汪梓轩 雷欣南

摘   要：本文提出对基金持仓分层的分析方法，区分抱团基金与独立基金，研究基金持仓独立性对基金后续收益表现的影响及作用机制。研究表明：基金持仓独立性越高，未来的超额收益表现越出色，这种优异表现可以持续长达四个季度；相比于个人研究能力，基金独立性更多来源于基金公司的投研平台支持；独立基金拥有更强的选股能力和更多的私有信息，而择时能力表现较弱，也因此承担了较大的特质风险；相比全市场投资基金，赛道型基金独立性高时可以获得更好的表现，反映了专业化的投研能力。此外，研究还回顾比较了此前文献中同样基于持仓构造的抱团指标和网络中心度指标，结果表明本文提出的基金独立性指标具有更好的稳定性，在不同时期的业绩预测能力较为稳健。本文探讨了一个有效、稳健且易于理解的基金持仓分层分析框架，并且可以与现有的基金分析方法灵活结合使用，为评估基金表现、识别基金能力和加强行业监管提供了新的参考。

关键词：基金独立性；基金抱团；持仓分层；基金表现

中图分类号：F832.5  文献标识码：A  文章编号：1674-2265（2023）06-0047-12

DOI：10.19647/j.cnki.37-1462/f.2023.06.005

一、引言

近年来时有出现的基金抱团行情引发了市场对于基金独立性的强烈关注，尽管大多数基金经理都会在尽调或公开报告中宣称自己有独立的投研框架和选股思路，但是在定期报告披露时外界仍然会发现“随波逐流”的抱团策略是诸多基金的第一选项。这些基金往往在抱团行情中取得令人满意的收益表现，但是一旦行情切换或抱团瓦解，就会出现较大的业绩波动，甚至还有可能通过资金的价格压力反向作用于股票市场，造成更大的市场波动。因此，识别出具有独立投资观点的基金经理，理解其决策因素和业绩表现对于实现资本优化配置及提升市场效率具有重要意义。

近年来部分研究开始关注基金投资的独立性问题，抱团模型（于上尧等，2015）[1]、基金网络模型（陈胜蓝和李璟，2021）[2]、風格空间模型（Hoberg等，2018）[3]和羊群行为模型（Jiang和Verardo，2018）[4]都从不同视角对基金独立性问题做出了阐释，但是研究结论不一，也缺乏对各类模型的比较和分析。如何精准刻画中国市场基金的独立性特征，其经济后果如何，仍然有待进一步探讨与揭示。值得指出的是，目前的抱团模型与网络模型主要基于基金持有的股票在多大程度上被其他基金所持有，从这一角度出发的模型设定存在一个共性问题，即当某只基金重仓了一只极度“被抱团”的股票时，很大可能被定义为“抱团”或者“高中心度”基金，这是由于头部的股票具有远高于其他股票的重仓度，从而忽略了基金的其他持股信息。而当考虑羊群行为时，由于国内基金在季度层面仅披露前十大重仓股，从而难以全面捕捉到季度层面的持股变动，而半年层面的数据时间滞后过长，信息损失严重。

据此，本文以基金的定期报告为基础，提出了一种分离抱团股票的基金持仓分层方法，将基金报告中的股票分成“抱团选股”和“独立选股”，充分利用基金季报中的信息，兼顾基金群体信息和个体基金的股票选择。基于基金持仓分层方法，本文构建了基金独立性指标，实证检验了其对基金表现的影响，研究表明，独立基金能够在未来获得更好的业绩，在原始收益和超额收益等指标上均表现更加出色，对基金独立持仓的分解表明，基金公司投研信息对基金投资的支持较大。对独立性的具体传导渠道和性质分析表明，基金的独立性主要反映了其更多的私有信息和选股能力，独立基金强于选股而弱于择时，也因此而承担了更大的风险。指标性质稳定性检验表明，在时序的稳定性上，独立基金优异表现可以持续长达四个季度；在截面稳定性上，赛道基金相比全市场基金更擅长利用专业领域投研能力选择独立股票。影响因素分析认为，成立时间较短、规模较小、费率和换手率更高的基金更具备独立性。最后，本文比较了抱团指标（于上尧等，2015）[1]、网络中心度指标（陈胜蓝和李璟，2021）[2]、业界研究定义的抱团因子以及本文提出的独立性指标的异同，证明了本文指标具有一致性和稳健性，能够长期可靠地度量基金的独立性。

本文的主要贡献在于：（1）现有研究主要将基金持仓视为一个整体，从未对基金持仓中的股票做详细分层研究，而本文创新地提出了一种基金持仓分层方法，构建了稳健可靠的基金独立性指标，丰富了有关基金独立性和基金群体行为的研究；（2）系统回答了有关基金独立性的系列问题，目前国内市场对于基金独立性的影响、作用途径与产生原因的探索还处在起步阶段，本文提供了较为全面的解读，为后续研究提供了思路；（3）实证回顾了现有主要模型和指标的表现，论述了现有指标的优势与不足，对过往研究做了细致的综合比较；（4）本文的研究结论具有一定现实价值，独立性指标计算方法的易于理解性使得各类投资者在基金选择中具备应用这一方法的可能，并且为监管提供了全新的视角。

二、文献综述、理论分析与研究假设

（一）文献综述：基金独立性指标的构建与检验

“卓尔不群”“另辟蹊径”等成语被用来形容善于创新从而取得卓越成绩的个体，在基金市场，投资者同样期待能够挑选出具有独特投资眼光和独立投资观点的基金经理，以期获得更高的投资收益。关于如何识别出独立基金，独立基金是否具备更强的投资能力，部分研究提出了相应的解决方案。现有研究主要基于基金收益率和基金持仓数据构建独立性指标，随着数据可得性的不断增强，其比较基准和刻画方法也在逐步创新。

在有关收益率与独立性的研究中，Sun等（2012）[5]使用基金历史收益数据与其他基金的偏离度构建了独特性指标SDI，并指出与同类基金收益存在偏离的基金预期将取得更好的表现；顾力绘（2018）[6]基于收益表现和分层聚类法划定了具备独立性的基金，认为与众不同的基金具备出色的持续性、执行力和应变能力。

从基金定期披露的持仓中同样可以获得基金的独立性，基于个股重叠度的计算方法被广泛使用。早期研究采用了将基金持仓与基准指数或行业比较的方式讨论独立性问题，通过计算投资组合在个股层面的偏离基准、在行业层面的偏离基准以及行业内偏离基准等衡量基金的独立性（Cremers和Petajisto，2009；Kacperczyk等，2005；Goldman等，2016）[7-9]，并且这些研究均认可了这种独立性存在的超额收益。而近期的研究更加关注基金持仓与同类基金的直接比较，于上尧等（2015）[1]考虑单只股票被其他基金的重仓程度，再基于持仓加权至单只基金以构造抱团水平，指出抱团能够在一定时间内提升基金业绩。

在考虑持仓信息时，基金间的互动网络同样被用于研究基金的独立性问题。陈胜蓝和李璟（2021）[2]以及罗荣华等（2020）[10]以共同重仓股作为基金间连接，根据基金的网络中心度水平判断其处于核心还是边缘，结论表明持有更高比例共同重仓股的基金可以获得出色表现。另一类重要的模型是风格空间模型，该模型将高维的持仓向量简化为了一个三维向量，Hoberg等（2018）[3]与罗荣华和田正磊（2020）[11]使用該模型划定了更加详细的同类基准，将所有的基金基于持股的市值、成长和动量置于一个三维空间中，根据邻近基金数量划定独立基金与拥挤基金，检验结果表明，持仓特征过于拥挤的基金无法持续获得阿尔法收益。

此外，由于基金持仓具有时变性，部分研究据此构建基金的跨期交易水平，以往在个股层面考虑的羊群行为亦能用于在基金层面考察基金是否独立。Jiang和Verardo（2018）[4]、唐棠等（2019）[12]考虑了基金与其他基金的交易一致性，用于独立基金或独立基金家族的度量，认为交易行为独立的基金具备更好的技能。杨瑞杰和张向丽（2019）[13]采用序贯交易模型计算基金的羊群行为，并指出这些基金的风险更低。罗荣华等（2020）[10]使用基金在网络内的交易偏离程度考察基金是否“卓尔不群”，将网络模型和动态的交易模型相结合，并认为不使用网络信息的基金表现出色。

考虑到国内基金仅在半年度披露全部持仓，计算基金的半年度调整造成的信息遗漏较多，因此，本文更多关注基于静态持仓刻画独立性的研究。回顾现有的主要研究模型，一方面，基金的持仓大多被视为一个整体，将全体持仓股或者重仓股重仓度加权平均或求和获得独立性指标，忽略基金经理布局单只股票的考量。而在实际场景中，基金经理可能并非按照一个策略布局所有股票，还有部分基金实行分仓管理，即在同一个基金中执行多个策略，将持仓视为一个整体可能导致潜在的信息丢失。另一方面，现有指标计算方法仍有优化空间，以抱团度（于上尧等，2015）[1]和基金网络（陈胜蓝和李璟，2021）[2]为例，当基金组合中存在一只“极端抱团”股票时，基金的抱团度和网络中心度将会急剧上升。例如，若某基金重仓贵州茅台（该股票的重仓度和重仓基金数量相当于其他若干只股票相加），那么其很有可能处于网络中心位置，并且被赋予高抱团度①，在这一情况下，即使该基金持有的其他股票抱团度较低，也会因为贵州茅台这一只“巨无霸”股票的存在而被忽略，本质上这种计算方式忽略了基金经理在其他股票上的选股努力，不合理地拉高了基金的抱团水平，使得基金间独立性区分度降低。因此，进一步对基金持仓做分解后分析存在必要性。

（二）理论分析与研究假设

独立基金能否取得优异表现，是目前市场高度关注的问题。在美国市场，具备独立投资观点和行为的基金受到普遍认可。Hoberg等（2018）[3]指出，相对独立的基金面临更小的竞争压力，可以获得优异的表现，且该表现具有持续性；Jiang和Verardo（2018）[4]认为，反羊群行为的基金可以获得超额收益；Cremers和Petajisto（2009）[7]肯定了基金主动管理行为带来的收益。然而在中国市场，不同时期、不同方法的研究，所得到的结论有所差异。例如，在支持独立性的研究中，罗荣华等（2020）[10]认为不随其他基金同向交易的基金具有更加出色的能力，顾力绘（2018）[6]指出独立基金具备可持续的投资价值。然而，杨瑞杰和张向丽（2019）[13]认为羊群行为可以在一定程度上降低基金风险；于上尧等（2015）[1]指出抱团能够在有限的范围内提升基金的业绩表现；陈胜蓝和李璟（2021）[2]从信息传递的角度，认为居于网络中心的基金，即和更多基金有共同重仓股的基金，具有更高的信息中心度，从而可以获得高收益。

从基金经理能力的角度，持仓独立的基金经理有自己的研究思路和对自己判断的自信，拥有更多的信息来源或投研积累，从而敢于采取更加独特的投资思路，可能体现出更强的管理能力。从市场变动的角度，尽管基金独立性与表现的关系实际上严重受到市场行情的影响，例如，在2020年的“抱团”行情下，“从众”是最优选择，而在其他情况下可能恰好相反，但是从长期的维度看，抱团必然会迎来瓦解，高估的泡沫也总会破裂，基金难以长期通过抱团来获得可持续的收益，即“滥竽充数”总会暴露，而拥有独立观点的基金在市场的不同阶段有独立的判断，可能更加擅长提前发掘股票价值，从而获得更高的收益。

综上，本文提出核心假设：

H1：相比于合群或抱团基金，独立基金总体上可以获得更加优异的表现。

独立基金的管理能力从何而来，又将如何影响收益表现，同样是本文的检验重点。在信息交易的视角下，若基金能够产生超额收益，则其必然能够通过交流、研究或其他方式获得更具有价值的信息，这种信息会反映在其具体的交易当中（罗荣华等，2020；Amihud和Goyenko，2013）[10，14]，因此，独立基金的交易信息含量高于其他基金。考虑到信息含量的定义较为宏观，而在基金业绩归因时投资者更倾向于讨论基金的选股和择时能力，从这一角度出发，本文认为，相比于“随波逐流”的基金，独立基金的信息含量主要体现在选股技能上，基金经理在获得信息后，会理性地采取买入持有策略，而非跟随短期热点择时调仓获得收益，不会对市场短期变动过度反应。另外，Back等（2018）[15]的研究指出，追求阿尔法收益会导致基金损失一定的择时能力，即选股和择时本身存在冲突，负的择时能力是追求超额收益的代价，基金经理难以同时在两方面表现出色，因此，优秀的选股能力应当是独立基金获得优秀表现的主要途径。因此，本文提出假设：

H2：独立基金投资表现中的信息含量更高，且选股能力优于择时能力。

若基金独立性很大程度上可以预测未来的优异表现，则需要额外关注的两个问题是，这种独立性是偶然的还是持续的，是对部分基金有效还是对全体基金有效，这关乎实践场景中的投资者决策。罗荣华等（2020）[10]指出，由于基金能力具有持续性，则由能力造成的表现差异应当具备持续性；Hoberg等（2018）[3]研究表明，面临更低同类竞争压力的基金可以获得更加持久的业绩稳定性。因此，本文推测，独立基金的业绩表现具备多期的可持续性。在截面维度，投资者一般将主动管理型基金分为全市场型和赛道型基金两个类别，大多数FOF组合也采取“核心+卫星”的基金投资策略，即以全市场基金的核心组合作为收益基础，通过赛道型基金的卫星组合获得风格轮动的超额收益。对于这两类基金，Kacperczyk等（2005）[8]认为行业集中度更高的基金普遍展现了更强的专业投资积累，即赛道型基金的进攻性更强。因此，本文认为赛道型基金采用独立风格反映了更加集中、有效和理性的判断，相比于投资于全市场的基金专业程度更高，可能获得更优异的投资表现。对此，本文提出假设：

H3：基金独立性及带来的优异表现具备持续性，且独立的赛道型基金表现更优。

三、样本数据与指标选取

（一）样本数据

本文以通联数据库划分的开放式股票型基金和偏股混合型公募基金为主要研究对象，根据数据可得性与我国基金市场的发展历史，样本期为2010—2022年。基金持仓详情、基金收益、基金基础信息、基金家族数据和基金经理团队数据等均来自通联数据库。本文大多数回归采用季度重仓数据进行研究，稳健性检验中考虑部分半年度频率数据。

（二）基金持仓划分与基金独立性

基于上述讨论，对于单只基金的季度重仓股票仓位或半年度总持仓股票仓位TP（Total Proportion，股票市值占总净值比重），本文先将其分为抱团股仓位和非抱团股仓位，即：

[TP=HP+IP]                             （1）

其中，[HP]（Herd Proportion）为抱团股市值占总净值的比重，抱团股的定义为，对截面上的样本内股票型基金和偏股混合型基金，计算其对所有股票的持有市值，将截面上所有股票从高到低排序，选出排名前50的股票作为全市场基金重仓股。直观上，排名靠前的股票为全市场共同关注且重仓的股票，基金经理无须额外的信息或研究即可获取此类股票的情况，因此，若基金投资于市场重仓股的比例较高，则可以被认定为抱团或羊群行为，缺乏独立的选股意见。另一部分仓位[IP]（Independent Proportion）反映了基金相对独立的选股，这部分仓位越高，意味着基金有更独立的选股意见，持仓的信息含量相对而言更高。

进一步地，基金的独立选股还可以进一步划分。陆蓉和刘亚琴（2009）[16]认为，基金家族内部存在强烈的关联和相当多的共同持股，實际上，基金家族下的基金共同持股很大程度上源于基金投资研究平台所提供的支持，基金经理接受来自基金公司的投研信息并做出相应的投资决策。因此，独立选股可以进一步划分为来自基金公司的信息与基金经理个人的选股：

[IP=CP+PP]                             （2）

其中，[CP]（Company Proportion）为公司为基金经理提供的且被基金经理采纳的股票仓位占比，是基金公司的信息。具体而言，本文对基金公司所披露的重仓股排序后，得到排名前五十的股票，从中扣减全市场的前五十大重仓股后，得到根据基金公司投研信息而持仓的股票，基金所持有的这部分股票比例被记为[CP]，基金的其他持仓为[PP]（Personal Proportion），[PP]来自基金经理的个人研究观点。

总结来看，基金的总仓位可以被分解为：

[TP=HP+IP=HP+CP+PP]                    （3）

即对于每一期的基金经理持仓，都可以被分解为抱团选股比例、公司选股比例和个人选股比例，分别对应了公开信息、公司投研信息和个人研究信息。采用仓位占比分解的优势在于，既考虑了其他基金的持仓情况，即使用了全体基金的信息，又考虑了基金自身的选股努力，并且相比于过往研究的指标具备跨期和截面的可比性，无须进一步的标准化处理。

本文主要以IP作为基金独立性的代理变量，同时考虑CP和PP等的贡献度。

（三）其他变量

1. 基金业绩代理变量。参考徐龙炳和顾力绘（2019）[17]、罗荣华等（2020）[10]和熊熊等（2017）[18]的变量设定，本文采用基金的净值收益率和剔除市场风险的詹森指数，即Jenson α（Jensen，1968）[19]作为基金业绩表现的代理变量。

2. 基金风险控制代理变量。本文后续同样使用基金的风险表现能力作为基金表现的衡量指标，除了使用年化收益标准差，即收益波动率（Vol）作为风险衡量指标外，本文还使用区间最大回撤（maxDD）、95%在险价值（VaR95）作为基金极端下跌风险的衡量指标。参考罗荣华等（2020）[10]，本文还考虑了扣减基准后收益的年化波动作为主动风险（activeVol）的代理指标。

3. 基金能力与信息含量。为进一步考察本文构建的独立性指标与其他基金能力指标的关系，本文引入基金私有信息含量（Amihud和Goyenko，2013）[14]，并采用CAPM回归的R2和调整后的TR2作为私有信息的代理指标。基金的选股和择时能力计算来源于基金收益表现，本文参考Treynor和Mazuy（1966）[20]的TM选股和择时模型、Henriksson和Merton（1981）[21]的HM选股和择时模型以及Chang和Lewellen（1984）[22]的CL选股与择时模型，分别构造TM、HM和CL选股和择时指标。

4. 控制变量。本文参考Hoberg等（2018）[3]、Amihud和Goyenko（2013）[14]，选择基金交易数据、特征数据、基金公司信息和基金经理信息作为主要控制变量，这些变量同样是影响基金表现的重要因素。本文的主要变量见表1。

四、实证结果与分析

（一）基金独立性与基金业绩表现

根据本文的核心假设，独立基金的整体表现将更加出色。其中，最直观的出色表现即基金可以获得较其他基金更加优异的业绩表现，因此，构建以未来业绩表现为被解释变量、以基金独立性指标为主要解释变量的回归模型。考虑到其他影响基金收益率的因素，控制变量选取上一期的历史业绩、收益波动率、基金规模、年龄、资金流入、费率、换手率、基金家族净值、基金数量以及基金经理变量，同时在面板回归中加入时间固定效应、个体固定效应，设计回归方程如下：

[Performancei，t+1=α+βIndependencei，t+γControlsi，t+ε]（4）

其中，Independence为基金独立性指标，分别以IP、HP、CP、PP，即基金独立选股比例、抱团股比例、基金投研观点持股比例和基金经理个人持股比例作为代理变量；Performance为基金业绩表现，分别以原始收益Return和经市场风险调整的Jenson α为代理变量。

表2的回归结果表明，当控制基金历史收益、波动率以及其他影响业绩表现的指标后，一方面，独立性较高的基金能够取得较高的收益表现，基金独立持仓比例（IP）每提升10%时，基金季度收益率提升0.166%；另一方面，当抱团仓位（HP）越高时，基金业绩表现越弱。同时控制二者时，基金独立性对业绩表现的影响依然能够取得稳定为正的回归系数结果，假说H1成立。

当进一步观察独立性的组成部分时，结果表明以公司投研信息驱动的CP指标贡献了更高的正向可预测性，相比之下衡量个人持仓偏好的指标PP的贡献度较低。考虑到在季度层面公布的前十大重仓股中，PP占比相对有限，大部分持股可能被划分为CP和HP，后续将在稳健性检验中考虑半年度全持仓数据及经总仓位调整后的回归结果。因此，在考虑基金研究中不能忽略公司提供的信息支持，基金与公司不能被完全割裂地观察与讨论。

此外，以控制市场风险后的超额收益为被解释变量进行回归，本文在表3得到了相似的结论，即无论是否排除基金的共同风险，其独立性对未来收益都有较为显著的正向预测能力，在控制其他变量的情况下，基金的独立持仓比例提升10%，未来一季度的Jenson α可以提升0.7%，且這种预测性同样主要来源于公司的投研信息，基金经理个人选股单独贡献的超额收益并不十分显著。

（二）基金独立性、投资信息含量与投资能力

根据假说H2，本节中我们关注独立基金的投资表现来源以及能力展现。此前的分析表明，基金的独立性来自基金经理所掌握的有效信息，这些信息应当被反映在投资交易中。此外，由于独立性体现为不随市场热点变动，因此，独立性较高的基金经理在选股上具备更突出的优势，通过优秀的选股能力影响投资业绩。

1. 投资信息含量。本文引入Amihud和Goyenko（2013）[14]的R2及调整后的TR2计算基金业绩表现中的私有信息含量，取值越小则信息含量越高。此外，本文还参考罗荣华等（2020）[10]对R2进行了双侧1%缩尾处理。

设计回归方程如下：

[Infoi，t+1=α+βIPi，t+γControlsi，t+ε]       （5）

其中，Info为基金业绩表现中的私有信息含量，以R2和TR2为代理变量，其余控制变量设定同回归（4），回归（5）结果如表4所示。

表4：基金独立性与信息含量

[变量 R2 t+1 TR2 t+1 IP -0.2867*** -1.2722*** （-23.25） （-23.43） 控制变量 控制 控制 constant0.9637*** 2.8041*** （11.61） （7.32） 样本量 32981 32981 个体及时间固定效应 控制 控制 调整R2 0.5855 0.5921 ]

回归结果表明，基金呈现出的独立性越高，未来一期的表现中的R2和TR2越低，基金收益能够被市场因子解释的部分越少，说明基金凭借有效信息交易的程度越高，证明了基金的独立性是基金能力与专业观点的体现。

2. 选股与择时。关于基金的专业能力如何展现在投资中，根据H2，本文设计回归方程如下：

[Selectioni，t+1=α+βIPi，t+γControlsi，t+ε]  （6）

[Timingi，t+1=α+βIPi，t+γControlsi，t+ε]       （7）

其中，Selection和Timing分别为基金的选股和择时能力变量，以TM、HM和CL选股与择时指标为代理变量，其余控制变量设定同回归（4），回归结果如表5所示。

表5：基金独立性与基金能力

[面板A：基金独立性与预期选股能力 变量 selectionTMt+1 selectionHMt+1 selectionCLt+1 IP 0.0703*** 0.1019*** 0.1019*** （3.87） （4.11） （4.11） 控制变量 控制 控制 控制 constant1.3360*** 1.3275*** 1.3362*** （7.25） （9.95） （7.25） 样本量 32981 32981 32981 个体及时间

固定效应 控制 控制 控制 调整R2 0.4864 0.5402 0.5401 面板B：基金独立性与预期择时能力 变量 timingTMt+1 timingHMt+1 timingCLt+1 IP -0.0239** -0.0694*** -0.0696*** （-2.09） （-3.08） （-3.25） 控制变量 控制 控制 控制 constant-0.1755 -0.0928 -0.2135 （-1.22） （-1.22） （-1.35） 样本量 32981 32981 32981 个体及时间

固定效应 控制 控制 控制 调整R2 0.4465 0.5396 0.4662 ]

表5的回归结果表明，无论在哪一种模型的指标度量下，结果均表明独立性较高的基金更加擅长选股，而非择时。总体上而言，独立基金主要通过较为有效且独立的观点选择了能够在区间内获得超额收益的股票，且对于市场变动并不过分反应，最终取得了较高的超额收益。综上，假说H2得到证明。

3. 风险控制。为了进一步确认上述传导途径的可靠性，本文额外加入了一组检验。本文认为，由于基金经理选择了与基准偏离较多的股票，以及对择时没有过度偏好，因此，基金可能承担了更大的业绩波动风险，即以承担一定风险的代价获取了超额收益。据此，设计回归方程如下：

[Riski，t+1=α+βIPi，t+γControlsi，t+ε]                 （8）

其中，[Risk]为基金风险指标，使用Vol、activeVol、maxDD和VaR95作为代理变量，其余控制变量设定同回归（4），回归（8）结果如表6所示。

回归结果表明，在不同的风险度量指标下，均显示独立性越高，基金未来的风险越高。特别地，基金的独立性使得主动风险（activeVol）显著提升，对整体风险（Vol）的提升起到了重要作用。因此，独立性较高的基金重视选股，较少择时，且选股偏离市场基准较多，使得其面对市场波动时承受的风险水平更高。即独立基金为了获取超额收益，承担了更高的波动风险。

（三）基金独立性、跨期稳定性和截面稳定性

1. 时序稳定性。对于每一期的基金独立性IP，将其根据截面上的排序进行五等分，从最独立（Quintile 5）到最抱团（Quintile 1）分为五组，通过关注处于各个分组的基金在下个季度有多大的概率仍然留存在当前的分组中，以判断其可持续性，统计结果见表7。统计结果表明，在表现出最为独立观点的基金分组中，有接近70%的基金在下个季度仍然会选择留存在当前分组中，而最为抱团的基金也会有超过60%留存于此前的分组中，说明基金体现出的抱团和独立性存在一定的可持续性，即大多数基金的持仓特征并非来自偶然调整，而是在权衡市场行情和自身信息后的决策。

另外，我们考察了本期末的基金独立性能够在多大程度上持续预测未来的优异表现，如果独立性具备持续性，那么对业绩的预测也应当具有一定的可持续性。对于回归（4），分别将被解释变量替换为T+1至T+N期的季度业绩表现，解释变量为本期末的IP，关注当前的独立性在多长的时间范围内仍然起到预测作用，IP的估计系数β及其95%置信区间变动如图1所示。图1所示的回归系数变动情况与对基金独立性可持续性的估计相一致，由于独立性本身具有较高的可持续性，在T+1至T+4期的回归系数均显著为正，说明独立基金的优秀表现持续存在四个季度，由独立性带来的优秀业绩表现并非随机变动的，而是来自可持续的、系统性的基金能力。

2. 截面稳定性。赛道型基金经理往往在基金名称或者招募说明书中强调其投资的范围，如新能源、消费、医药等主题，相比于强调成长或者价值的全市场基金而言更具有投资针对性。尽管过往研究表明基金存在较为严重的风格漂移现象，投资范围随着市场行情的变动而转移（喻国平和许林，2016）[25]，但是仍然不可否认有部分赛道基金在其所关注的领域中取得了良好的业绩，具备专业的投资水准。

本文期望探讨的是，对于赛道型基金和全市场基金，其独立性对业绩表现的影响是否因为投资范围的差异而不同。据此，本文采用分组回归的方式，分别考察两类基金独立性对业绩表现的影响。其中，本文划分赛道型基金的方式为：按照个股所属的申万二级行业建立与各类赛道之间的映射关系，利用最近一个季度披露的重仓股数据作为判断依据，如果重仓股中某赛道的占比超过50%即定义为该赛道基金。依据回归（4），分组回归结果如表8所示。

回归结果表明，赛道型基金在获取超额收益方面表现更加出色，当控制其他变量时，赛道型基金每提升10%的独立持仓比例，季度层面的超额收益将增长1.1%，相比于全市场基金更加可观。这与此前的分析预期相一致，赛道型基金拥有更窄的投资范围和更深入的投研觀点，当其产生并信任某个独立信息进行选股时，把握性更高，因此，更有可能获得超额收益，而全市场基金由于投资范围过大，独立观点的可靠性则相对有所下降。

（四）基金独立性的影响因素

参考罗荣华等（2020）[10]的统计方式，本文根据IP指标将样本按照基金的独立性从高到低分为3∶4∶3的三个部分，其中High组为独立性最高的基金分组，Low为独立性最低的基金分组，并计算各项指标在不同组别的差异，以考察基金的独立性可能与哪些因素相关。

表9的结果表明，首先，独立基金的规模水平更小，这与Amihud和Goyenko（2013）[14]的结论一致，更大的规模限制了基金的投资灵活性，高昂的交易成本和冲击成本使规模较大的基金只能投资于有较大市值和较高流动性的抱团股，因此，也降低了换手率，在基金公司层面这一效应同样显著存在。其次，成立时间更短、基金经理任职时间更短的基金有较高的独立性，在成立初期基金可能期待以更加“另辟蹊径”的方式赚取超额收益，以获得市场的关注和吸引资金流入。再次，基金费率更高的基金表现得更加独立，显示出了管理费的“物有所值”。最后，从基金经理个人特征来看，更大规模的基金经理管理团队、女性基金经理和博士基金经理可能体现出较为保守的倾向。

总体来看，大型基金或成立时间长的基金往往较为抱团，而更年轻的、规模更小的基金显得“初生牛犊不怕虎”，以更独立的方式进行投资。

五、稳健性检验

（一）分层阈值重新划分

对于公式（1）和（2），前文分别选取了受到基金重仓程度最高的50只股票定义市场抱团股和基金公司关注的股票，在这里我们将其替换为所有股票中最为重仓的前10%股票，再次计算得到独立选股比例（IP10pct）和抱团选股比例（HP10pct），其他设定同回归（4），重新划分分层阈值后的检验结果如表10所示。回归结果表明，重新计算的基金独立性依然对基金未来的收益表现具备良好的正向预测能力，本文的核心观点具有稳健性。

（二）基于总仓位调整的独立性指标

尽管偏股型和股票型基金仓位长期保持在较高水平，但是依然存在细微差异，考虑到基金的总仓位对业绩表现存在重要影响，独立性指标是否依赖于基金的披露仓位可能影响结论的可靠性，据此本文设计了考虑仓位调整后的独立性指标：

[IPadj=IP/TP   CPadj=CP/TP   PPadj=PP/TP]   （9）

经总仓位校正后的指标避免了由于仓位差异带来的不同，按照（4）的回归结果见表11。结果表明，经过仓位调整的独立性指标依然满足此前的回归结果，说明总仓位与基金独立性之间不具有替代和影响关系，本文的主要结论具有稳健性。

（三）基于半年度数据的分析

值得指出的是，尽管基于季度的重仓数据可以得到基金独立水平，但是由于大量仓位隐藏于前十大重仓股之外，半年报和年报的信息可能更具有挖掘价值。此外，基于重仓股的分析中，市场重仓股和公司重仓股占据了基金持仓的较大比例，极少数股票被划分为基金经理的个人选股，这损失了一定的信息。据此，本文将回归（4）中的变量更新频率设定为半年，讨论基于全持仓的基金独立性与业绩表现情况，回归结果如表12所示。回归结果表明，在半年度层面上本文的主要结论仍然成立，除此以外，基金的个人选股部分所展现的基金独立性同样具有对未来超额收益的预测能力。

六、进一步分析

与本文构造的基金独立性指标不同，学术界和业界也从其他角度提出了基金独立性的衡量指标。在进一步分析中，本文将对比当前的独立性指标与其他指标间的异同。

（一）指标回顾

1. 抱团程度。于上尧等（2015）[1]通过计算基金重仓股票的平均抱团水平，得到基金的抱团度，具体而言，对于股票X和股票Y，分别被3只基金和5只基金在期末持有，若另有一只基金A仅持仓了X和Y，那么基金A的抱团度为（3+5）÷2 = 4，即先计算股票抱团度，再平均至基金层面得到基金的抱团程度（Group）。于上尧等（2015）[1]指出，在样本区间内，基金经理选股“抱团”一定程度上能够提升基金业绩，但效果是有限的。

2.抱团因子。随着基金数量的增加，业界逐渐开始讨论与构建基金因子用于量化筛选基金和投资决策辅助，其中抱团因子被屡次提及，其构造方式为：选取基金每季度的重仓股，记录每只重仓股被所有主动偏股型基金持有的市值，以各只重仓股在前十大重仓股中的持仓比例为权重进行加总得到抱团因子（GroupFactor）。目前研究主要支持非抱团基金表现更加优秀，但是仅在非抱团行情下才会出现此种业绩分化，抱团行情下可能恰好相反。

3. 基金网络中心度。陈胜蓝和李璟（2021）[2]基于基金网络中心度讨论了基金信息优势，尽管并未直接提及抱团，但是在计算方式上与上述两种方案有相似之处。具体构造方式为：对于基金A和基金B，若有共同重仓股X，即定义二者存在一个连接，将当期与基金A建立连接的数量除以N-1，其中N为截面上的基金数量，得到基金A的网络中心度（Centrality）。实际上，网络中心度、抱团程度和抱团因子都是基于持仓股票构建的抱团模型，当本基金持有的股票被更多的基金持有，则当前基金的抱团水平更高。陈胜蓝和李璟（2021）[2]指出，在样本期内，网络中心度更高的基金拥有信息优势，获得了更好的投資绩效。

（二）实证检验

本文尝试用当前的样本计算以上指标，并且为了确保指标间的截面可比性和跨期可比性，将IP、Group、GroupFactor和Centrality均在每个截面上排序后归一化到0和1之间。这些指标是否能够在不同样本区间内均取得有效解释力，体现了指标的稳健性。考虑到2017—2018年以来出现了连续的消费、医药等行业的抱团行情，本文利用模型（4），进行全样本回归和以2018年为划分时点的分样本回归，观察指标在前后两期的变动水平。

表13列示了以超额收益为被解释变量的回归结果，以原始收益作为被解释变量的回归结果与之类似，不再赘述。结果表明，在全样本层面，Group、GroupFactor均表明抱团基金表现更差，而Centrality指出网络中心度较高的基金业绩较好，本文提出的IP指标回归系数符号保持与此前回归一致。从分样本角度，Group、GroupFactor在2018年前有较好的负向业绩预测效果，但是在2018年后失效；而Centrality则恰好相反，在2018前为负向不显著指标，但是随着抱团行情的出现，成了一个正向且十分显著的指标；IP指标则在两个区间内始终保持正向显著，具有较好的稳定性。事实上，从抱团行情前后样本的对比可以看出，Group、GroupFactor和Centrality有一定的一致性，在2018年前否认（负显著），或者不承认（不显著）抱团的正向效果，而在2018年后不否认（不显著）或承认（显著）抱团的正向效果，即从负显著过渡到不显著，以及从不显著过渡到正显著。很明显，抱团行情左右了这些指标的研究结论，使其不具备充足的稳健性。

从指标计算的角度来看，Group、GroupFactor易受到极端值的影响，如果组合中出现了一个高度抱团的股票，那么通过加总或者平均，会拉高整个基金的抱团度，而事实上基金可能只选择了个别抱团股票，忽略了基金的整体选股努力，在抱团行情下，很少有基金会完全避开抱团股，但是这并不构成其成为抱团基金的充分条件。而Centrality一般以5%为界限划分网络连接阈值，绝大多数基金在5%以上的重仓位都会选择与市场大盘走势较为一致的股票，以确保不至于出现重大的踏空，使得Centrality完全成了一个抱团股的代理变量，更加忽略了基金整體持仓布局，无法在非抱团行情下体现出区分能力。因此，上述指标都受制于市场数据特征和行情变动，而基于基金持仓分层的IP指标较好地避免了这一问题，使其在大多数情况下都有不错的预测效果。

七、结论

本文主要基于基金季度持仓数据，提出了一种划分独立选股和抱团选股的方法，构造了基金独立性指标。实证结果表明，基金独立性能够对未来业绩表现有正向的预测能力，且具备长达四个季度的可持续性，基金公司提供的投研信息支持了基金的独立性表现。渠道检验表明，独立性较高的基金有更强的选股能力和独有信息，但是对择时不敏感，因此，承担了更高的收益波动风险。研究还表明，更年轻、规模更小的基金更具有独立性，而大型基金和成立时间长的基金则更加保守。最后，本文通过一系列稳健性检验和指标对比，说明了基于基金持仓分层构建的独立性指标具有更好的稳健性，在业绩预测表现上优于现有的主要指标。

基于上述结论，本文提出以下几点建议：对于普通基金投资者而言，“跟风追涨”是非理性决策，在购买基金前应当认真细致评估基金经理及其他公开信息，选择更具有独立观点的基金经理，以获得长期稳健的收益；对于基金机构投资者而言，目前基金投顾业务试点已有两年有余，大力发展基金评价体系，建立有中国特色的基金评价方案和评价指标，对于帮助客户实现价值具有重要意义，特别要关注和引进具有长期价值的基金管理人，实现良性循环；对于基金公司而言，平台的投研资源对基金经理会产生较大帮助，基金公司应当始终以为客户创造价值为导向，加强投研实力，不以短期的资金流入或资产规模为目标，充分发挥公募基金作为机构投资者的理性价值；无论是监管机构、基金公司或者对应的机构投资者，应当在业绩评估时更加重视基金的长期业绩，提出长期的评估机制和监管机制，从而降低其追求短期热点的倾向，更好地起到市场稳定和价值发现的作用。

注：

①根据2022年半年报公布的重仓股数据，贵州茅台和宁德时代分别被2015家公募基金和1812家公募基金持有，而在这一榜单中排名第50位的天合光能仅被222家持有，大多数股票更是只被几十只甚至几只基金持有。这意味着，按照现行的基金网络中心度构建方法，只要基金持有头部股票就会被计算为高中心度基金，网络中心度极有可能大于2000，而基金的其他持仓对中心度或抱团度的影响微乎其微。事实上，这主要是因为市场上股票的抱团程度的分布近似右偏长尾的对数正态分布，绝大多数股票存在于左侧，而少数股票抱团度极高，居于右侧，而非较为均匀合理的正态分布。

参考文献：

[1]于上尧，王雪，伊志宏.“抱团”能否“取暖”——基金经理的选股策略与基金业绩 [J].经济学报，2015，2（04）.

[2]陈胜蓝，李璟.基金网络能够提高投资绩效吗？ [J].金融研究，2021，（06）.

[3]Hoberg G，Kumar N，Prabhala N. 2018. Mutual Fund Competition，Managerial Skill，and Alpha Persistence[J].The Review of Financial Studies，31（5）.

[4]Jiang H，Verardo M. 2018. Does Herding Behavior reveal Skill？An Analysis of Mutual Fund Performance [J]. The Journal of Finance，73（5）.

[5]Sun Z，Wang A，Zheng L. 2012. The Road Less Traveled：Strategy Distinctiveness and Hedge Fund Performance [J].The Review of Financial Studies，25（1）.

[6]顾力绘.“与众不同者”的价值——基于基金独特性的视角 [J].江西财经大学学报，2018，（05）.

[7]Cremers KJM，Petajisto A. 2009. How Active is Your Fund Manager？ A New Measure that Predicts Performance [J].The Review of Financial Studies，22（9）.

[8]Kacperczyk M，Sialm C，Zheng L. 2005. On the Industry Concentration of Actively Managed Equity Mutual Funds [J].The Journal of Finance，60（4）.

[9]Goldman E，Sun Z，Zhou X. 2016. The Effect of Management Design on the Portfolio Concentration and Performance of Mutual Funds [J].Financial Analysts Journal， 72（4）.

[10]罗荣华，田正磊，方红艳.“和而不群”还是“卓尔不群”？——基于基金网络信息使用的视角 [J].金融研究，2020，（08）.

[11]罗荣华，田正磊.基金网络、竞争阻隔与股票信息环境 [J].中国工业经济，2020，（03）.

[12]唐棠，张自力，赵学军.“与众不同”的价值：中国公募基金家族反羊群行为与投资能力的关系 [J].南方金融，2019，（08）.

[13]杨瑞杰，张向丽.基金经理羊群行为是否明智：盲目跟风VS理性选择 [J].证券市场导报，2019，（09）.

[14]Amihud Y，Goyenko R. 2013. Mutual Fund's R 2 as Predictor of Performance [J].The Review of Financial Studies，26（3）.

[15]Back K，Crane AD，Crotty K. 2018. Skewness Consequences of Seeking Alpha [J].The Review of Financial Studies，31（12）.

[16]陆蓉，刘亚琴.共持重仓股“变脸”对基金家族的连锁效应研究 [J].财经研究，2009，35（04）.

[17]徐龙炳，顾力绘.基金经理逆境投资能力与基金业绩 [J].财经研究，2019，45（08）.

[18]熊熊，韩佳彤，汤冠豪，董明华.大数据基金风险与绩效分析 [J].证券市场导报，2017，（10）.

[19]Jensen M C. 1968. The Performance of Mutual Funds in the Period 1945-1964 [J].The Journal of Finance， 23（2）.

[20]Treynor J，Mazuy K. 1966. Can Mutual Funds Outguess the Market [J].Harvard Business Review，44（4）.

[21]Henriksson RD，Merton RC. 1981. On Market Timing and Investment Performance. II. Statistical Procedures for Evaluating Forecasting Skills [J].Journal of Business.

[22]Chang EC，Lewellen WG. 1984. Market Timing and Mutual Fund Investment Performance [J].Journal of Business.

[23]Sirri E R，Tufano P. 1998. Costly Search and Mutual Fund Flows [J].The Journal of Finance，53（5）.

[24]Bellstam G，Bhagat S，Cookson JA. 2021. A Text-based Analysis of Corporate Innovation [J].Management Science，67（7）.

[25]喻國平，许林.基金投资风格漂移及对股市波动的影响研究 [J].证券市场导报，2016，（07）.