互联网货币基金收益率影响因素的实证研究

表3-2所示，所有投资者中，个人投资者占比一直保持着99%以上，2023年6月30日公布的数据显示，占比已经达到100%。表3-SEQ表3\*ARABIC2天弘余额宝持有人结构表年份机构持有比例个人持有比例2013年0.00%100.00%2014年0.49%99.51%2015年0.86%99.14%2016年0.28%99.72%2017年0.06%99.94%2018年0.03%99.97%2019年0.02%99.98%2020年0.01%99.99%2021年0.01%99.99%2022年0.01%99.99%2023年0.00%100.00%2024年0.00%100.00%4互联网货币基金收益率影响因素的实证分析4.1样本数据来源与变量选取4.1.1样本数据来源本研究从基金类型、成立时间及规模分层三个方面对样本基金的选取做了筛选。本文限定样本为货币市场A类基金，因为A类基金主要面向个人投资者，能够反映零售投资者的主流投资行为。相较于B类或C类基金，A类基金的运营策略更为稳健，信息披露制度更完善，可有效规避因费率差异或极端风险导致的收益率波动干扰。后进一步将基金成立时间限定为2013年至2015年。2013年后，我国利率市场化改革深化，货币基金监管框架逐步完善，政策环境相对稳定，有利于剥离制度性冲击对收益率的干扰此外，同时超过5年的基金通常已经过了初期规模扩张阶段，运营模式更成熟，其收益率更能反映常态化的市场规律，减少生命周期效应对结果的干扰。此外本文将基金按规模分层抽样，分为10-100亿元、100-1000亿元、1000亿元以上三个层次，各选10只基金，平衡样本的多样性和市场结构的代表性，避免因规模分布不均导致的选择偏差，确保不同规模区间的影响都能被有效识别，增强结论的稳健性。依据前文筛选标准，本研究完成了样本数据的收集工作，主要数据是从天天基金网以及Choice金融终端获取的，研究的时间覆盖范围为2022年到2024年，共计三年时段，鉴于互联网货币基金规模更新频率为每季度一更新，将所有变量统一调整为季度口径。在Choice金融终端上找到了上证综合指数、国债市场指数及上海银行间同业拆放利率（Shibor）等外部环境方面因素的数据；而诸如基金规模净值、债券类资产配置比例与历史收益率等内部条件指标，是借助天天基金网定期公布的季度数据整理而得，完成前面提及的数据清洗与标准化操作后，最终建立了包括12个完整季度的面板数据集，观测值的总数逾2万个，为后续实证分析筑牢了可靠的数据基础，本文所取的30只互联网货币基金样本如下给出：表4-SEQ表4\*ARABIC1互联网货币基金样本表基金名称基金代码基金名称基金代码基金名称基金代码南方收益宝货币A202307兴全天添益货币A001820中银活期宝货币A000539中邮货币A00576国金金腾通货币A000540景顺长城景益货币A000380兴业鑫天盈货币A001925华安汇财通货币000709工银添益快线货币A000848摩根天添盈货币A000855万家日日薪A519511广发天天红A000389国寿安保聚宝盆货币A001096南方薪金宝货币A00687平安日增利货币A000379兴银货币A000741平安财富宝货币A000759华夏财富宝货币A000343永赢货币A000533国寿安保货币A000505汇添富全额宝货币A000397易方达天天理财货币A000009汇添富现金宝货币A000330富国富钱包货币A000638工银薪金货币A000528建信现金添利货币A000693易方达易理财货币A000359创金合信货币A001909广发钱袋子A000509建信嘉薪宝货币A0006864.1.2变量选取与处理综合前文所述，本章从外部环境和基金内部条件入手共选取6个变量。变量如下表所示：表4-SEQ表4\*ARABIC2变量说明表变量类型变量简称变量含义数据来源被解释变量y基金收益率天天基金网解释变量x1上证指数Choice金融终端x2国债指数Choice金融终端x3Shibor指数Choice金融终端x4基金规模天天基金网x5资产配置债券比天天基金网ry=y(-1)历史上期收益率天天基金网从收集的数据可见解释变量与被解释变量数值范围差异显著，可能对模型估计产生系统性偏差。为了减小数据间显著差异对回归分析效果的影响，本研究采取了数据标准化的前置处理步骤。针对以百分比形式呈现的变量，首先将其放大（如乘以100），随后进行自然对数转换；其余变量则直接采用对数化处理以统一数值尺度。数据转换方法如下：y=ln(y*100)ry=y(-1)lx1=ln(x1)lx2=ln(x2)lx3=ln(x3*100)lx4=ln(x4*100)lx5=ln(x5)lry=ln(ry)4.1.3描述性统计对所有自变量及因变量的初始数据进行了描述性统计检验，描述性统计结果如下表所示：表4-SEQ表4\*ARABIC3描述性统计结果表变量观测值个数均值标准差最小值最大值y3601.9350.3670.6293.208x13603168.469146.9252967.43398.62x2360205.1828.733193.37222.6x33601.8120.2241.4542.155x4360677.063735.8080.122696.36x53600.4690.1640.041.03观测变量包括被解释变量基金收益率（y）以及全部解释变量上证指数（x1）、国债指数（x2）、Shibor指数（x3）、基金规模（x4）、资产配置债券比（x5），描述性统计分析采用了原始数据，以保留实际经济含义。从统计结果来看，基金收益率这一被解释变量的均值为1.935，最低值为0.629，最高值达到3.208，标准差为0.367，整体波动性较低，表明近三年基金收益率的波动幅度有限，不同基金间的收益差异较小。结合历史背景来看，近年来货币基金收益率相比于早期互联网平台高速发展阶段有所回落，但收益稳定性逐渐增强，个体间差异逐步收敛。从解释变量看，基金规模（x4）差异显著，最小值仅有0.12亿元，最大值为2696.36亿元，标准差高达735.808，远超均值677.063亿元，反映出不同基金的规模分布呈现失衡状态。结合数据来源推测，头部基金可能依托大型互联网平台（如余额宝）获得规模优势，而新接入平台或中小型基金规模普遍较低。资产配置债券比（x5）均值为0.469，但区间跨度较大，标准差为0.164，表明各基金投资策略分化明显，部分基金债券配置比例超过100%，可能存在杠杆操作或数据统计口径差异。市场指数方面，上证指数（x1）在2967.4至3398.62点间波动，标准差146.925，国债指数（x2）标准差8.733，Shibor利率（x3）标准差0.224%，三者波动幅度均较小，说明2022-2024年市场整体运行相对平稳，外部宏观环境未出现剧烈震荡现象。综合而言，基金收益率受市场指数影响有限，更多取决于基金规模、资产配置等微观因素，而行业规模分化与投资风格差异仍是当前货币基金市场的主要特征。4.2模型设定与估计4.2.1模型设定本研究以30只互联网货币基金为分析对象，观测周期设定为12个季度。因为样本数据兼具横截面维度与时间序列特征，为充分捕捉个体异质性与时间动态性，构建面板数据模型进行实证分析。比起单一时序或截面模型，面板模型能够同步整合跨个体差异与时间演化信息，从而显著提升参数估计的准确性与模型自由度。在模型构建过程中，本研究重点对比三类面板分析框架：其一为混合回归模型（PooledOLS），其假设个体与时间效应恒定；其二为固定效应模型（FE），通过控制个体特异性截距剥离时不变因素影响；其三为随机效应模型（RE），在满足外生性假设下利用广义最小二乘法提升估计效率。三类模型的差异主要体现在对异质性结构的处理方式上，需通过统计检验确定最优设定。面板模型的基本形式为:Yit式中，i=1，2，3，…，n；t=1，2，…，T；Yit-1代表的是是因变量的一阶滞后值；α代表的是模型的截距项；Xit代表的是自变量；Xit和β都是k∗14.2.2模型估计本章节采用面板数据建模方法深入探究了互联网货币市场基金收益变动的影响因子，这一方法包括了混合效应模型、固定效应模型以及随机效应模型三大类。混合效应模型、固定效应模型与随机效应模型在处理数据时，依据其特有的异质性结构，各自展现出显著的优势。混合效应模型的优势在于估计过程的简洁性与计算效率。它通过普通最小二乘法（OLS）直接对面板数据进行回归，无需处理个体或时间维度的异质性，适用于研究问题关注变量间的总体关联而非个体差异。固定效应模型的核心优势在于有效控制不可观测的个体或时间异质性，解决遗漏变量导致的估计偏误，能够剥离个体特有的时不变特征，仅保留解释变量的动态变化对因变量的影响。固定效应模型对时变变量的系数估计具有一致性，且不依赖个体效应与解释变量无关的强假设，实证稳健性较高。随机效应模型的核心优势在于同时利用组内与组间变异信息，实现更高估计效率。随机效应模型主要依靠可行广义最小二乘法（FGLS）或最大似然法（ML）。在随机效应模型的应用中，估计量兼具无偏性与有效性，另外可保留时不变变量的系数估计能力，避免固定效应模型因去均值化导致的信息损失。在选定到底用哪种模型的时候，可以遵照F检验和Hausman检验的结果来做决定，F检验的原假设是混合效应模型更好，Hausman检验的原假设是随机效应模型。如果F考察否定了原假设，就选取混合效应模型，不然首先考虑固定效应模型，Hausman检验也是这样。4.3实证检验4.3.1单位根检验在设置面板数据模型之前，必须对所有指标执行单位根测试；一旦发现存在单位根，便可能触发“伪回归”问题。实证过程必须采取适当的策略来修正数据，确保分析的准确性与可靠性。本章节运用了LLC检验对所有变量实施平稳性测试，这一方法在面板数据分析中被普遍采用。检验结果如下表所示：表4-SEQ表4\*ARABIC4单位根检验结果表变量LLC统计值P值检验结果ly-0.29760.3830不平稳lx1-9.46850.0000平稳lx221.51011.0000不平稳lx31.70990.9564不平稳lx4-10.28930.0000平稳lx5-4.90250.0000平稳lry-8.32250.0000平稳可得上证指数lx2、基金规模lx4、基金债券比lx5均显著拒绝原假设，表明这些变量为平稳序列。基金收益率ly、国债指数lx2、shibor利率lx3的p值均大于0.05，接受原假设，表明变量存在单位根，是非平稳序列。结果表明变量系统存在混合平稳性，下一步进行协整检验分析解决非平稳问题，以确保模型有效性。4.3.2协整检验协整检验是用于分析非平稳时间序列间长期均衡关系的核心方法。在实证研究中，许多经济变量本身是非平稳的，但其线性组合可能呈现平稳性，这种特性被称为“协整关系”。协整关系的存在意味着变量虽受短期波动影响，但长期内会围绕某一均衡路径调整，避免“伪回归”问题）。常见的协整检验技术主要包括Johansen检验Engle-Granger两步法以及Westerlund检验。此研究采纳了Westerlund检验方法，检验结果如下表所示：表4-SEQ表4\*ARABIC5协整检验结果表检验方法统计值P值Westerlund协整检验8.19270.0000此研究运用了Westerlund协整检验方法，以此来探究和确认各个解释变量之间存在的长期稳定联系。研究结果显示，方差比率统计量数值达到8.1927，相应的p值为0.0000，这使得我们在1%的显著性水平上坚决否定“不存在协整关系”的初始假设，从而得出结论：该变量体系内部确有显著的协整关系存在。协整现象揭示了变量间存在长期均衡联系，有效防止非平稳序列引起的虚假回归现象，为后续构建面板回归模型提供了重要的统计支持。4.3.3相关性检验相关性检验是检验多变量之间的存在相关性的可能性。检验结果如下表所示：表4-SEQ表4\*ARABIC6相关性检验结果表变量lylx1lx2lx3lx4lx5lryly1.000lx1-0.228*1.000lx2-0.394*0.0051.000lx30.207*-0.384*-0.660*1.000lx40.064-0.0110.155*-0.1031.000lx5-0.0370.017-0.105*0.081-0.182*1.000lry_0.557*-0.122*-0.213*0.1060.116*-0.0361.000注:“*”、“**”、“***”，，分别表示在10%、5%、1%显著性水平下显著由结果我们可以得出结论：各变量之间相关系数小于0.7，说明各变量之间存在相关性的可能性不大，造成多重共线性问题的概率较小，支持直接纳入面板回归。4.3.4多重共线性检验为深入分析各变量间的潜在共线性影响，本研究持续采用方差膨胀因子（VIF）的方法，目的是为了精确衡量回归分析框架内自变量间的相互依存强度。此方法下，当各变量的方差膨胀因子低于10，甚至低于5时，可以明确表示所选变量间多重共线性的程度较轻。检验结果如下表所示：表4-SEQ表4\*ARABIC7多重共线性检验结果表变量符号VIF1/VIFlx11.3990.715lx21.9220.52lx32.2650.442lx41.0710.933lx51.0310.97lry1.0970.911根据实证结果显示，我们发现各解释变量的方差膨胀因子（VIF）均低于关键阈值，所有变量1/VIF值均大于0.4，表明自变量间多重共线性风险较小。所以，避免了在后续的实证研究中多重共线性问题所引起的影响。4.3.5F检验和Hausman检验为验证不同模型设定对研究问题的适配性，本章节实施了统计测试作为核心分析工具，以此来系统地淘汰不适用的设置。基于对F检验（Chow检验）结果的分析，评估混合回归模型相对于固定效应模型的效能。进一步通过实施Hausman检验，来决定选用固定效应模型还是随机效应模型更为恰当。通过上述两阶段检验流程，最终确定模型设定策略，确保参数估计的稳健性。如下表所示，F检验的P值是0，低于0.05，拒绝原假设，所以选择固定效应模型更佳。表4-SEQ表4\*ARABIC8F检验结果表检验方法统计值P值F检验2.940.0000在决定采用固定效应模型还是随机效应模型时，Hausman检验提供了方法。依据该检验的结果，当得到的P值为0.88且大于0.05这一显著性水平时，我们未能拒绝原假设，即倾向于选择随机效应模型。这一结论表明，在对所研究的面板数据进行分析时，使用随机效应模型可能更为适宜与有效。表4-SEQ表4\*ARABIC9Hausman检验结果表检验方法统计值P值Hausman检验119.590.0000本文采用Hausman检验方法来评估并决定采用固定效应模型还是随机效应模型，以此确保分析结果的准确性与有效性。检验结果如上表所示，卡方统计量为119.59，对应p值=0.0000，在1%显著性水平下强烈拒绝原假设（H₀：随机效应模型更有效），表明应优先选择固定效应模型。4.3.6面板模型回归结果分析通过上述检验结果对比得出，本文选用固定效应模型进行估计分析最佳，回归估计结果如表所示：表4-SEQ表4\*ARABIC10固定效应模型回归结果表变量系数标准差P值lx1-1.441***0.1950.000lx2-2.768***0.290.000lx3-0.486***0.0920.000lx40.025**0.0110.021lx5-0.0040.0390.918lry0.18***0.0550.001常数项33.044***2.9480.000注:“*”、“**”、“***”，，分别表示在10%、5%、1%显著性水平下显著按照上表所显示的数据，本文设定的互联网货币基金收益率的影响因素的面板数据模型方程为:Iy+0.025Ix4根据结果显示，互联网货币基金收益率的影响因素中，除资产配置债券比外，其余变量均在5%显著性水平下通过检验。外部环境因素方面，上证指数、国债指数和Shibor利率的系数分别为-1.441、-2.768和-0.486，且P值均为0.000，表明三者对基金收益率均存在显著负向影响。其中，国债指数的负向效应最强（系数绝对值最大），与本文假设二一致，反映出国债市场表现与货币基金收益率存在替代性竞争关系；上证指数的负相关性（与本文预期相同）可能源于股市走强时资金从货币基金流向权益市场；而Shibor利率的负向作用与预期方向相反，或许是因为其反映市场流动性紧张时，货币基金为维持流动性被迫降低资产久期，从而抑制收益。基金内部因素中，基金规模和历史收益率的系数分别为0.025和0.18，显著为正，支持本文预期假设。基金规模扩大虽能通过规模效应提升议价能力，但其系数较小，说明实际贡献有限；历史收益率的持续正向影响（P=0.001）则体现了投资者“追逐业绩”的行为特征。资产配置债券比的系数为-0.004且不显著（P=0.918），与假设预期方向矛盾，可能因样本中债券配置比例较低或债券收益波动被其他因素抵消了。常数项33.044的显著正值表明存在未纳入模型的系统性因素对收益率产生正向驱动。4.4实证小结实证结果显示，外部环境因素对互联网货币基金收益率影响明显且方向相同，上证指数、国债指数、Shibor利率对应的系数分别取值为-1.441、-2.768、-0.486，皆通过了显著性水平检验，证实了三者对收益率存在明显的负向关联。负向效应在国债指数上表现得最强，说明了国债市场和货币基金的替代竞争关系；Shibor利率的负向作用与理论预期不一致，或许是因为市场流动性紧张的时候，货币基金为维持流动性，不得不去缩短资产久期，放弃收益以躲避风险。从基金内部因素的角度看，显著正向助力收益率上扬，只是效应的强度有限，值得一提的是，资产配置情况下，债券比例系数为-0.004，系数不显著，与假设不相契合，也许是样本里债券配置比例不大，也或是债券收益波动被其他资产（像现金）的收益对冲掉，造成它对整体收益的诠释能力欠佳。

5研究结论与对策建议5.1研究结论本研究以互联网货币基金收益率为核心议题，系统探讨了其影响因素及作用机制，结合外部市场环境与基金内部条件构建分析框架，并基于2022-2024年的季度面板数据展开实证研究。通过实证研究得出以下结论：（1）从外部环境因素角度看：上证指数、国债指数与Shibor利率对收益率均呈显著负向影响，其中国债指数的替代效应最为突出；上证指数的负相关性反映了股市繁荣期资金从货币基金流向权益市场的“虹吸效应”；Shibor利率的负向作用可能源于市场流动性紧张时，货币基金为维持流动性被迫缩短资产久期，抑制收益。（2）从基金内部条件方面看：基金规模与历史收益率对收益率具有正向驱动作用，但规模效应贡献有限；而资产配置债券比的系数不显著且与预期方向矛盾，可能因样本中债券配置比例较低或其收益波动被其他资产收益抵消。本文研究结论为理解互联网货币基金的收益波动提供了重要依据，并为市场参与者决策优化提供了理论支持。相较于已有研究，本文的创新点主要体现在以下三方面：其一，突破传统货币基金分析的单一视角，融合宏观市场指标（如Shibor利率）与微观基金特征（如规模、历史收益）构建综合分析框架，揭示了外部环境与内部运营的双重作用机制；其二，发现Shibor利率与收益率的反向关系，这一现象与传统的经济学理论假设不符，可能反映了在资金流动性紧缩条件下，货币基金调整其投资组合的久期策略变化；其三，通过分层抽样平衡样本规模分布，验证了头部基金规模优势的有限性，为行业竞争格局的优化提供了新视角。与现有文献相比，本研究在数据跨度、变量选取及模型适用性检验方面更具系统性，弥补了互联网货币基金领域量化研究的不足。5.2对策建议5.2.1对市场监管者的建议就互联网货币基金实施监管，政府部门应采取多样化措施促进其健康有序进步，监管部门需强化对互联网平台的规范把控，严格审核其业务操作流程，杜绝信息泄露和资金安全