组投资组合（PANEL A） 11图表 5 AFP 和基金回报：十分组投资组合（PANEL B） 12图表 6 AFP 的业绩预测能力：双重排序（PANEL A） 13图表 7 AFP 的业绩预测能力：双重排序（PANEL B） 14图表 8 AFP 和基金的回报：预测的面板回归（PANEL A） 16图表 9 AFP 和基金的回报：预测的面板回归（PANEL B） 16图表 10 进一步了解 AFP：信息不对称 17图表 11 AFP 的预测能力与分析师分歧 18图表 12 AFP 的持续性很强 19图表 13 AFP 和基金回报

4、：使用收益残差构建的稳健 AFP 20简介尽管有大量文献研究基金业绩的评估，但要识别有能力的共同基金经理仍然具有挑战性。资产回报的市场噪音（Noise）和随机冲击很难将基金经理的投资技能与运气区分开。由于观察到的共同基金的 Alpha 值通常很小且存在市场噪音，因此评估人员将需要一个过长的回报序列才能可靠地识别有能力的基金经理。最近的研究表明，资产价格在新闻发布日更能反映基本面信息：风险与收益关系更加清晰，股票层面的错误定价往往会随着重要基本面信息的发布而得到纠正（Savor 和 Wilson， 2013、2014、2016；Lucca 和 Moench，2015；Engelberg，McLe

5、an 和 Pontiff， 2015）。这些发现对业绩评估具有重要意义。当股票价格更能说明其基本价值时，基金的业绩就更能说明基金经理的投资技巧。但是，没有任何现有的业绩衡量标准利用这一机会。通过当前的发现，本文打算填补这方面的研究空白。本文提出了一种以公司基本面信息的发布为条件的基金经理投资能力的衡量标准。本文专注于由基本面信息驱动的价格变动，本文的衡量指标更有效地利用现有的基金业绩和股票回报数据来提高业绩评估的能力。具体而言，本文定义的“基本面把握能力”（AFP），反映了基金的投资组合权重与被动基准（或之前持有的股票）的偏离度与股票在后续盈利公告前后 3 天内的业绩之间的协方差。本文选择此短

6、窗口作为发布基本面信息的代理指标，因为盈利公告作为公司重要的信息事件与股价的大幅“修正”相关。例如，Sloan（1996）证明，大约 40%的应计策略利润集中在 3 天的盈利公告窗口。La Porta（1997）等报告说，Lakonishok、Shleifer 和 Vishny（1994）考虑的各种价值策略的收益的 25%至 30%集中在盈利公告的前后 3 天左右。Jegadeesh 和 Titman（1993）估计，约有 25%的动量利润集中在公布收益的前后 3 天。最近，Engelberg、McLean 和Pontiff（2015）调查了 97 种股票的异常回报率，发现异常回报率在盈利公告

7、日高出 7 倍。这些证据表明，围绕盈利公告的短暂窗口是股价收敛至基本价值的时期。因此，本文认为，围绕盈利公告发布的一只基金的股票表现可以识别主动型基金经理，他们可以选择错误定价的证券并成功预测其价格的变动。本文分析了 1984 至 2014 年期间 2,538 只美国主动型股票基金的季度持股数据。对于每个季度的每只基金，本文都计算基于指数的 AFP（基金的主动权重与随后的盈利公告期间标的股票表现之间的协方差）和基于交易的 AFP（基金的投资组合权重变化与相关股票在随后的收益发布期间的表现之间的协方差）。本文发现，基于指数（基于交易）的 AFP 均为正，跨基金的平均值为 9.95（5.40）基点

8、每 3 天，标准差为 32.46（22.09）基点。这些结果表明，共同基金的业绩存在明显的横断面异质性（cross-sectional heterogeneity），至少一些基金经理表现出很好的能力。此外，该指标与其他常用业绩指标之间存在正相关（尽管只是中等程度）的相关性。例如，基于指数的（基于交易的）AFP 与原始资金回报率、四因子 Alpha、Danie（l 1997）等的特征选择性（CS）度量以及 Grinblatt 和 Titman（1993）的平均横截面相关性分别为 25%、24%、32%和 17%（6%、6%、8%和 23%）。因此，与其他业绩指标相比，AFP 能够捕获独特的基金特

9、征和大量的增量信息。本文发现，AFP 强烈地预测了随后的基金表现。在按指数（交易型）AFP 进行的单变量排序中，高 AFP 的前十分之一的共同基金每年优于低 AFP 的后十分之一的共同基金 2.76%（1.44%）。这种表现不能通过它们面临地不同风险或风格因素来解释。例如，在调整了市场、规模、价值和动量因素的不同负载后，指数型（交易型）高 AFP 的前十分之一共同基金的表现仍比底端十分之一的共同基金高出 2.40%（1.44%）每年。在其他测试中，本文控制了流动性和盈余惯性(post-earnings announcements drift)的影响，而 AFP 仍然是未来基金业绩的有力预测指标

10、。需要注意的是，本文的基金投资组合策略基于至少滞后 2 个月的基金持股信息。美国证券交易委员会（SEC）要求共同基金在 2 个月内披露其投资组合构成，从而使该策略对共同基金投资者或旨在提高其选择业绩的共同基金的基金都可实施。从双重排序中，本文发现 AFP 对未来基金收益的强大预测能力，其增量超过了各种基于各种收益和持股的业绩衡量指标，如 CS（Daniel 等；1997）、回报缺口（Kacperczyk，Sialm 和 Zheng；2008）、对公共信息的依赖（RPI）（Kacperczyk和 Seru，2007）和主动份额（Cremers 和Petajisto；2009）。本文还发现，如果共

11、同基金投资者将 AFP 中包含的信息与回报缺口的信号相结合，可以进一步提高其收益。例如，基于四因素模型，基于指数的AFP 的前四分之一和回报缺口中的共同基金每年的表现要比后四分之一的共同基金每年高 3.36%。本文还考虑了多变量回归，这些回归共同控制着基金投资能力的其他度量标准，例如 CS、回报缺口、RPI 和主动份额，以及其他基金特征，包括基金年龄、规模、费用率、换手率、过去流量和过去业绩。本文发现，在这些回归中，AFP 在预测未来基金业绩方面仍具有统计学意义。在投资组合和回归分析中，与其他业绩指标相比，AFP 对未来基金的业绩的预测更显著和一致。本文进行了进一步的分析，以阐明AFP 的信息

12、来源。通过股票水平分析，本文发现主动权重和投资组合权重的变化都可以预测未来盈利公告周围的异常收益，并且对于信息不对称性较高的公司（即，分析师覆盖率较低、特质波动性较高、分析师分歧较大的公司）表现出更强的预测能力。此外，当金融分析师的预测出现分歧时，高 AFP 基金的出色表现就更加明显。这些结果支持了这样一种观点，即对公司基本价值做出优越估计的能力驱动着 AFP 及其业绩预测能力。AFP 的测度还表现出时间序列的持久性，例如，以指数型 AFP 最高的前十分之一的共同基金在接下来的两年中，其 AFP 仍然显著高于处于底层的十分之一的共同基金。这种持久性在很大程度上是由于排名前十分之一的基金的AFP

13、 较高。本研究通过引入新的业绩指标以及使用可用数据的新的和更有效的方法，为有关共同基金业绩和市场效率的广泛文献做出了贡献。本文表明，关注重要的数据节点（信息日）并将主动管理的程度和质量的信息集成到单个度量中，可以大大提高识别有能力基金经理的能力。AFP 度量与 Grinblatt 和 Titman（1993）的无基准业绩度量以及Daniel 等人（1997）的基于特征的业绩度量有关，这两种方法都是基于基金持股和后续的股票回报率。本文以基本面信息发布为条件的创新更进一步，并利用了价格趋向于其基本面价值的时期内高的信息噪声比（information-to-noise ratio）条件法使来自随后的

14、股票表现的信号更加清晰，并大大提高了评估股票拣选技能的能力。在未列出的测试中，本文发现，当本文用随后的整个季度的股票回报率代替盈利公告收益时，AFP 对未来基金业绩的预测能力就消失了。本文的研究对量化管理的投资组合中的主动水平有影响（如，Cremers 和 Petajisto，2009；Cremers 等，2013；Petajisto，2013；Stambaugh，2014）。本文通过将主动程度嵌套在一个严格的业绩评估框架中，为这一类文献做出了贡献。本文的方法侧重于有效投资组合权重（或权重变化），并检查权重以及信息日股票收益之间的协方差。实证表明，AFP 测度有助于区分主动份额高的有能力和能力

15、较弱的主动型基金经理，这对于共同基金投资者特别有用。Ali（2004）等和 Baker（2010）等人的研究，分别记录了机构投资者和共同基金的交易预测后续盈利惊喜的证据。Cohen、Frazzini 和 Malloy（2008）跟踪了共同基金和企业经理人之间共享的信息网络，发现关联股票的平均回报率很高，尤其是在公布财报期间。结合记录盈利公告是在股票价格迅速收敛至基本价值的短期期间的研究，这些论文可以帮助本文建立有力的基金层面业绩指标，以识别有能力的基金经理。尽管当前的研究与 Baker（2010）等人密切相关，它在几个关键方面有所不同。首先，而 Baker（2010）等着眼于共同基金经理人平均

16、能否选股，本文研究了如何识别可以选择股票的单个经理人。第二，根据实证检验，Baker（2010）等专注于股票层面的分析，评估所有基金交易或个别基金交易的盈利公告收益。相反，本文的研究通过提出一种新的基金业绩指标，专注于基金层面的分析。第三，Baker（2010）等人的重点探讨了基金经理预测公司未来收益的能力。本文研究的重要贡献是引入了业绩评估的概念，但要以发布基本面信息为条件。本文以盈利公告为代理和起点，但是本文的衡量标准具有广泛的含义，并且可以包括其他基本面信息事件。另一个文献研究了投资者如何使用公开信息，并探讨了潜在的业绩影响。例如， Kacperczyk 和 Seru（2007）研究了共

17、同基金经理对公共信息的依赖，如分析师对股票的推荐，而 Fang、Peress 和 Zheng（2014）对共同基金经理对大众媒体的依赖进行了调查。两项研究均表明，依赖公共信息会对共同基金经理的业绩产生负面影响。在不同的背景下，Engelberg、Reed 和 Ringgenberg（2012）研究了卖空者能力的来源，并证明了卖空者具有较强的解释和处理公开信息的能力，并转化为投资能力。与这些专注于基金经理如何利用公共信息的研究不同，本文用发布基本面信息为条件，是以前瞻性为重点来评估基金业绩。基金经理的投资能力包括但不限于他们处理公共信息的能力。本文识别的关键在于，当重要的公司层面信息（例如，盈利

18、新闻）发布到公共领域时，往往会催化实现优越基本面业绩。指标构建方法：AFP在本节中，本文将开发新的业绩评估指标 AFP。出发点是投资组合权重和未来资产收益之间的协方差(, ,)，如公式（1）所示。正如 Grinblatt 和 Titman（1993）和 Lo（2008）所指出的那样，汇总所有投资的协方差是一种直观的方法，可以检查基金经理们预测资产收益的技能。投资组合的权重反映了基金经理在预期资产的未来回报时买入、卖出或回避资产的战略决策。一个有能力的基金经理，其资产持有比例在未来资产收益中的增加将平均表现出正的协方差。在理论上讲，协方差度量很有吸引力，因为它可以捕获由于主动管理的投资组合而产生

19、的基金业绩（Grinblatt 和 Titman，1993； Lo，2008）：其中, 是 t 期开始时基金组合中证券i 的权重，,是证券 i 在 t 时期投资中的回报，N 是在基金投资组合中的证券数。等式（1）表明，证券间的协方差之和反映了总投资组合收益,与投资组合的被动收益之间的差额。本文对协方差度量提出了两项创新。根据最近有关信息发布和资产价格的研究（例如，Savor 和 Wilson，2013、2014、2016；Lucca 和 Moench，2015；Engelberg、 McLean 和Pontiff，2015），在价格变动由公司基本面信息驱动的短期窗口内测量未来资产回报。这种方法

20、有助于减轻市场噪音对资产回报的影响，并提高协方差度量对投资技能识别的能力。具体来说，本文在盈利公告前后的 3 天窗口内检查股票回报，重点关注股价倾向于反映基本面信息的时间段。关注盈利公告收益的优势在于盈利公告日的信噪比高以及盈利公告事件的横截面差异大，这两者都提高了业绩评估的能力。由于公司很少相对频繁地发布财报数据，通常每季度发布一次，因此产生了不利的衡量条件。尽管本文选择了 3 天事件窗口（这是收入公告事件研究的一种标准做法），但本文的结果也适用于 5 天事件窗口。本文的第二项创新是使用基准调整后的投资组合权重，而不是原始投资组合权重，来捕获基金经理的有效投资决策。Cremers 和Peta

21、jisto（2009）提出了使用基准调整后的投资组合权重来衡量基金经理的主动投资决策的想法。由于主动管理型共同基金的业绩通常以被动指数为基准，因此被动指数是该基金基准投资组合的自然选择。另外，本文可以将基金过去的持股量作为基准，从而利用投资组合权重的变化（即基金交易）来计算 AFP。主动权重或投资组合权重与基准的偏差，包含了基金经理通过近期和长期持有所揭示的信息。投资组合权重的变化反映了最近的投资组合调整，因此反映了有关证券收益的最新信息。事前，主动权重和投资组合权重的变化都可以用于评估基金经理的技能，尽管前者在获取经理的信息集方面可能更为全面。在此，本文同时计算基于指数和基于交易的 AFP，

22、并报告两组结果。如等式（2）所示，本文的协方差度量反映了收益公布期间预期的异常基金收益，这归因于基金的有效投资组合决策：本文在等式（3）中开发了跨证券的这种协方差度量之和的经验类似物，称为 AFP：,其中,是共同基金 j 在第 t 季度的投资组合选择的AFP， 是在第 t 季度开,始时基金 j 的投资组合中股票 i 的权重，是权重 在第 t 季度开始时，基金 j 的基准投资组合中的股票 i 的数量，,是第 t 季度围绕其季度盈利公告的股票 i 的 3天累计非正常收益，而是基金 j 的投资范围内的股票数量（即，该基金所持有的股票与该基金的基准投资组合中的股票的结合）。每日异常收益是指股票与其规模

23、以及按市价计价的投资组合之间的每日收益之差。本文将盈利公告前 1 天到公告后 1 天之间的每日异常收益相加，以获得 3 天异常收益。AFP 的计算样本选择本文从 Thomson Reuters 的 CDA / Spectrum 共同基金持有人数据库中获得主动管理的股票共同基金的投资组合持有量，并从证券价格研究中心（CRSP）的 Survivor-Bias-Free 美国共同基金中获得个人共同基金和其他基金特征。然后，本文使用 MFLINKS 数据集合并两个数据库，不包括平衡基金、债券基金、货币市场基金、国际基金、指数基金和行业基金，以及不主要投资于股票证券的基金。应用此条件筛选后，样本包含 2

24、,538 个独特的基金，时间从 1984 年第一季度到 2014 年第二季度。为选择基金经理的基准指数，本文遵循 Cremers 和 Petajisto（2009）的方法。基准指数范围包括 19 种广泛使用的基准指数：S&P 500、S&P 400、S&P 600、S&P 500 / Barra 值、S&P 500 / Barra 增长、Russell 1000、Russell 2000、Russell 3000、 Russell Midcap、四个罗素指数的价值和成长变量、威尔希尔 5000 和威尔希尔 4500。对于每个季度的每只基金，本文选择一个指数，以最小化基金投资组合权重和基准指数权

25、重之间的平均距离。自成立以来，这 12 种罗素指数的指数数据均来自Frank Russell 公司，而 1994 年 12 月以来的S&P 500、S&P 400 和S&P 600 指数数据则由 COMPUSTAT 提供。对于其余的指数和时期，本文使用指数基金持有量来近似指数持有量。在纽约证券交易所，美国证券交易所和纳斯达克交易的普通股票的每日股票价格和收益信息来自 CRSP 的每日股票文件。本文从 COMPUSTAT 获取公司公布季度收益的日期，并从 I / B / E / S 获取分析师的一致收益预测。图表 1 描述性统计资料来源：整理图表 1 中的面板 A 显示了本文样本中共同基金的摘要

26、统计数据。在本文的样本中，平均每只基金管理着 13.9 亿美元的资产，年龄为 15.70 年。他们的共同基金投资者每季度平均获得 2.39%的回报。基金流量净值百分比向右偏斜；季度基金流量平均值为 1.35%，但中位数仅为-1.05%。平均而言，本文样本中的共同基金的年费用率为 1.23%，每年投资组合的换手率为 86.08%。这些数字与以前的文献一致。图表 1 的B 部分显示了基金特征之间的平均斯皮尔曼横截面相关系数（average Spearman cross-sectional correlation coefficients）。结果证实了本文的推断：基金规模与年龄之间的平均相关系数为

27、29%，表明大型基金的业绩记录较长；基金规模与费用比率为-22%之间的相关性，表明大型基金往往会产生较低的费用率。本文还发现，基金年龄与资金流之间的负相关为13%，这与这样的想法一致，即寿命更长的共同基金往往是稳定的，资金流入的比例较小。在下一个小节中，本文分析 AFP。计算 AFP对于每个季度的每只基金，本文都计算基于指数的和基于交易的 AFP。对于基于交易的 AFP，本文测量投资组合权重的变化，并考虑由于股票价格变化而导致的投资组合权重的机械变化。大多数盈利公告（在本文的样本中，超过 89%的盈利公告）发生在季度结束后的前两个月，因此本文使用图表 2 中的时间线：基金 j 的主动权重（投资

28、组合持有量的变化）在 t 月末（例如 3 月底）测算，然后在下一季度的前 2 个月（例如 4 月和 5月）中查看盈利公告。本文使用等式（3）来计算基金 j 的 AFP，即,。在下一部分的基金业绩分析中，本文跟踪了基金 j 在接下来的 3 个月内的业绩，其中包括 t+ 3，t +4 和 t +5 月份（例如 6 月至 8 月）。本文选择此时间轴来平衡两个关键因素。一方面，盈利公布日期与报告的持有日期越近，由于共同基金在该季度内未观察到交易，AFP 度量值越准确。另一方面，公告日期和报告的持有日期之间的时间跨度较长，这使本文可以在分析中包括更多的公司。使用一个季度的前两个月来平衡以下两个方面的考虑

29、：大多数公司在一个季度的前两个月报告其季度业绩，并且报告的投资组合构成和盈利公告业绩之间的时间间隔相当接近。此外，从实际角度出发，由于要求共同基金在 2 个月内报告其持股量，因此投资者可以实时获得计算AFP 所需的信息。因此，构建策略是可实施的。图表 2 AFP 的时间线资料来源：整理为了进一步说明本文的时间线，在图表 3 中，本文绘制了典型季度结束后 13 周内基金的AFP 平均值。它表明，对于普通基金，当本文观察该基金的投资组合构成时，AFP 的价值在该季度结束后的第八或第九周保持稳定。因此，本文得出的结论是，合并两个月后发生的收益事件并不能改善基金AFP 的信息含量。对于一个典型的基金来

30、说，基于指数（基于交易）的 AFP 等于 10.28（5.30）基点，标准差为 84.72（97.10）基点。AFP 的高差异性的很大一部分来自跨基金的分散。对于每只基金，本文都会计算其整个生命周期内的平均 AFP。基于指数（基于交易）的 AFP 的跨基金标准差为 32.46（22.09）基点，是横截面平均值 9.95（5.40）基点的 3.26（4.09）倍。AFP 较高的跨基金离散度是当前研究的重点。图表 3 季度末后的几周内累计 AFP资料来源：整理通过 AFP 预测基金的表现投资组合排序通过基于投资组合的分析，本文检查了根据共同基金的 AFP 投资共同基金的策略的获利能力。具体来说，在

31、每年的 5 月、8 月、11 月和 2 月底，本文将共同基金按其 AFP 划分为 10 个投资组合，并每季度对其进行重新平衡。本文在下个季度计算每个十分位组合的加权平均收益，包括在支出之前和之后。此外，根据资本资产定价模型（CAPM）、Fama 和 French（1993）的三因素模型（市场、规模和价值），本文以时间序列回归的截距估计投资组合的风险调整后收益；Carhart（1997）的四因素模型在 Fama-French 因素的基础上增加了 Jegadeesh 和 Titman（1993）的动量因素；五因素模型是在四因素模型的基础上添加了 Pastor 和 Stambaugh（2003）的流

32、动性风险因素。例如，Carhart 四因子 Alpha 是来自以下时间序列回归的截距：其中,是基金投资组合p 在t 月的回报，,是 t 月的 1 个月国库券利率，,是 t 月的价值加权股市回报率，是在第 t 月小盘股和大盘股的收益差，是第 t 月按市价计价的股票之间的收益差，而是第 t 月中收益率较高和较低的股票之间的收益差。图表 4 和图表 5 列出了投资组合结果，表明 AFP 可以预测未来的基金表现。图表 4 为面板 A，显示了按其 AFP 排序的基金投资组合的净收益。在投资组合形成后的季度中，前十分之一AFP 较高的基于指数的（基于交易的）的共同基金的表现优于后十分之一的 AFP 最低的

33、共同基金，每月高出 23（12）基点，即每年高出 2.76%（1.44%）。这种出色的表现不能归因于他们承担风险的倾向或不同的投资方式；从 CAPM、Fama-French 三因子、Carhart 四因子和Pastor-Stambaugh 五因子模型获得的Alpha 值的差异为基于指数（基于交易）AFP 每月 21、27、20 和 22（12、15、 12 和 12），所有这些差异在统计上都是显著的。图表 4 AFP 和基金回报：十分组投资组合（Panel A）资料来源：整理本文推测，使用基于交易的衡量方法得出的相对较弱的结果可能是由于混淆了经验因素，例如资金流动往往会诱发共同基金进行大量的交

34、易活动（例如 Lou，2012; Vayanos 和 Woolley，2013）。此外，主动权重可以获取通过近期和长期持有的信息揭示的更广泛的基金经理信息，而投资组合权重的变化是由他们最近的投资组合调整驱动的，因此仅反映了最新信息。图表 5 的面板 B，显示了基于基金回报率的结果，含费用，这可能会更清楚地显示基金经理创造的 Alpha 的价值。这些结果表明，基于指数（基于交易）的较高 AFP 的基金经理产生的每月Carhart 四因子 Alpha 值为 15（7）基点，统计量为 2.84（1.53），而具有较低 AFP 的基金经理的每月 Carhart 四因子 Alpha 为-5（5）基点，在

35、扣除费用之前，与 0 显著不等。这一发现进一步支持了具有较高 AFP 的基金经理往往能力很强的观点。图表 5 AFP 和基金回报：十分组投资组合（Panel B）资料来源：整理双重排序在本小节中，本文使用双重排序来评估AFP 的性能预测能力的稳健性，出于两个主要原因。首先，研究人员报告了许多与基金技能有关的基金特征。因此，详细评估 AFP 对这些特征相对于基金业绩的增量预测能力是非常重要的。其次，如果不同的基金技能代用指标包含互补信息，则有可能发现 AFP 与这些基金特征之间的潜在相互作用。本文研究了 CS（Daniel 等，1997）、回报缺口（Kacperczyk，Sialm 和Zheng

36、， 2008）、RPI（Kacperczyk 和 Seru，2007）和主动份额（Cremers 和 Petajisto， 2009）。CS 度量是指基金持有股票的特征调整回报率。遵循 Daniel（1997）等人的理论，特征基准是根据规模、行业调整后的市销率和动量而形成的。回报缺口（Kacperczyk，Sialm 和 Zheng，2008）反映了基金的已实现收益与所持股票所隐含的假设基金收益之间的差异。它捕获了基金经理由于未观察到的操作（例如临时交易）而创造的价值。基金对公共信息的依赖（Kacperczyk and Seru，2007）衡量了分析师的股票推荐可以解释基金交易的程度。主动份额

37、（Cremers 和 Petajisto， 2009）衡量的是基金经理的投资组合持有量偏离基准指数的程度。图表 6 和图表 7 中的结果表明，AFP 对未来的基金业绩具有相当大的增量预测能力。在本文考虑的五个变量中，AFP 和回报缺口显著预测了未来的基金表现。在本文控制了这些指标之后，AFP 还显示出强大的业绩预测能力。例如，图表 6 的 A.1面板使用AFP 和 CS 度量的双重排序。研究结果表明，AFP 在控制了 CS 后可以预测未来的基金表现。AFP 高和低的基金之间的收益差很大，在前四分之三的基金中具有统计意义。图表 6 AFP 的业绩预测能力：双重排序（Panel A）资料来源：整理

38、在这两种类型中，回报缺口是未来基金业绩的有力预测指标。例如，在图表 6 中的表A.2 中，对于按AFP 分类的四分之二的基金，高回报缺口的基金要优于低回报缺口的同类基金。尽管表现出色，但AFP 仍预测按回报缺口分类的四分之三的基金中的未来基金表现，即使AFP 仅限于季度报告且不能捕获季度内交易。因此，将来自回报缺口和 AFP 的信息信号进行组合对于基金经理的选择非常有用。如图表 6（A.2）所示，AFP 最高四分位数和回报缺口中的共同基金每年产生的四因子 Alpha净值为 0.96%，而 AFP 最低四分位数和回报缺口中的共同基金产生了每年-2.40%的四因子 Alpha 净值。图表 7 AF

39、P 的业绩预测能力：双重排序（Panel B）资料来源：整理预测的面板回归在控制其他业绩预测指标和基金特征之后，本文还使用多元回归检验 AFP 对共同基金业绩的增量预测能力。本文对共同基金业绩的衡量标准是四因素 Alpha，它是指已实现的基金收益与四因素模型的预期收益之间的差额，该四因素模型包括市场、规模、价值和动量因素。为了估算因子载荷，本文使用了过去三年中基金收益的滚动窗口时间序列回归。除了CS、回报缺口、RPI 和主动份额外，本文考虑的基金特征还包括基金规模，以管理的基金资产的自然对数衡量、基金年限的自然对数、费用比率、基金换手率、在过去一个季度中的流量比例以及过去三年中估算的基金 Al

40、pha。图表 8 和图表 9 给出了预测面板回归的结果。本文从每种指标测度的单变量回归开始，然后进行控制基金特征的多元回归。最后的一个回归，包括指标和基金特征的所有度量。为了控制基金收益随时间的总体变动，本文在所有回归中都加入了时间固定效应。此外，由于残差可能与基金内部相关，因此本文按基金对标准误进行了聚类（Petersen，2009）。结果表明，在本文控制了其他基金技能和基金特征指标之后，AFP 能够可靠地预测未来的基金表现。例如，在使用四因子 Alpha 净值的指数型 AFP 的情况下， AFP 的斜率系数为 2.18，t 统计量为 2.65。当本文使用总 Alpha 衡量基金的业绩时，在

41、定性和定量上都获得了相似的结果。回归中包括的基金特征以与先前的发现一致。例如，基金规模与未来表现负相关，这与 Chen 等人所述大型基金相对于小型基金的表现不佳相一致。过去的流量与未来的业绩具有正相关关系，这与 Grube（r 1996）和 Zheng（1999）所证明的聪明货币效应（smart-money effect）是一致的。在本文的样本期内，本文观察到主动型基金之间存在一定程度的业绩持续性。在单变量回归中，所有四个可供选择的衡量标准均与未来基金的 Alpha 密切相关。当本文加入基金特征的共同控制因素时，RPI、主动份额和回报缺口也与未来的 Alpha 显著相关。当本文控制基金特征时，

42、CS 度量失去了其业绩预测能力，尽管正如本文前面所讨论的，预测基金业绩这并不是 Daniel（1997）等人的目标。当本文在同一回归中纳入所有业绩指标和基金特征时，AFP、RPI 和主动份额再次与未来业绩显著相关，回报缺口失去了其预测能力。这可能是由于当本文要求基金在所有技能指标上都没有遗漏的观察结果时，样本量会大大减少。在回归设置中，AFP 可能会获得回报缺口预测能力的一部分。总体而言，AFP 的预测能力似乎很强健，因为在所有三个回归指标以及投资组合类别中，AFP 都与未来基金的Alpha 密切相关。为什么某些业绩指标在面板回归中显示出显着的业绩预测能力，而在投资组合类别中却没有表现出这种能

43、力，反之亦然？本文认为，这些发现说明了面板回归与投资组合排序之间的关键区别。在投资组合类别中，由预测变量捕获的回报缺口是由跨基金变动驱动的。在面板回归中，Alpha 的变化来自跨基金和时间序列两个维度。因此，一些业绩衡量指标有助于基金投资者判断特定基金的业绩随时间的差异，而其他指标则有助于对共同基金在特定时间截面进行排名。图表 8 AFP 和基金的回报：预测的面板回归（Panel A）资料来源：整理图表 9 AFP 和基金的回报：预测的面板回归（Panel B）资料来源：整理了解 AFPAFP 的驱动因素为了更好地了解 AFP 的驱动因素，本文采用股票层面的分析方法来分析不对称信息如何影响主动

44、权重和交易的收益可预测性。主动管理的一项重要技能是管理者能够投资定价错误的证券，其基本价值与市场价格之间存在差距。当市场价格趋于基本价值时，这种能力以正回报的形式表现出来。但是，有能力的基金经理人在哪里可以找到定价错误的证券呢？本文假设有能力的基金经理更有可能在信息不对称程度较高的公司利用定价错误。本文对信息不对称的代理指标包括分析师覆盖率、特质波动性和分析师意见分歧。卖方分析师在股票市场中的重要作用是为市场参与者提供及时而准确的收益预测，这可能会降低特定投资者群体的信息优势。因此，分析师覆盖范围较小的公司可能会出现更多的信息不对称性。另一个常用的度量是特质波动，它可以捕获给定公司的私人信息量

45、：特质波动较高的公司可能具有更多的信息不对称性。类似的想法可能适用于金融分析师之间的分歧。如果将 AFP 作为基金经理识别股票基本面的能力的有效指标，本文预计其主要的组成成分，主动份额或基金交易将在具有较低分析师覆盖率，较高特质波动率和较高分析师分散预期的股票中具有更大的预测能力。图表 10 进一步了解 AFP：信息不对称资料来源：整理图表 10 显示了结果，利用主动份额（或基金交易）与信息不对称的替代之间的的相互作用来预测未来盈利公告前后的股票异常收益。图表 10 的观察单位是基金存量季度的水平。为了进行统计推断，本文遵循两步过程。首先，在每个季度，本文在基金存量水平上进行横截面回归。然后，

46、类似于 Fama 和 Macbeth（1973）对 Newey和 West（1987）进行的调整，本文基于系数的时间序列进行统计推断。对于主动份额和基金交易，本文观察到与分析师覆盖率的相互作用的系数为负，与特质波动率相互作用的系数为正，以及与分析师分歧相互作用的系数为正。这些结果表明，主动型基金经理在投资信息不对称性较高的股票时往往表现出更多的选股能力，识别具有更大信息不对称性的公司的基本面价值的能力有助于增强 AFP 的预测能力。主动基金经理什么时候才能超越同行？在另一个方面，本文探讨了 AFP 对业绩的预测能力随时间的变化。具体来说，本文研究了AFP 与未来基金业绩之间的关联如何随着金融分

47、析师之间的总体分歧而变化。当分析师之间的分歧更高时，基金经理对基本价值的估计能力应更有价值，因此 AFP 与未来基金业绩之间的关联应更强。为了检验这种猜想，本文构建了一个时间序列变量，该变量汇总了股票层面的分析师的意见分歧（即，分析师收益预测的标准偏差的横截面平均值，由单个股票的共识预测的绝对值确定）。本文测试了具有较高 AFP 的共同基金的相对表现如何随分析师的分歧而变化。图表 11 给出了结果。为了便于解释，本文将分析师的总体分歧标准化为平均值为 0，标准差为 1。与本文的推测一致，结果表明，当分析师分歧很大时，具有较高 AFP 的共同基金往往会提供更高的业绩。主动基金经理的业绩随时间变化

48、不仅在统计上显著，而且在经济上也很大。在多元回归中，分析师分歧的一个标准偏差的增加使 AFP 的业绩预测能力提高了一倍以上。这些结果再次表明，AFP 是由基金经理估计公司基本面价值的能力所驱动。图表 11 AFP 的预测能力与分析师分歧资料来源：整理AFP 的持续性以往的研究表明，基金回报率存在一定程度的持续性，但也注意到，除了表现最差的基金以外，持续性可以用动量因子来解释（例如 Brown 和 Goetzmann，1995； Elton、Gruber 和 Blake，1996；Carhart，1997）。图表 12 总结了有关个人基金经理 AFP 持续性的调查结果。对于 1984 年 1 季度至 2012 年 2 季度之间的每个季度，本文均按共同基金的AFP 将其分为十等分，并计算随后两年的平均 AFP。面板 A 显示基于指数