“学海拾珠”系列之四十四：如何衡量基金经理把握股票基本面的能力
由crisvalentine创建，最终由crisvalentine 被浏览 15 用户
报告摘要
主要观点
本篇是“学海拾珠”系列第四十四篇，本期推荐的海外文献提出了一项新的衡量指标，即基金经理把握股票基本面的能力（AFP）。对于每只基金，当公司发布基本面信息时，AFP考察基金投资组合权重相对于基准投资组合的偏差与标的股票表现之间的协方差。由于信息发布窗口期的资产价格可以更好地反映公司的基本面，因此AFP可以更有效地识别基金经理的投资能力。回到国内基金市场，AFP也可用于衡量基金经理对股票基本面的把握，因为财报等基本面信息发布期间的收益率往往是股票基本面驱动的，而不是资金流或是噪音驱动的，这种衡量指标可以更好地区分出真正有基本面投资能力的基金经理。
- AFP可以衡量基金经理把握股票基本面的能力
对于基金的每个季度，都计算基于指数的AFP（即基金的主动权重与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随后的盈利公告期间标的股票表现之间的协方差）。选择一个较短的窗口期计算发布基本面信息后股票收益，是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，围绕盈利公告的短暂窗口是股价收敛至基本面价值的时期。因此，本文认为，围绕盈利公告发布期间的股票表现可以识别出哪些主动型基金经理选择了错误定价的证券并正确地超配或低配了该个股。
- AFP可以对未来基金业绩进行稳健预测
AFP对于未来基金业绩有正向预测效果，且相比其他业绩预测指标有显著优点。例如：不需要通过一个很长的基金回报序列来识别真正有能力的基金经理；其信息增量超过了各种基于收益和持股的业绩衡量指标，如CS、回报缺口、对公共信息的依赖（RPI）和主动份额；AFP是一个持续性很强的基金属性，构建组合时发现，AFP的前十分位数和AFP的后十分位数的基金之间的AFP差异在两年后仍然显著，并且这种持续性在高AFP分位数组中尤其明显。
风险提示
本文结论基于历史数据、海外文献进行总结；不构成任何投资建议。
\
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，McLean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-sectionalheterogeneity），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、Daniel（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-earningsannouncements drift)的影响，而AFP仍然是未来基金业绩的有力预测指标。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-noiseratio）条件法使来自随后的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
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Petajisto（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，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：
AFP的计算 
样本选择
本文从ThomsonReuters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2,538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&P500、S&P400、S&P600、S&P500/Barra值、S&P500/Barra增长、Russell1000、Russell2000、Russell3000、RussellMidcap、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&P500、S&P400和S&P600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中的面板A显示了本文样本中共同基金的摘要统计数据。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 correlationcoefficients）。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。
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：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。
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。
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：
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。
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。
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,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和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（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。
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。
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Alpha。
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Gruber（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，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。
了解AFP
AFP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：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，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。
预测的面板回归
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显示基于指数的AFP的结果，面板B显示基于交易的AFP的结果。结果表明，AFP是一个持久性的基金属性。对于基于指数的AFP，在投资组合形成后的两年内，高AFP的前十位和低AFP的后十位的共同基金之间的AFP差异在经济上仍然有意义，并且在统计上也很显著。值得注意的是，这种持久性对于在十分位中具有较好能力的基金尤其明显。尽管基于交易的AFP表现出较低的持久性，但在投资组合形成后的三个季度后，十分之一的较高AFP的基金仍具有较高的AFP且具有统计意义。
稳健性测试
多项研究表明，某些股票特征与公司盈利公告前后的异常收益相关。例如，Bernard（1989）和Thomas（1990）发现，企业的盈利惊喜往往会持续存在。因此，作为稳健性检验，本文确定本文的结果是否受到共同基金经理的推动，共同基金经理将其投资组合偏向与未来盈利公告回报相关的股票特征。
具体而言，对于每个季度，本文针对股票特征（例如公司规模、账面市值比、过去的股票收益和过去的盈利公告收益），在盈利公告期间对3天异常收益进行横截面回归分析。然后，本文将回归残差作为输入来计算共同基金的AFP。根据对AFP的修改后的指标，本文将共同基金分为十个投资组合，并每季度重新平衡投资组合。图表13列出了这些基金投资组合的净收益（扣除费用前和扣除后）。结果表明，即使本文将盈利公告周围的异常收益正交化为相关的股票特征，AFP仍然是未来基金业绩的有力预测指标。例如，基于AFP指数较高的共同基金每月要比那些具有AFP低指数的共同基金好20 基点，这不能用它们对风险或风格因素的不同暴露来解释。
总结
在这里，本文提出了一项新的衡量标准，即AFP，基金经理识别股票基本面的能力。这项衡量标准评估了以公司基本面信息发布为条件的基金经理投资能力。具体来说，对于每只基金，本文研究了基金的投资组合权重与被动基准（或先前持有的资产）的偏离度与公司向公众发布基本面信息之日的相关股票表现之间的协方差，因为信息日的资产价格更有可能反映公司的基本面，所以AFP在识别投资能力方面拥有更大的力量。
本文在盈利公告前后的短期时间窗口内使用股票表现来估算AFP。通过分析1984年至2014年期间的2,538只主动管理的美国股票基金，本文发现了共同基金经理的技能（AFP）。也许最重要的是，本文发现AFP可以预测未来的基金业绩。例如，以高指数为基础的AFP排名前十位的基金在原始收益方面比在AFP处于低位的基金要高出2.76%，而以Carhart的四因子Alpha而言则要高出2.40%。这种业绩差异无法通过风险调整、流动性控制、盈余惯性（post-earnings announcement drifts）或其他基金特征来解释。
本文还考虑了与共同基金文献中提出的许多技能指标相关的AFP的业绩可预测性，包括CS、回报缺口、RPI和主动份额。本文发现，AFP的性能可预测性是独特的，并且没有被现有指标所涵盖。本文还发现，尽管这些替代性指标在预测横截面或时间序列维度上的未来基金业绩方面趋于出色，但至少在本文的样本期内，AFP在两个维度上均表现出色。
因此，本文的研究说明了基于信息发布的业绩评估的前景。最近，在资产定价方面的最新研究已经取得了实质性进展，将资产价格的模式集中在新闻发布日。进一步探索这些研究对业绩评估的影响将是一个有价值的继续研究的途径。
本文核心内容摘选自HJ和LZ在《Review of Financial Studies》上发表的论文《如何衡量基金经理把握股票基本面的能力？》
\
风险提示
本文结论基于历史数据、海外文献进行总结；不构成任何投资建议。