“学海拾珠”系列之十二：基金重仓持股季末的收益反转异象
由crisvalentine创建，最终由crisvalentine 被浏览 25 用户
报告摘要
主要观点
本篇是“学海拾珠”系列的第十二篇。报告探讨了公募基金在季度末对其重仓持股的操纵行为以及由此导致的重仓持股收益反转异象。
- 基金持股的季度末收益反转异象
在美国的共同基金中，一些基金的收益往往在接近季末的时候为正，但在下一季季初时很快变为了负。虽然在国内，基金层面上这种异象并不明显，但在个股层面上，公募基金重仓持股的季末收益反转异象十分显著。这可能是季末（年末）基金业绩排名压力导致的有意识的操纵行为。因此，该文献使用从2009年到2017年A股个股和中国开放式基金的相关数据，聚焦分析基金重仓持股在每个季末10天窗口期的累积异常收益和异常成交量变化，揭开了中国公募基金收益反转异象的面纱。
- 个股在基金中的重仓程度越高，反转异象越显著
在样本股票中，季末前五天的平均累积异常收益率（CAR）为+43个基点，季末后五天的CAR为-93个基点，具有统计的显著性。而在基金重仓程度最高的个股中，季末前五天的CAR达到+84个基点，季末后五天的CAR达到-139个基点，即季末10天窗口期中的平均收益反转约为222个基点，同时伴随着个股异常活跃的成交情况，在年末，这种异象更加严重。此外，文献中还利用单变量和多变量回归分析，挖掘出影响基金重仓持股收益反转的基金参与度因素和股票特征因素，并从多个角度对结果的稳健性进行分析。
风险提示
本文结论基于历史数据、海外情况进行测试，不构成任何投资建议。
简介
近期，一种常发生在季末的基金收益反转现象在学术界和业界倍受关注。**这种现象指的是一些基金的收益在接近季末的时候为正，但在下一季季初时很快变为了负。之所以有这样现象的存在，是因为一些基金经理会在接近季末的时候大力买入一些股票，通过抬高该股票价格的方式来提升基金披露时的业绩，但在下一季初，他们又会将这些股票抛售出去，以重新达到原有的配置目标。**然而奇怪的是，尽管Carhart et al. (2002)等很多学者已经在美国的共同基金中证实了这种收益反转的现象，在中国的共同基金中，这个现象似乎并不明显。
为了在中国的基金中证实这种收益反转现象的存在，本文主要提出了两种思路：第一，由于基金经理可能只是在季末重点买进某几只股票，导致**只有个别股票出现收益反转的现象，而从基金层面来看这种现象并不明显，因此本文将分析聚焦在基金的重仓持股上。**第二，考虑到基金经理增持某股票的行为可能并不仅仅集中在季末的两三天内，本文将研究的窗口期长度延长至10天，分别研究重仓持股收益和成交量在季末报告期前5天和后5天的变化。
本文从万得中获取从2009年初至2017年初每季度披露的所有基金的重仓持股中基金持有自由流通股最高的100只股票，以及持有这些股票的基金或基金公司的数据信息，并通过计算每季末这些重仓持股的异常收益来研究股价的变动情况，且同时检测了他们在季末成交额的变化。研究表明，**在样本股票中，季末前五天的平均累积异常收益率（CAR）为+43个基点，且具有统计显著性；季末后五天的CAR为-93个基点，同样具有统计显著性。也就是说，在季末前后的10天窗口期内，收益反转达到了136个基点。**然而，值得注意的是，如果对每只股票的收益反转基点进行排序，只有排在前1/3的股票具有显著的季末收益反转性和显著增加的成交量，这也证明了收益反转现象只出现在某些重仓持股中，因此从基金层面来看收益反转并不明显。
除此之外，本文通过单变量和多变量回归分析，总结出了一些导致股票在季末出现收益反转现象的基金参与度因素和股票特征因素：**股票在所有持有它的基金中所占有的最高投资组合权重越大，该股票越有可能在季末出现更大的收益反转；在同一个基金家族中，如果某只股票被更多的基金所持有，该股票更有可能在季末出现更大的收益反转；**某只股票规模越小或自由流通换手率越低、持有其的基金公司越多、上季度的收益率越低、具有的市场贝塔越高，越有可能在季末出现更大的收益反转。
经检验，本文得到的结论具有稳健性。首先，本文中的回归模型不具有内生性偏差，虽然收益反转率是在十天的窗口期内进行测量，但其解释变量均是在窗口期前进行测算，且其中并不包含股票的价格和收益变量。其次，在2015年中国股灾后，政府制定了股价稳定机制，并对基金的交易行为作出了更严格的规范，也正是在这一时间段，本文的实证结果不再具有统计稳定性，验证了当基金业绩表现的重要性降低时，收益反转现象也会随之减少或消失。最后，本文检验的收益反转异象并不受到节假日和公司财报公布时间因素的影响。根据Lu和Liu(2008)，中国股市的收益率在元旦和国庆节之后并不显著不为0，然而在本文样本中用到的春节和劳动节后显著为正；同时，公司季报通常在季末后两个月、年报通常在下一年的三月初发布，而本文对收益反转的检测期并不在这些时间段内。
猜想
基于先前众多关于基金收益反转的研究成果，本文针对股票季末的收益反转行为提出三点猜想：
- 共同基金对其所持有的某只重仓持股的参与程度会影响该只股票在季末的收益反转大小。
- 某只股票被同一家基金公司更多的基金所持有，该股票在季末出现的收益反转越大。
- 股票自身的许多特征会影响其在季末的收益反转大小。
在下面的章节中，本文将具体介绍如何构建基金参与度指标、“基金-公司比”指标和股票特征指标以分别用于验证猜想1、猜想2和猜想3。
\
数据与策略
数据、样本及变量
考虑到中国股市在2008年受全球金融危机影响严重，且中国开放式基金在2008年底快速成长，直到2009年以后市场才进入一个相对稳定的阶段且可以提供足够的基金样本进行研究，本文将2009年1月-2017年1月设为样本期，并从万得上获取关于个股和开放式基金在该样本期内的相关数据。
原始样本共包含787只重仓持股，2584只开放式基金和11家基金公司。本文首先剔除了ST股票以及在每季末窗口期内停牌超过四天以上的股票。其次，考虑到新股常常被压价(Chan et. al 2004），本文剔除了距离每个季末窗口期上市不到两年的股票。最后，为了保证样本中的股票可以准确估测市场贝塔，本文剔除了在估测窗口期（下文将具体解释）内交易活跃少于30天的股票。处理后的样本共包含613只重仓持股，1879只开放式基金和104家基金公司。
此外，样本保证了在每一个横截面上都有超过2000个的观测数据，因此通过样本得到的横截面标准差是稳健可靠的。此外，为了进一步保证结果的稳健性，本文在OLS回归中使用重复采样 (bootstrap)的方法求标准差，并且选取最稳健的标准差用在逻辑回归中。
变量的定义
累积异常收益 (CAR)
为了衡量基金重仓持股在季末的异常收益，本文使用股票指数计算其预期收益，则其异常收益为总收益减去预期收益，即非预期收益。将计算股票相对于指数的贝塔的估测窗口期设为上一季末后的第6天至这一季末前的第11天，从而使得其不与季末的十天窗口期时间重合。
计算股票在季末窗口期的异常收益的公式为：
最后，在获取每一只股票在季末窗口期的异常收益后，该股票的累积异常收益计算为：
超额成交比率（ETVR）
为了衡量基金重仓持股在季末的成交量是否出现异常增长，本文使用超额成交量比例指标：
∆CAR 和 CAR Gap
本文通过计算股票在整个季末窗口期内CAR的变化来衡量其收益反转的大小：
虽然CAR在季末前几天不一定为正，但只要存在收益反转，∆CAR一定为正。
基金参与度指标
本文共构建了11种衡量基金在其持有的重仓持股中的参与度指标来评估其对收益反转的影响。
- 基金数量：持有股票i的基金的数量。
- 基金公司数量：持有股票i的基金公司的数量。
- 基金持仓比：基金持有股票i的份额占股票i总自由流通份额的比例。
- 高仓位虚拟变量：如果股票i被至少一只基金持有超过10%以上的自由流通股份，则该指标为1，否则为0。
- 基金-公司比：持有股票i的基金数量/持有股票i的基金公司数量。
- HHI指数：基金公司持有股票i的自由流通份额的比例。
- 最高投资组合权重：股票i在所有持有它的基金中所占有的最高权重。
- 基金规模：在季末期持有股票i权重最高的基金的管理资产（AUM）。
- 公司规模：持有股票i权重最高的基金公司的AUM。
- 基金规模-最大基金股东比：持有股票i最大份额的基金的AUM。
- 公司规模-最大基金股东比：持有股票i最大份额的基金公司的AUM。
股票特征控制变量
在研究基金参与度指标对股票收益反转的影响时，本文还加入了如下一些股票特征的控制变量，以便得到更准确的分析结果。
- 过去的收益率：重仓持股在过去3个月和过去12个月的收益
- 自由流通比率
- 市值：在季末前10天的20个交易日内取市值对数的平均值。
- 流动性：非流动性ILLIQ为其中T为上一季度估测窗口期内股票i的交易日天数；ILLIQ为一段时间内绝对股票收益与美元交易量的平均每日比率。平均换手率指标：季度估测窗口期日度换手率均值
- 市场贝塔：为了衡量每只股票的系统性风险，本文在估测窗口期内使用万得全A股指数来计算股票的市场贝塔。
- 杠杆率：本文使用债务与资产的比例作为衡量杠杆的指标。
- 股息收益率：每年股息除以股票的价格，以衡量股息支付所产生的收益。
- 市净率：市场价格与股票每股账面价值比，用于衡量股票类型。
- 市盈率：股价与每股的收益比，与市净率一样用来衡量股票类型。
子样本时期
为了研究收益反转现象在不同市场环境下的表现，本文根据上证综指的走势将市场环境分成牛市、熊市和横盘震荡三种阶段。如图一所示，如果上证综指持续上涨超过两季度，该时期标为牛市；从谷峰到谷底的阶段标为熊市，其中谷底指的是此时大盘走势的最低点比下一次最低点不高于1%；剩余的时期标为横盘震荡阶段。根据上述的分类方式，本文描述的牛熊市划分阶段如图表1所示。
中国政府自2015年股灾以来，加大了对金融市场的管理力度，对机构投资者的交易行为进行更严格的监控。考虑到监管环境的剧烈变化，本文将2015.6.30 – 2017.1.31这段时期设为研究的子样本，用于探究在金融市场监管更严格的情况下，收益反转异象的变化。
\
季末收益与交易行为
在本章节中，本文通过计算重仓持股的累积异常收益（CARs）和成交量变化，初步对股票季末的收益反转现象进行分析，并探讨基金在其所持有的重仓持股中的参与度对该重仓持股收益反转的影响。
季末的CARs和ETVRs
图表2列出了2009年至2016年基金重仓持股在季末10天窗口期内的CAR和ETVR数据。可以看出，季末前的CARs (CAR[−5,0)–CAR[−1,0））均为正，且在1%水平上显著。平均而言，重仓持股在季末的最后一天的异常收益为+25.9个基点，占季末前五天总平均CARs（43.1 个基点）的60%左右。在下一季度开始后的5个交易日中，样本股票的平均CAR从-14.2个基点持续下降至-93.4 个基点。这些数据有力的证明了前文的推测：一些基金经理确实会在季末前推动股价的提升，且该行为从季末的前几天就开始进行。
从ETVR的角度来分析，样本股票的超额成交量在季末前5天到前3天并没有统计意义上的显著增加；在前2天到前1天时，超额成交量平均增加了2.9%-3.6%，具有边际显著性。在季末后，这些重仓持股的成交量出现了显著的增加，其中第一天的成交量增长了约9%，占新季度开始后5天内平均总成交量的52%。连同之前提到的同期的股价下跌现象，该数据进一步证明了重仓持股在季末具有明显的收益反转行为。
季末的过度交易与收益反转
图表3展示了全样本、年末子样本和非年末子样本的季末ETVRs数据。其中全样本的ETVRs数据和图表2中的数据相同。从表格上半部分的年末子样本数据可以看出，在日历年的最后两个交易日中，重仓持股的成交量在统计上显著增加，分别在最后一个交易日中增长15.8%、在倒数第二个交易日中增长8.8%。而由于在非年末子样本中，季度末ETVR在统计上并不显著，本文将在多元回归中专门对年末子样本的收益反转现象进行分析。
图表3的下半部分显示，在新季度开始后，这些重仓持股的ETVRs在经济上和统计上都非常显著。在新一年的第一个交易日中，成交量平均增加了12.4%，而在更长的时间窗口中，成交量从15.6%增长到17.9%。同时，非年末子样本也显示出类似的成交量增长幅度。
在图表4中，本文将样本中季末10天窗口期的∆CAR分成三等分。从Panel A可以看出，在ΔCAR最高的1/3组中，样本股票在季末前期（后期）均出现了显著的价格上涨（下降）现象，平均收益反转为10.6%。在Panel B中，同一时期该组股票的成交量显着高于正常水平，其中，在季度末之前，最后一个交易日的平均ETVR最高，为17.4%，在季度末之后，第三个交易日的平均ETVR最高，为19.7%。结合Panel A和Panel B的数据可以得出，在ΔCAR水平最高的前1/3组中，累积异常收益与成交量呈现出正相关性。
相比之下，在ΔCAR最低的1/3组中，股价在季末前出现显著的下跌，但成交量未显示任何显著的变化。在中间一组中，重仓持股虽然在季末显示出了收益反转的行为，但是该组的成交量在季末之前呈现出的是减少而不是增加的趋势，且与最高组相比，该组在第二季度后的成交量增长也受到限制。这表明，基金经理在季末推动重仓持股股价提升的同时，也有可能限制其交易活动。
在基金重仓持股中更显著
图表5探讨了基金在其所持有的重仓持股中的参与度对该重仓持股收益反转的影响。Panel A将所有重仓持股按照其被基金所持有的自由流通股份额平均分成四份，其中第四（第一）组包含了被基金所持有自由流通股份最高（最低）的重仓持股。第四组在季度最后一天的CAR接近42个基点，大约是季末前5天CAR的一半；季末之后第3天和第5天的CAR均显著为负，CAR分别约为-73个基点和-139个基点；此外，该组季末10天窗口期中的平均收益反转约为222个基点。第二、第三组的重仓持股在季末下跌的幅度与第四组相似，且在统计上显著，但这两个四组的季末价格上涨幅度较小，只有一个案例具有边际统计意义。在第一分位数组中，重仓持股在季末显示出的收益反转十分有限，且只有三个案例具有边际统计意义。综上，Panel A可以证明，被基金所持有的自由流通股份越高，股票出现的收益反转越大。
Panel B根据基金股东数量对所有重仓持股进行分类，其中第四组中的重仓持股拥有的基金股东最多。在第二至第四组中，重仓持股的CAR在季末前都出现了显著的上升，并在季末后第三天和后第五天显著下降；此外，三组的平均收益反转幅度也随着基金股东数量的增加而增加：第二分位数组为142个基点，第三四分位数组为183个基点，第四分位数组为260个基点。相比之下，第一组的平均CAR为负值，其中只有一些具有统计学意义，因此，该组中并没有出现明显的收益反转现象。结合Panel A和Panel B可以得出，基金对重仓持股的参与度越高，这些重仓持股在季末的收益反转就越大。
进一步分析
在本节中，作者对基金参与度变量和股票特征变量对收益反转的影响进行了单变量和多元回归分析，以了解哪些重仓持股更有可能出现收益反转的异象。
描述性统计
图表6可以看出，样本中重仓持股的平均收益反转，即ΔCAR，为1.37%。每只重仓持股平均被约30只基金和13家基金公司所持有约19%的自由流通股份额，且在一半的情况下，基金所有权的比例在14.40%（排名第25个百分位点）至22.34%（排名第75个百分位点）之间。高仓位虚拟变量的平均值表明，约有22%的重仓持股被至少一只基金持有超过10%的自由流通股份。根据基金-公司比，平均每家基金公司拥有两只持有相同重仓持股的基金，而该变量的第75个百分位点为2.3，说明四分之一的重仓持股至少被同一家基金公司三只以上的基金所共同持有。HHI指数的平均值为0.01，第99个百分位点为0.05，说明基金公司对重仓持股并没有明显的支配力。重仓持股在基金中平均最高投资组合权重为7.55%，第75个百分位点为9.23%，已经非常接近中国证券监督管理委员会设定的10%上限，但由于基金有10个交易日的时间将单只股票在其投资组合中的权重降低到10%的限制以下，如表6中第99个百分位数所示，单只股票的季度末投资组合权重有时可能超过10%。平均而言，拥有最高持股权重的基金和基金公司要比持有这些股票的最大自由流通股的基金和基金公司规模小，这可能是由于相同数量的持股份额对于小型基金而言已经占了较大头寸，但对于大型基金来说只是很小的一部分。
此外，在股票的特征数据中还有一些值得注意的特征。样本中重仓持股在过去一个季度和过去12个月的平均收益率分别为13%和40%，并且从第1百分位点到第99百分位点可以看出，这些重仓持股的收益率跨度非常大，与在本文样本期间经历的股市兴衰周期一致。Amihud（2002）的平均非流动性指标为2.91，与Lou和Shu（2017）提到的3.13的美股指标非常接近。平均股息收益率为0.59%，平均市盈率为97.74，这种低股息收益率和极高的市盈率说明基金经理更青睐于创业板中的股票。也是出于同样的原因，平均市净率（PB）高达7.07，远远超过美国市场2-3的平均值。
单变量分析
在图表7中，本文根据图表4的结果将基金持有的重仓持股分成两组：图表4中ΔCAR的一组为出现收益反转组，而另两组为未出现收益反转组。接着，本文分析了这两组在基金参与度、股票特征和观察季度之后的累计收益的差异。
平均而言，出现收益反转组的股票比未出现收益反转组的股票多了五个基金持有者和两个基金公司持有者，且分别在5%和1%的水平上显著。在出现收益反转组中，基金持有重仓持股的自由流通量股份额比在未出现收益反转的组中多约0.79%，这种差异虽然在经济意义上很小，但在统计意义上为10%显著。这些差异验证了第二章节中的猜想1: 基金对其所持有的某只重仓持股的参与程度会影响该只股票在季末的收益反转大小。
其次，出现收益反转组比未出现收益反转组的基金-公司比平均高出约0.093，且在5%统计水平下显著。尽管差异很小，但该结果有效验证了第二章节中的猜想2：当某只股票被同一基金家族中的更多基金拥有时，该股票在季末出现的收益反转越大。
此外，出现收益反转组的平均最高投资组合权重比未出现收益反转组高约0.34%，这一差异在1%统计水平上显著。该结果与本文之前的预期一致：重仓持股在基金投资组合中最高权重越高，收益反转越大。除此之外，在出现收益反转组中，持有某只股票最高投资权重的基金平均规模小于在未出现收益反转的组中，且差值在5%的统计水平下显著。这些结果再一次支持了猜想1，即基金参与度特征与重仓持股季末的收益反转行为有关。除以上特征之外，两组之间其余的基金参与度指标在统计上并不显著。
在股票市场和公司特征变量中，只有自由流通率、全A股指数beta和平均股息收益在两组中出现显著性差异。出现收益反转组的自由流通率比未出现收益反转组高约2.48%，在10%的统计水平上显著。出现收益反转组的全A股指数beta比未出现收益反转的组平均高出0.063，在1%的统计水平上显著。出现收益反转组的平均股息收益率比未出现收益反转组低5.4个基点，在10%的水平上显著。即使表7中两组的其余特征变量未显示出统计学上的显著差异，但其中仍包含了一些显著的回归系数。而以上这些结果都验证了本文第3个猜想，即重仓持股自身的一些特征会影响其在季末的收益反转大小。
最后，在每个季末后的观测窗口期中，本文比较了两组股票之间的长期收益差异。在季末后的第一个月底，收益反转组的平均累计收益为−4.408%，而非收益组为3.426%，两组之间的差异为7.83%，约占两组一年中累积收益差异（10.7%）的73%。在股价第一次下跌之后，收益反转组的表现不仅恢复了原来的水平，而且还在一年后平均增长了近5%，两组之间收益差距的扩大也在同一时期也受到限制。因此可以排除收益反转组的初始股价下跌是由于重仓持股的基本面出现了重大负面冲击的可能性。
全样本的多元回归分析
图表8提供了从2009年到2016年整个样本期间的全样本、年末子样本和非年末子样本的OLS回归和逻辑回归的结果。OLS回归中的因变量为ΔCAR；逻辑回归中的因变量为是否属于表7中收益反转组的虚拟变量：如果某重仓持股在季末的ΔCAR属于出现收益反转组，则该指标为1，否则为0。此外，除了将共同基金参与度指标与股票特征指标作为解释变量外，本文所有的回归中还包含了年份虚拟变量和行业虚拟变量。在OLS回归结果中，本文提供了系数通过重复采样 (bootstrap)的标准差。在逻辑回归中，本文提供了系数的稳健标准差，且为了便于结果解释，该系数是以比值比（odds ratio）的形式展示。
在筛选回归中基金参与度变量时，本文首先尝试将所有相关变量代入，再将缺乏统计意义的变量删除，删除的变量包括基金持有百分比和所有表示基金或基金公司规模的指标。此外，由于表示基金数量的变量与表示基金公司数量的变量高度相关，且其系数的正负性出错，该变量也被删除。除以上被删除的变量外，其余基金参与度变量的平均方差膨胀因子VIF为1.46，其中表示基金公司数量的变量VIF值最高，为1.71。因此，本文中的回归并不存在多重共线性的问题。在筛选股票特征变量时，本文删除了表示过去一年持有期收益率的指标和Amihud (2002) 的非流动性指标。这是因为，一方面，无论在在单变量分析还是多元回归分析中，这两个变量并没有显示出统计学意义，另一方面，它们可以分别被上一季度的收益率指标和平均换手率指标有效替代，且这两种替代的指标在回归结果中具有统计学意义。经过以上变量筛选后，本文回归模型中的变量要么是在单变量分析中具有统计学意义，要么是没有有效的替代变量。
通过图表8可以看出，基金公司的数量、基金-公司比以及最高投资组合权重的系数都具有和本文之前预期一致的正负性，且在统计意义上显著。基金-公司比的显著性主要体现在年末子样本上：该比率每增加一个单位，ΔCAR就会增加164个基点，收益反转的几率就会增加34.4%。这表明，一个基金家族中越多的共同基金持有某只重仓持股，该重仓持股越有可能在年末出现较大的收益反转。
在年末和非年末的子样本中，持有某只重仓持股的基金公司数量和该重仓持股在投资组合中占有的最高的权重的变量都对收益反转显示出了一定的影响力。在年末子样本中，最高投资组合权重每增加1%，平均收益反转则会上升64.2个基点，是其在非年末子样本的影响力的两倍以上。而基金公司数量的影响相对有限，在全样本中，基金公司数量每增加1%，平均收益反转上升大约13.3个基点，这与年末和非年末两个子样本中的影响幅度相似。该结论再一次证明了本文的第一种猜想：共同基金对其所持有的重仓持股的参与度特征与该重仓持股在季末的收益反转具有相关性。
2015年股灾前后的收益反转现象
根据上文图表8可以看出，收益反转现象在年末和非年末并不完全相同，因此，下文将会对这两种时期分别进行研究。在图表9中，本文使用一个表示时间的虚拟变量和其与基金-公司比的交互项，来研究在2015年中期股市崩盘后，强有力的监管干预措施对股票收益反转现象的影响。
在建立图表9的回归模型之前，本文首先针对2015年崩盘前后的两个子周期，进行了与图表8中相同的回归。对于基金公司数量变量和最高投资权重变量来说，最显著的变化是在2015年股灾后的非年末子样本中，他们的统计显著性明显减少或消失了。对于基金-公司比变量来说，他的正负性出现了巨大的变化，且此变化在经济和统计意义上都具有显著意义。
图表9显示，在非年末子样本的OLS回归中，崩盘后的时间虚拟变量与基金-公司比的交互项的系数显著为负，且该系数的绝对值约为基金-公司比系数的四倍。此外，基金-公司比的比值比在逻辑回归中为1.197，在10%水平上显著。该结果表明，在2015年股市崩盘前的非年末子样本中，基金-公司比对收益反转现象有非常大的正向影响，然而在2015年后，这种影响的方向被强行逆转为负了。这进一步说明，在2015年市场崩盘后的非年末季度末，股票的收益反转异象被大大压制了。
然而，尽管中国政府实施了强有力的市场稳定措施，但如OLS和逻辑回归中交互项系数所示，收益反转现象在年底反而被强化，且分别在10%和5%的水平上显著。对该现象一种可能的解释是，由于年终业绩对于基金公司和基金经理都至关重要，即使在严格的监管环境下，抬高股价以提升业绩的行为仍然存在。
稳健性测试
三种市场环境下的收益反转现象
如3.3所提到的，本文将样本时段分为三个不同的时期，分别检验结果的稳健性。图表10分别展示了在牛市、熊市和横盘震荡三种市场环境下，OLS和逻辑回归的结果。可以看出，平均收益反转幅度在三种市场环境下非常接近。此外，虽然基金-公司比、最高投资组合权重和基金公司数量变量的正负性与表8中相同，但其系数的统计意义仅在某些时期显著。其中，基金-公司的比和最高的投资组合权重变量在牛市熊市中均具有统计意义，但显著性在横盘震荡时消失；而基金公司数量变量在熊市和横盘震荡时显示出统计显著性，在牛市时并没有。由于在本文的样本期中，熊市相对持续时间较长，因此这三种变量的结果在全样本上与其在熊市时期相同。总体而言，本文对共同基金参与度和重仓持股的收益反转现象之间相关性的结论始终成立。
在股票特征变量中，上季度收益率、通过市值衡量的公司规模以及市场贝塔变量的正负性并未发生改变。然而，市值和市场贝塔仅在熊市和横盘震荡的市场环境下达到统计意义，上季度收益率仅在熊市时显著。此外，与在全样本中得到的结果完全相反的是，平均换手率与市场反转在牛市时期成正相关性。但由于本文样本中，牛市的时间并不长，通过全样本得到的结果受熊市和横盘震荡时期的影响相对较大。
六天窗口期内的收益反转现象
为了进一步检验结果的稳健性，作者使用季末的6天的窗口期时间，再一次对收益反转进行回归分析。与10天窗口期结果不同的是，基金-公司比和自由流通率的正负性虽保持不变，但仅在年末的子样本中具有显著意义。除此以外，其他关键的解释变量的正负性、显著性以及在2015年股灾前后和三种市场环境下都没有出现较大的变化。
结论
本文中，作者研究了中国共同基金行业中收益反转异象。与以往研究不同的是，作者并没有直接从基金层面上进行分析，而是聚焦到基金中的重仓持股上，以每个季末前后10天为窗口期，研究重仓持股累积异常收益CAR和超额成交量ETVR的变化，从而巧妙解决了以往研究无法找到强有力的证据直接证明中国共同基金收益反转的难题。
此外，基于以往的研究成果，作者对基金重仓持股收益反转提出了三点猜想，认为股票在季末收益反转的大小受到基金参与度、基金公司持有量和股票自身一些特征影响。随后，作者通过构建一系列基金参与度指标和股票特征指标，分别在单变量和多变量回归中对其猜想一一进行验证，其中比较重要的结论包括：（1）一个基金家族中越多的共同基金持有某只重仓持股，即基金-公司比越高，该重仓持股越有可能在年末出现较大的收益反转；（2）重仓持股在基金投资组合中最高权重越高，季末收益反转越大；（3）持有某只股票的基金公司数量、股票上一季度收益和股票的市场beta都与其收益反转大小有关。
为了确保结果的稳健性，作者还将回归模型运用在不同市场环境下和不同观察窗口期中，不但证实了其猜想的准确性，而且还发现在市场严格的监管可以有效抑制收益反转的异象。
本文核心内容摘选自L，B在Emerging Makets Review上发表的论文《选择性抬价后抛售：中国公募基金在季度末对其重仓持股的操纵》。
风险提示
本文结论基于历史数据、海外情况进行测试，不构成任何投资建议。