“学海拾珠”系列之六十九：持仓技术相似性与共同基金业绩
由crisvalentine创建，最终由crisvalentine 被浏览 20 用户
报告摘要
主要观点
本篇是“学海拾珠”系列第六十九篇，本期推荐的海外文献研究了基金经理主动增加持仓的技术相似性与基金未来业绩之间的关系。作者提出了主动技术相似性（ATS）的指标，并发现该指标与基金正收益有显著的关系。该指标可以被用来衡量基金经理的信息获取能力。回到国内基金市场，技术相似性是一个较为崭新的视角，可通过专利数据计算基金持仓技术相似性因子，观察其与未来业绩之间的关系，为丰富选基因子库开拓了思路。
- 主动技术相似性（ATS）指标反映基金经理对技术创新的认识
作者认为优秀基金经理的业绩来源与他们对技术创新的深刻认识有关，并假设基金经理通过主动交易提高持仓的技术相似性以获取超额收益。作者根据基金持仓公司所持有的专利分布来反映基金持仓的技术相似性。在此基础上，通过基金报告期交易改变的持仓技术相似性来反映基金经理的主动技术相似性（ATS）。
- 高ATS的基金未来可以取得更高的收益
作者通过将基金收益与Carhart（1997）提出的四因素Alpha进行回归分析，发现高ATS的基金相比低ATS的基金具有显著更高的回报。并且在2000年以后，随着技术创新在经济发展中表现出更重要的作用，提高ATS带来的收益回报提高更加显著。作者还提出，ATS指标不会被行业集中度、主动份额等其他基金特征指标解释，并且相比其他指标，ATS指标对基金收益的影响更加显著。
- ATS可以作为衡量基金经理信息获取能力的重要指标
作者分析了主动技术相似性ATS在很大程度上与基金的历史Alpha、行业集中度、基金主动性份额和基金R方这些指标是正交的，因此ATS可以单独作为识别基金经理信息获取能力的指标。同时，ATS可以与历史基金Alpha、行业集中度、主动份额或基金R方相结合，以更好地识别经验丰富的经理人。即ATS与这些其他指标的结合，对未来基金业绩的解释能力要大于任何一个指标的独立能力。
风险提示
本文结论基于历史数据与海外文献进行总结；不构成任何投资建议。
\
介绍
近期Cohen、Diether和Malloy（2013），Hirshleifer、Hsu和Li （2013），（2018），以及Lee、Sun、Wang和Zhang（2019）的文献表明，市场在吸收有关技术创新方面的信息方面进展缓慢，因为这种信息往往是非财务类，难以处理。本文假设，共同基金经理对技术创新的深刻理解是导致其卓越业绩的一个关键来源。本文通过基金投资组合中每个公司持有的专利分布中的重叠程度，来衡量对技术创新的暴露。本文假设，经理人所持投资组合的“技术”相似性的增加，将通过两个不相互排斥的机制来影响基金未来的正向异常收益。首先，当相关的技术空间被低估时，一个知情的经理人可能会增加其投资组合对某项技术创新的风险敞口。其次，即使技术领域的平均估值相当高，一个消息灵通的经理人可能会识别出该领域内被低估的公司，并通过超配这些股票来提高投资组合的集中度。
研究结论与假设一致，提高投资组合技术相似度（称之为主动技术相似度，ATS）的共同基金，未来的平均回报率更高。例如，ATS最高的五分之一的共同基金后来的表现比ATS最低的五分之一的基金要好282个基点。就本文选取的样本期而言，ATS的经济效应大于其他预测共同基金业绩变化的因素，如行业集中度、主动份额、基金R方、以及滞后基金业绩。此外，本文的结果是稳健的。例如，在控制传统资产定价变量、控制基金特征、以及在将样本分成两个时期时，结论仍然成立。
由于ATS在很大程度上与基金持仓集中度、主动暴露和历史业绩是正交的，因此将ATS与这些指标结合起来所产生的结果要比任何一个指标独立产生的结果强得多。例如，一个由高行业集中度的基金组成的投资组合的Alpha平均每年可以达到0.65%，一个由高ATS基金组成的投资组合平均每年有0.88%的Alpha。然而，一个同时具有高行业集中度和高ATS的基金投资组合，产生了每年4.1%的Alpha。
鉴于共同基金通常空头敞口有限，本文进一步假设，ATS和未来回报之间的关系将主要来自于增加基金持有的技术相似性公司股票的交易。例如，如果经理人的信息优势表明某项技术目前被低估了，经理人就会增加对该技术的投资。当该技术的价值趋于正常时，经理人将减少对该技术（以前过高配置权重）的投资，即转向一个更好的多元化投资组合。因此，技术相似性的增加将与未来正的异常收益相关，而技术相似性的减少将与未来的异常收益无关（即异常收益接近零）。
为了研究这一假设，本文接下来调查了基金ATS增加与基金ATS减少的交易。具体来说，本文将共同基金的每笔交易划分为增加ATS的交易（即增加基金投资组合的技术相似性的交易）和减少ATS的交易。与本文假设和以前的文献相一致的是，经理人获得正的异常收益的能力主要来自于他们的购买，即高ATS基金超越低ATS基金的原因主要来自于增加基金ATS的交易。
相比于之前研究共同基金收益能力的文献，本文基于ATS指标作出了如下的改进与补充：
（1）Cohen，Frazzini和Malloy（2008）、Massa和Rehman（2008）等人提到基金经理会利用大学校友关系、附属银行、养老金业务关系等提供的信息，来获得超额收益。本文提供了一个迄今为止未被识别的基金超额收益来源：基金经理利用他们关于技术创新的优势知识获取超额收益。
（2）Kacperczyk等人（2005）提出信息更丰富的基金经理持有更集中、更主动的投资组合。本文给出了基金经理出色信息获取能力的一个具体表现：对于技术创新相关信息超于市场的吸收。此外，本文还证明ATS与其他基金预测因素是相互作用的，可以与其他指标相结合，对基金收益更好的进行预测。
（3）Gu（2005）等人的研究认为企业的技术创新变化与未来收益正相关，但市场和分析师未能及时纳入这一信息。Hirshleifer等人（2013）也发现，由于投资者无法及时处理技术创新的信息，导致市场纳入技术创新效率较慢。本文认为这种技术创新信息被市场吸收缓慢的现象是具有经济意义的，并且是有技术创新专长的共同基金经理的一个关键信息优势。
\
主动技术相似性、数据和汇总统计
主动技术相似性
本文使用Jaffe（1986）开发的方法来衡量专利类别分布的相似性，之后利用Qiu 、Wang和Zhou（2018）和Lee等人（2019）提出的观点定义“技术相似性”。具体来说，一个公司的专利分布在美国专利和商标局分配的642个合作专利分类（CPC）技术类别中。技术相似性是以跨技术类别的余弦相似度来衡量的。本文也利用这种方法衡量共同基金投资组合中持有股票的技术相似性。
具体来说，在每一季度末q，定义资产组合权重为 ，其中是 共同基金m的资产组合中i公司所占权重。再定义公司i在去年642个专利分类中的技术分布：
其中，第k个元素 是第i个公司去年在第k个专利分类中的份额。
其中 是公司i在CPC的第k类中持有的专利数量。下标m表示共同基金m持有公司i的股票，若其他基金持有该公司股票时并不影响公司i的技术分布，因此 。以此类推，计算共同基金m持有的除i公司以外其他公司的技术分布
表示投资组合中其余股票的专利分布在基金m中的权重。具体来说，基金m中第k个元素的 如下：
其中 是j公司在CPC第k类的专利数， 是基金m在季度末持有的j公司的股票权重。即 指基金m在除i外其他公司，在专利类别k类中所占市值加权的部分。
给定一个共同基金，持有的每个公司的专利分布可用（1）描述，基金的投资组合中其余公司的专利分布可用（3）表示。下面可以使用两个向量的余弦相似性计算基金持有的每个公司与基金中其余公司的技术相似性。
上式取值在0到1之间。如果该值趋于1 说明基金m中公司i在技术上与基金m剩余持股的质量中心相似。同理，数值为0意味着公司i与基金m的任何剩余持股没有技术上的重叠。
利用这种技术相似性度量方法，可以计算共同基金m中所持有的每家公司与资产组合中其他公司的技术相似性，对每个公司的计算相似性加权平均值即可得到基金m的技术相似性指标（TS）。
由于每个元素都是介于0到1之间，并且权重和为1， 也介于0到1之间。权重反映了基金资产组合里每只股票的相对重要性。总结来说，就是基金m持有的个别股票与资产组合中其他公司的技术相似度在第q季度末的加权平均数。这是一个衡量基金资产组合中接近统一的技术创新的指标。
本文的假设侧重于对某一技术领域的风险敞口的变化，而不是风险敞口水平，原因如下：首先，共同基金的投资组合因其风格和任务而在技术相似性方面有所不同，例如，与成长型基金相比，价值型基金可能自然地持有技术创新风险相对较小的公司，因此技术重叠度也很小；第二，一些理论研究表明，经理的交易比组合权重更能体现她的信息优势。第三，本文假设技术创新和收益之间的关系主要来自于增加基金投资组合技术相似性的共同交易。
因此，本文将主动技术相似性（ATS）定义为为基金在q季度末的技术相似性与基金经理在q季度没有进行交易的情况下的技术相似性之间的差异。这里首先定义一个在最后一季度q未交易的权重：
其中 是q-1期末的m基金中公司i的股票比例，是公司i在季度q期内股票的收益率。基于这个未交易权重和每只股票与季度q期初资产组合中其他公司的技术相似性，可以计算基金m的被动技术相似性：
则主动技术相似性（ATS）可以定义为公式（6）与公式（8）的差，即基金经理未改变季度q持仓下资产组合技术相似性与季度q改变持仓后资产组合计算相似性之差。
数据
本文选取的专利数据来自于谷歌专利数据与证券价格研究中心（CRSP）。数据集涵盖了194万项专利，申请日期在1926年到2017年之间。本文使用专利的申请时间来反映技术创新开始影响实际生产的时间。本文从CRSP的基金数据库里获得基金的回报和特征，并从Thomson-Reuters的基金持仓数据集中获得相应基金的持仓，并对基金的合并进行了处理。
本文分析主要关注主动管理的股票共同基金，因此剔除了平衡基金、债券基金、货币市场基金、国际基金和指数基金。并且研究中删除了基金成立最初两年的回报以消除孵化误差；排除了总净资产低于1500万美元的基金；剔除了报告持有的总市值低于总净资产80%或超过120%的基金。对于持有多种股票类别的基金，使用市值加权的基金特征。为计算因子暴露和估计异常收益，还要求基金在过去两年中有至少20个月的收益。销售比率是指基金在过去一年中按净资产平均数归一化的最低销售和购买额。基金的的流量计算为：
其中 是基金m从t-2到t月的收益。基金总净资产进行了99%的缩尾处理，基金流量，费率，ATS进行了1%到99%的缩尾处理以避免离群误差。
最终的样本包含了2895只不同基金，每个季度平均有641只基金，在1983：Q4-2017：Q4期间共有87804只基金季度ATS观测值。图表1展示了横截面汇总统计的时间序列平均值。
实证结果
ATS和基金特征
实证分析中，本文首先研究了基金ATS与基金特征之间的关系。具体来说，本文预测，高ATS的基金往往规模较小，成立时间短，表现出较高的费率，而且周转率较高。因为本文关注的是ATS大幅增长的基金，因此本文在每个季度估计一个逻辑回归，其中因变量是基金在该季度是否处于ATS最高五分位数的指标。
其中log(TNA)和log(AGE)分别为基金总净资产（单位为百万美元）和一加基金存续时间（以月计）。EXP_RATIO和TURNOVER分别是基金前一年的费率和周转率。 是一个基于CRSP基金风格代码的指示变量。
图表 2的第一列报告了季度逻辑回归的时间序列平均系数和相应的t-统计量。正如预测的那样，高ATS基金往往规模较小，周转率较高，费率也较高。同时也发现ATS和基金存续时间之间没有特定的关系。
本文还预计，高ATS基金将倾向于表现出更大的“主动性”，因此在表中其余几栏中增加了三个集中度/主动份额的衡量标准。本文使用基金的行业权重与市场的行业权重之间的平方差之和来衡量行业集中度；基金的主动份额通过基金投资组合权重与相关指数权重之差绝对值的二分之一之和来计算；通过基金收益对市场、规模、价值和动量因素的时间序列回归来计算基金R方。本文对基金的行业集中度、主动份额、R方进行了1%到99%的缩尾处理来避免离群误差。
与本文的假设一致，图表2的最后四列反映了高ATS的基金呈现出更主动、更集中的特点，因为它们表现出更大的行业集中度、更高的主动份额和更低的基金R方。然而，当包括所有以上三个指标时，高ATS基金只与主动份额保持特定的关系。
投资组合分类
下面根据基金关于其投资组合向技术相似的公司持仓变化的大小来研究ATS和未来基金业绩之间的关系。具体来说，在每个季度末根据它们的交易情况将基金根据ATS五等分。然后计算每个ATS五分位中的基金在随后一个季度（即m+1、m+1和m+3月）的平均共同基金毛利（分红前）和净收益（分红后）。本文收集了市场组合的同期月度超额收益，以及规模、账面价值和动量的因子模仿组合。最后，本文对ATS五分位中的组合P的基金关于市场、规模、价值和动量因素的横截面数据进行了回归以计算Carhart（1997）提出的四因素Alpha。
图表 3第一列报告了每个ATS五分位数内的基金的每月净收益率，接下来两栏分别报告了基于下一季度基金总回报和净回报的Carhart四因素月度指数。与前文的假设一致，了解技术创新的专业知识是基金经理信息优势的来源。本文发现，增加持仓技术集中度的基金获得了正的异常回报。具体来说，ATS最高和最低五分位数中基金的回报差异是正的：每月净回报的差为0.236%、每月总回报Alpha差异为0.240%、每月净回报Alpha差异为0.235%。净回报年化差异283个基点、总回报Alpha年化差异为288个基点、净回报Alpha年化差异为282个基点。如表的底部所示，三种业绩度量方法在1%的水平下都是显著的。
与前文的假设一致的是，经理人增加其持股的技术相似性，主要推动了ATS与后续异常收益之间的关系。例如，第二栏显示，在付费之前，增加其投资组合的技术相似性较多的基金（即最高ATS的五分之一基金）在接下来的季度中获得了0.187%的月度异常回报（1%的水平上统计学意义显著）。相比之下，降低其持有的技术相似性较多的基金（即底部ATS的五分之一基金）平均每月总超额收益为-0.053%，几乎与0没有区别。本文发现一些证据表明，共同基金投资者在扣除费用后能够获得正的异常收益。如第三栏所示，高ATS五分位数的年化净超额收益Alpha为88个基点，并且十分显著。无论如何，高ATS基金的投资者比低ATS基金的投资者要好得多，因为后者平均支付费用后出现负异常收益。并且高和低ATS基金之间的Alpha净值的差异仍然在1%的水平是显著的。
最后两栏考察了样本期前半段（1984-2000年）和后半段（2001-2018）的净Alpha。尽管组合在两段时期收益差都是可观的，但是由于技术创新成为经济发展更重要的一个组成部分，2000年之后的估计值较大一些。
为了更好地衡量ATS和未来回报之间的经济关系，本文重复了打分排序步骤。在每个季度末q，对行业集中度、主动份额、基金R方和滞后基金Alpha进行排序。具体来说，直接对应于图表 3的第三栏（基于ATS）、图表 4的第一行报告了行业集中度、主动份额、基金R方、或历史基金超额业绩的前五分之一的共同基金的Alpha。类似地，第二行报告了底部五分之一的Alpha，底部一行报告了做多最高五分之一基金和做空最低五分之一基金的组合的Alpha净值。
结果与之前的工作一致，异常收益与行业集中度、主动份额和历史Alpha呈正相关，与基金R方成负相关。结果还显示，ATS的点估计值比其他四个指标的类似值要大。具体来说，高ATS和低ATS基金的净Alpha之差（年化2.82%），比行业集中度的（1.85%）大53%，比主动份额的差（1.40%）大101%，比基金R方的alpha差（2.52%）大12%，比历史Alpha的差（1.81%）大56%。
多变量分析
作者在本小节中研究了ATS是否包含在其他基金特征之中。具体地说，每个月对下一季度的月度基金业绩与历史的ATS和基金特征进行横截面回归估计。
其中独立变量是基金m的净月度Alpha。文中使用一个基金的t月的月度净回报与基金在t月的四因子预期回报的差来计算Alpha。基金在t月份的预期收益率是基金的因子负荷与t月份的市场、规模、价值和动量因子折现后的乘积之和。
本文研究中包含了一系列可能影响基金业绩的基金特征：log(TNA), log(AGE), EXP_RATIO和TURNOVER。还有Log(FAMILY_SIZE)，即一加上基金集合中的所有基金的总TNA减去基金在上个月TNA。LAG_FUND_ALPHA是基金在前24个月估计的上月底的四因素Alpha。流量是上一季度的净流量与资产的比率。 是基金之前12月的净回报的标准差。ATS是基金上一季度的主动技术相似性。
图表 5报告了月度横截面回归的时间序列平均系数（以及从时间序列标准误差计算出的相关t统计量）。与投资组合的分类一致，第一列的结果显示，q+1季度的月度基金净异常收益，与基金经理在季度q内将基金投资组合转向技术更相似的公司的程度之间存在强烈的正相关关系。此外，结果在经济上是有意义的：鉴于ATS的标准差是2.775%（见图表 1），第一栏的系数表明， ATS 提高一个标准差可以带来年化 93 个基点的更高回报率(0.028×0.02775×12=0.93%)。
图表 5中的第二列在回归中加入了基金特征。系数与之前的文献基本一致。例如，基金业绩与历史基金Alpha正相关。重要的是，额外的基金特征并没有取代ATS的作用,并且当包括其他基金特征时，与ATS相关的系数的估计值仍较大（并且在1%的水平显著）。第3列的回归包括了CRSP基金风格的指标变量（如上定义）。结果仍然几乎没有变化。图表 5的最后两列重复了第3列中对早期(1984-2000)和最近(2001-2018)时期的回归。与图表 3中的最后两列一致，结果在样本期的后半段更强。横截面的回归结果证实了投资组合的分析：那些交易增加了其持仓的技术相似性的基金随后获得了更大的正异常回报。
ATS、基金主动性和基金Alpha
之前的文献显示，基金业绩主要与历史基金Alpha和基金投资组合集中度/活跃度的度量指标（如行业集中度、主动份额、基金R方）相关。然而，ATS与投资组合集中度/活跃度的度量指标有着本质的区别，因为ATS是基于交易的衡量标准（即头寸的变化），而集中度/活跃度指标是基于水平的度量指标。例如，虽然同一行业内的公司的技术相似性比不同行业内的公司更强，但与行业集中度、主动份额、基金R方和历史基金Alpha相比，购买和持有任何投资组合（包括行业投资组合）的经理人的ATS总是零。也就是说，ATS衡量的是由于经理人交易的变化而导致的基金组合技术相似性的变化。
考虑一个简单的例子：如果经理人只持有两只股票，那么基金的技术相似度将由这两只股票的相似度决定。如果经理人不交易任何一只股票，ATS就是零。对于一个非零的ATS，经理人将不得不进行交易，即购买或出售所持有的任一证券或任何其他证券的股票。通过计算样本期间每个季度每对公司的技术相似性（即公式（6））来验证行业和技术相似性之间的关系。同一行业（使用Fama和French的48个行业分类）的公司之间的平均技术相似性为0.17（920万个同行业公司对季度观测值），而不同行业公司的技术相似性为0.03（1.489亿个不同行业公司对季度观测值）。
鉴于ATS与基金集中度/主动性度量指标和滞后Alpha值有本质的区别，ATS可以与其他衡量标准结合起来，以提高识别具有卓越技能的经理人的能力。因此，在这一节中，本文计算了ATS、三个集中度/主动性指标和滞后基金Alpha之间的横断面相关性。图表 6报告了ATS、行业集中度、主动份额、基金R方和滞后基金Alpha之间的Spearman（对角线以上）和Pearson（对角线以下）相关性。毫不奇怪，这三种活跃度的衡量标准是密切相关的，平均（绝对值）Spearman相关度为0.45，Pearson相关度为0.38。然而，ATS在很大程度上与滞后基金Alpha和三个集中度/主动性指标正交（平均0.02的绝对Spearman和Pearson关联度）。
本文通过对基金进行ATS和其他四项指标的双重排序，开始研究是否可以通过结合ATS和其他指标来更好地识别优秀基金经理。具体来说，在每个季度末，将基金独立分为ATS五等分、滞后Alpha五等分、行业集中度五等分、主动份额五等分和基金R方五等分。图表 7报告了25个投资组合中每个组合的基金在下一季度的月度净Alpha（百分比）（即与图表 3类似，对每季度更新的投资组合报告月度指数），这些基金按ATS和滞后基金指数排序。最后一栏报告了每个历史Alpha五等分中，在ATS五等分中最高和最低的基金的月净Alpha的差异（以及相关的t统计量）。类似地，图表 7的最后一行报告了每个ATS五等分的基金中最高和最低历史基金Alpha投资组合的月度指数差异（以及相关的t统计数字）。
后续三张图表报告了ATS和行业集中度投资组合，ATS和主动投资组合，以及ATS和基金R方投资组合的类似统计。
上述表格的结果表明，ATS所捕捉的信息与滞后基金Alpha、行业集中度、主动份额或基金R方所捕捉的信息是不同的。因此，将ATS与其他指标结合起来使用，可以得到更有力的结果。
首先，可以发现ATS和其他各个指标在控制其他因素的情况下都能区分出高Alpha和低Alpha基金。具体来说，如每个表格的最后一行所示，在ATS不变的情况下，历史收益较高（图表 7）、行业集中度较高（图表 8）、主动份额较高（图表 9）、基金R方较低（图表 10）的基金往往在下一季度获得较大的异常收益。同样地，如每个表格的最后一栏所示，在历史基金Alpha、行业集中度、主动份额或基金R方不变的情况下，高ATS的基金表现明显优于低ATS的基金。
第二，与本文的假设一致，ATS的独立性意味着它可以与其他指标结合起来，更好地识别具有卓越表现的基金。例如，如图表 7的左上角所示，做多高ATS/高历史Alpha基金的投资组合，平均年化净Alpha为2.54%（即0.212×12；在1%的水平下显著）。同样地，如右下方的单元格所示，低ATS/低历史Alpha基金组合的平均年化净Alpha为-2.78%（-0.232×12；在1%水平下显著）。因此，高ATS/高滞后Alpha组合比低ATS/低滞后Alpha组合多出5.33%的年化净Alpha（即（0.212-（-0.232））×12）。
当把ATS和集中度/主动性指标结合起来时，发现了类似的结果。例如，如图表 8左上角所示，做多高ATS/高行业集中度基金的组合获得了4.10%的年化净Alpha（0.342×12；在1%的水平下显著），而做空ATS/行业集中度组合获得了4.84%的年化净阿尔法（即（0.342-（-0.061））×12）。图表 9（ATS/主动性份额）和图表 10（ATS/基金R方）产生类似的结果。具体来说，ATS/主动份额的多空投资组合获得了年化净Alpha指数的3.74%（即（0.263-（-0.049））×12），ATS/基金R方的24.60%（即（0.249-（-0.134））×12）。
如上所述，与基于绝对持仓大小的主动性/集中度措施不同，ATS是基于交易的度量指标（即头寸的变化）。因此，一个潜在的问题是，也许ATS预测基金回报的能力超出了主动性/集中度指标的范围，这是因为它针对的是共同基金的交易，而不是其投资组合的持有量。为了研究这种可能性，本文重复了上面的分析，但对ATS和行业集中度的变化、ATS和主动份额的变化以及ATS和基金R方的变化进行了双重分类。与上面分析中的集中度/主动性水平结果不一致，本文发现几乎没有证据表明基金集中度或基金主动性的变化与未来基金业绩有关。然而一致的是，即使控制了行业集中度、主动性份额或基金R方的变化，本文仍然记录了ATS与未来回报之间的密切关系。
作为最后的检验，对q+1季度的月度净Alpha指数与ATS、行业集中度、q季度末的主动份额，以及一个月滞后的基金R方、一个月滞后的基金Alpha和其他基金特征进行了月度交叉回归。也就是说，作者将行业集中度、主动份额或基金R方加入到公式（13）的回归中。
与图表 7的证据一致，图表 11前四列的结果显示，在控制基金特征（包括滞后基金Alpha和三个主动性指标中的任何一个）时，ATS和后续回报之间的关系仍然稳健。此外，与将ATS与基金集中度指标或滞后基金Alpha结合起来可以更好地识别表现优异的基金这一假设相一致，ATS、滞后基金Alpha、更高的行业集中度、更高的主动性份额或更低的基金R方都与更高的未来回报有关。如最后一栏所示，当在同一个回归中包括所有三个主动性指标时，基金R方取代了行业集中度和主动份额的力量，但ATS仍然与未来业绩密切相关。
ATS增加的交易和ATS减少的交易
如公式（9）右侧所示，基金m在第q季度的ATS是基金m在第q季度的每笔交易所带来的ATS变化的总和，也就是说，ATS是通过所有证券的总和计算出来的。因此，一个特定的交易要么增加基金的ATS：
要么会减少基金的ATS：
正如介绍中所讨论，本文预期增加ATS的交易将与正的异常收益相关，而ATS减少的交易将与异常收益无关。因此，将每个ATS五分位数的基金的交易划分为在季度q使ATS增加的交易和ATS减少的交易。然后本文计算每个证券在下一季度的市场调整（使用CRSP市值加权指数）和异常月度回报。具体来说，本文将股票的异常收益计算为股票的总收益减去基准收益。接下来，计算每只基金在ATS增加交易和ATS减少交易中的截面平均市场调整收益和异常收益，然后在每个季度的基金中进行平均。图表 12报告了每组基金的时间序列平均市场调整收益和DGTW调整收益。与本文的假设一致，ATS增加的交易比ATS减少的交易在ATS最高的五分之一的基金中表现更好。此外，如最后一栏所示，高ATS基金表现优于低ATS基金的能力主要来自于ATS增加的交易。
结论
以往的文献表明，市场对有关技术创新的信息吸收得很慢。本文提出，一些基金经理对技术创新作用的卓越理解是正异常收益的来源。本文假设，当技术领域被低估或基金经理能够识别该领域中被低估的公司时，对该技术领域有更好理解的基金经理会增加她对该领域的集中度。因此，文中假设共同基金的技术集中度的提高将与未来的正异常收益相关。
后续的实证检验支持前文提出的假设，即增加所持股票技术相似性的基金可获得更大的回报。这种关系对标准资产定价变量、基金特征、滞后基金业绩、行业集中度、主动份额以及基金R方是鲁棒的。在本文的样本期中，ATS排序的结果比基于行业集中度、主动份额、基金R方或滞后基金Alpha的类似排序要强。
由于ATS在很大程度上与基金业绩的其他预测因素是正交的，它可以与滞后基金Alpha、行业集中度、主动份额或基金R方相结合，以更好地识别经验丰富的经理人。即ATS与这些其他指标的结合，对后续基金业绩的解释能力要大于任何一个指标的独立能力。最后，与本文假设进一步一致的是，高ATS基金获得异常收益的能力主要来自于增加ATS的交易。简而言之，本文的分析为新生的文献增加了一个新的维度，确定了成功的共同基金经理所使用的信息类型包含对技术创新的卓越知识。
文献来源：
核心内容摘选自PingMcLemore, Richard Sias, Chi Wan,和 H.Zafer Yüksel在Social Science ElectronicPublishing上的论文Active TechnologicalSimilarity and Mutual Fund Performance。
风险提示
本文结论基于历史数据与海外文献进行总结；不构成任何投资建议。