投资者网络对基金业绩的影响研究

Research on the Impact of Investor Networks on Fund Performance

摘要: 本文使用国泰安数据库公布的2012年至2023年关于基金份额持有人的半年度数据，运用社会网络分析方法分析在网络视角下基金的投资者对于基金业绩的影响，同时引入委托代理理论分析投资者的不同类型对于基金业绩影响的异质性。研究发现：基准回归结果表明基金在网络中的中心位置对业绩的影响不显著。异质性检验中个人投资者网络与基金收益正相关，机构投资者网络与基金收益负相关。

Abstract: This paper uses the semi-annual data on fund shareholders from 2012 to 2023 published by the CSMAR database, applying social network analysis methods to examine the impact of fund investors on fund performance from a network perspective. Additionally, principal-agent theory is introduced to analyze the heterogeneity of the impact of different types of investors on fund performance. The study finds that: the benchmark regression results show that the central position of a fund in the network has no significant impact on its performance. In the heterogeneity test, the individual investor network is positively correlated with fund returns, while the institutional investor network is negatively correlated with fund returns.

1. 引言

中国基金业快速发展，公募基金规模截至2024年底达到了32.83万亿元。其中开放式基金28.21万亿元，占公募基金净值总额的85.93%。公募基金凭借其专业化管理、风险的分散化、流动性强以及门槛低等优势受到众多投资者的青睐。他们通常拥有丰富的投资经验和专业的市场分析能力，通过投资一篮子股票、债券等金融产品实现资产的分散化投资。

网络分析方法在基金市场得到了广泛应用，通过分析网络的结构特征来反应基金之间的潜在联系。社会网络影响经济主体投资行为的一个可能路径是信息传递理论[1] [2]。社交关系被认为是可以获取有价值信息的渠道并促进信息在社交网络中的传播[3]。信息和知识可以通过社交网络传播并可能对连接成员产生三种影响。首先，管理者会根据他们获得的信息和知识做出决策，例如优越的信息会导致管理者更多地投资于他们熟悉的公司或股票[4]；其次，信息优势会增强管理者的信息，并影响他们的投资风格[5]；第三，社交互动为管理者提供了观察竞争对手行为的机会，从而导致模仿优秀同行和形成相似的投资组合[6]。此外，社交网络中不同位置所接受到的信息可能有所不同。处于中心位置的个体相比于外围的个体，通常能够更好地控制信息流动，处于主导网络位置的投资者倾向于更早地进行交易并获得更高的回报[7]。

对于基金的投资来说，属于基金实际所有人的投资人处于信息获取的劣势地位，难以应对市场的变化并及时做出反应，而基金管理者往往会以实现自身利益最大化为目标甚至不惜牺牲基金投资人的利益来做出相应的投资行为。基金投资者与基金管理者的利益无法趋同，其委托代理问题近年来逐渐被国内学者重视并进行了初步的研究。固定费率政策是指基金公司和基金管理者以其所管理的基金规模来收取一定比例的管理费，基金规模是其实现利益最大化所关注的目标，因此形成了我国基金市场中基金管理者“重规模而轻治理”[8]的现象。我国在2013年尝试实行基金业的浮动汇率制度，也就是设置较低的管理费收入而将基金管理者的收入和基金业绩挂钩。这一制度的实行的确是在一定程度上捆绑了基金管理者和投资人的利益，使得双方在一定程度上实现了利益趋同，有助于基金业绩的提高[9]。但是这种激励措施在达到一定的规模效益后，随着基金经营风险的增加其业绩收入不稳定性增加，这时候基金管理者更加注重规模的扩大而非提高业绩[10]，会出现比固定费率制度下更加重视规模的现象[9]。

本文运用社会网络方法构建基金和投资者社会网络，将投资者和基金作为网络中的节点，研究基于委托代理理论的基金投资者网络对于基金业绩的影响。与现有文献相比，本文的边际贡献在于：本文以一个新视角(基金的投资者)来研究基金的网络位置对基金业绩的影响，同时引入委托代理理论来分析投资者的异质性，为基金和投资者的投资决策提供新的理论支持。

2. 理论分析与研究假设

社交网络在资本市场的信息传递过程中起着重要作用[11]。基金经理的社会联系可以为基金带来有价值的私有信息，并且处于网络中心位置的基金所获得的信息价值更高，可以获得更高的超额收益[12]。本文将对基金的研究从基金作为投资方的视角转向基金的投资人，而基金的投资人多以散户为主，他们的投资行为并不会对整个基金规模和市场产生足够的影响，因此我们重点考察基于基金的前十大份额持有人构建的投资者网络对基金业绩的影响。然而，基金对于前十大份额持有人的信息只在半年度的报告中进行披露，在这个时间里，网络中心位置的基金通过更理性的投资决策获得了一定的正的收益，投资者追逐业绩的行为会为基金增加更多的资金流入[13]-[16]，基金规模也随之增大。此时，由于规模收益递减又会影响基金的投资收益[17]-[20]，综合来看基金由于网络优势带来的基金投资收益的增加或许并不明显。因此本文提出第一个竞争性假设：

假设1a：基金在投资者网络中的中心位置对基金业绩具有正向影响。

假设1b：基金在投资者网络中的中心位置对基金业绩具有负向影响。

对份额持有人数据加以分析可知大多数投资人均为个人投资者而只有接近四分之一的持有人为机构投资者，但是机构投资者的持有份额仍占基金份额的较大比重。通过对以上委托代理理论分析可知，基金的份额持有人可以分为以提高基金业绩为目标的个人投资者和以重规模而轻治理的机构投资者。因此研究由投资者共同持有基金构建的基金网络对基金业绩的影响需综合考虑个人和机构的异质性效应。因此本文提出以下假设：

假设2a：基金在个人投资者网络中的中心位置对基金业绩具有正向影响。

假设2b：基金在机构投资者网络中的中心位置对基金业绩具有负向影响。

假设3a：基金在个人投资者网络中的中心位置对基金规模具有负向影响。

假设3b：基金在机构投资者网络中的中心位置对基金规模具有正向影响。

3. 模型构建

3.1. 数据与变量

本文所需要的数据包含国泰安数据库公布的基金前十大份额持有人份额比例数据以及wind数据库公布的每半年的股票型和混合型基金的样本数据，由于在2012年之前可以获得的数据较少，因此本文将研究区间设定为2012年1月至2023年12月。本文剔除了信息缺失的基金和已经退市的基金。通过对数据的清洗分析，发现大多数投资者的持有份额比例较低，考虑到基金投资者的实力对于基金选择的影响，本文尝试以0.01的持有比例作为筛选的阈值，最终我们得到177只基金，2301个观测值。

3.2. 邻接矩阵构建

(a) 2012 (b) 2018 (c) 2023

Figure 1. Changes in the fund-investor network

图1. 基金–投资者网络变化

与Pareek [21]构建基金网络不同，本文通过基金投资者与公募基金的投资关系构建基金投资者网络，以基金和投资者为节点，投资关系为连边，构建基金投资者二模网络。假设有m只基金，n个投资人，那么该二模网络的邻接矩阵X是一个m × n的矩阵。矩阵中的元素X[i, j]表示基金i是否由投资者j投资。具体来说：如果基金i由投资者j投资，则X[i, j] = 1；如果基金i的投资者中不包括j，则X[i, j] = 0。如图1，通过比较2012、2018和2023年的基金投资者网络关系图可以发现基金和投资者的连接从一开始的稀疏逐渐变得复杂。

3.3. 实证模型

在得到本文研究所需的变量和具体数据之后，采用面板回归来验证假设1和假设2。为验证假设1，本文构建基准计量模型如下：

${\text{Performance}}_{i,t}=a_0+a_1{\text{Centrality}}_{i,t}+{\displaystyle \sum b_j{\text{Control}}_{i,j,t}}+{\mu }_i+v_t+{\epsilon }_{i.t}$

其中，${\text{Performance}}_{i,t}$ 表示基金业绩，模型中的解释变量${\text{Centrality}}_{i,t}$ 分别代表不同的中心度指标，$\text{Control}$ 表示控制变量，${\mu }_i$ 表示个体固定，$v_t$ 表示时间固定。

为了验证假设2投资者的异质性对基金业绩的影响，我们在网络中将个人投资者和机构投资者分开，构建基金–个人投资者网络和基金–机构投资者网络，分别以两个网络中基金的中心度指标作为解释变量，被解释变量和控制变量不变。

4. 实证分析

4.1. 描述性统计

表1报告了主要变量的描述性统计结果。从基金收益的代理变量来看，夏普比率和信息比率的标准差相对于詹森阿尔法来说波动幅度较大，基金之间的差异性可以被较好的区分，即夏普比率和信息比率在一定程度上可以更好用来解释基金的网络位置对于基金业绩的影响。

Table 1. Descriptive statistical analysis

表1. 描述性统计分析

Variable	Obs	Mean	SD	Min	Max	Median
Alpha	2301	0.000	0.001	−0.002	0.003	0.000
Sharpe	2301	0.277	1.627	−3.818	12.306	0.142
Info	2301	0.117	1.633	−5.797	5.975	0.201
Degree	2301	0.010	0.007	0.001	0.047	0.008
Closeness	2301	0.066	0.051	0.001	0.178	0.070
Betweenness	2301	0.011	0.018	0.000	0.162	0.005
Eigenvector	2301	0.025	0.060	0.000	0.707	0.000
FundSize	2301	20.613	1.485	15.027	24.425	20.696
Teamsta	2301	0.178	0.134	0.000	1.167	0.154
Stockratio	2301	80.835	18.581	0.031	99.890	87.165
Age	2301	6.253	4.482	0.416	19.225	5.071
Turnover	2301	0.819	1.101	0.010	10.635	0.443

从基金的位置变量中心度的值来看，中心度的均值比较低，这可能表示基金和投资者网络目前的连接关系较少，但是从最小值和最大值来看，不同基金的中心度之间差异还是比较明显，这对于本文研究不同的网络位置重要性对于基金业绩的影响有一定的现实意义。

从基金的控制变量来看，基金规模、股票市值占基金净值比以及基金年龄的标准差比较大，说明基金在这几个方面的差异比较明显，作为控制变量来处理可以消除这几个变量对于回归分析的干扰。而基金的团队稳定性均值和标准差都比较小，表明样本基金的内部稳定性较差，这对于基金业绩的影响很可能是负向的。

4.2. 基准回归结果

表2显示把表示基金收益的三个代理变量依次替换进行回归分析得到的结果整体显著性较差。通过假设1分析可知，基金和投资人网络带来的信息共享在一定程度上降低了基金经理搜寻信息的成本，并且有价值的信息会让基金经理的投资策略更为理智和有效，基金的投资业绩在一定程度上会增加。业绩的增加同时会带来资金流量的变化，投资者的理性行为会选择业绩较好的基金进行投资，基金规模不断增大，由于基金规模对于业绩的影响是负向的，因此从整体上来看基金的网络优势带来的业绩增加是不明显的。

Table 2. Benchmark regression

表2. 基准回归

	Dependent variable
VARIABLES	Alpha		Sharpe		Info
Degree	0.0124		−1.9766		10.6003
	(0.3630)		(5.1407)		(9.0586)
Eigenvector		−0.0369		−0.8412^**		−1.6414^***
		(0.0254)		(0.3597)		(0.6338)
FundSize	−0.0013	−0.0012	−0.0043	0.0023	−0.0611	−0.0683
	(0.0018)	(0.0017)	(0.0251)	(0.0240)	(0.0442)	(0.0424)
Teamsta	−0.0090	−0.0083	−0.3566^*	−0.3387^*	−0.6276^*	−0.6074^*
	(0.0140)	(0.0140)	(0.1978)	(0.1976)	(0.3485)	(0.3481)
stockratio	0.0002	0.0001	0.0075^***	0.0070^***	0.0138^***	0.0127^***
	(0.0001)	(0.0001)	(0.0016)	(0.0016)	(0.0028)	(0.0029)
age	−0.0021^*	0.0022^**	0.2051^***	0.2031^***	0.0147	−0.0045
	(0.0012)	(0.0011)	(0.0173)	(0.0151)	(0.0304)	(0.0267)
Turnover	0.0109^***	0.0111^***	0.1384^***	0.1415^***	0.1980^***	0.2114^***
	(0.0016)	(0.0016)	(0.0221)	(0.0219)	(0.0389)	(0.0387)
Constant	0.0170	0.0169	−0.1724	−0.2916	−0.2454	0.2700
	(0.0438)	(0.0396)	(0.6206)	(0.5600)	(1.0936)	(0.9868)
时间	固定	固定	固定	固定	固定	固定
个体	固定	固定	固定	固定	固定	固定
Observations	2301	2301	2301	2301	2301	2301
R-squared	0.0854	0.0863	0.7224	0.7231	0.1167	0.1189

^***p < 0.01, ^**p < 0.05, ^*p < 0.1.

4.3. 异质性分析

表3和表4分别是个人投资者和机构投资者网络中基金中心度对基金业绩回归的结果。研究发现，在以阿尔法和信息比率作为基金收益代理变量的回归中，个人投资者网络中基金度中心性对业绩的影响是显著为正的。在以阿尔法、夏普比率和信息比率作为收益代理变量的回归中，机构投资者网络中基金度中心性是显著为负的，并且特征向量中心性对夏普比率的回归也是显著为负。说明个人投资者网络中基金的中心度越高业绩越好，而在机构投资者网络中基金中心度越高基金业绩越低，即验证了假设2。

Table 3. The heterogeneous impact of individual investor networks on fund performance

表3. 个人投资者网络对基金业绩的异质性影响

	Dependent variable
VARIABLES	Alpha		Sharpe		Info
Degree	0.7674^*		7.6431		20.5373^*
	(0.4496)		(6.3010)		(10.7258)
Eigenvector		−0.0047		0.0813		0.5090
		(0.0271)		(0.3798)		(0.6469)
Fundsize	−0.0018	−0.0037	−0.0057	−0.0232	−0.0196	−0.0621
	(0.0025)	(0.0023)	(0.0356)	(0.0327)	(0.0607)	(0.0556)
Teamsta	−0.0210	−0.0234	−0.5514^**	−0.5735^**	−1.2674^***	−1.3228^***
	(0.0192)	(0.0192)	(0.2687)	(0.2683)	(0.4575)	(0.4569)
Stockratio	0.0002	0.0002	0.0052^**	0.0052^**	0.0078^**	0.0078^**
	(0.0002)	(0.0002)	(0.0022)	(0.0022)	(0.0037)	(0.0037)
Age	0.0009	−0.0004	−0.1641^***	−0.1765^***	0.1091^**	0.0772^*
	(0.0020)	(0.0018)	(0.0279)	(0.0259)	(0.0475)	(0.0441)
Turnover	0.0115^***	0.0119^***	0.1570^***	0.1603^***	0.2430^***	0.2499^***
	(0.0020)	(0.0020)	(0.0280)	(0.0279)	(0.0476)	(0.0475)
Constant	−0.0063	0.0510	−0.5051	0.0162	−1.3382	−0.0481
	(0.0627)	(0.0546)	(0.8782)	(0.7651)	(1.4949)	(1.3032)
时间	固定	固定	固定	固定	固定	固定
个体	固定	固定	固定	固定	固定	固定
Observations	1531	1531	1531	1531	1531	1531
R-squared	0.1078	0.1058	0.7210	0.7207	0.1365	0.1346

^***p < 0.01, ^**p < 0.05, ^*p < 0.1.

Table 4. The heterogeneous impact of institutional investor networks on fund performance

表4. 机构投资者网络对基金业绩的异质性影响

	Dependent variable
	Alpha		Sharpe		Info
VARIABLES	(1)	(2)	(3)	(4)	(5)	(6)
Degree	−0.5901^**		−11.2327^***		−19.7282^***
	(0.2315)		(3.4690)		(5.7377)
Eigenvector		−0.0275		−0.7911^*		−1.1000
		(0.0294)		(0.4413)		(0.7309)
Fundsize	−0.0056	−0.0081^**	0.0117	−0.0276	−0.1035	−0.1808^**
	(0.0035)	(0.0034)	(0.0528)	(0.0510)	(0.0873)	(0.0844)
Teamsta	−0.0306	−0.0305	−0.8378^**	−0.8314^**	−1.5256^***	1.5193^***
	(0.0228)	(0.0229)	(0.3416)	(0.3431)	(0.5650)	(0.5683)
Stockratio	0.0000	0.0000	0.0033	0.0037	0.0145^***	0.0154^***
	(0.0002)	(0.0002)	(0.0026)	(0.0026)	(0.0043)	(0.0043)
Age	−0.0035	−0.0014	−0.2216^***	0.1838^***	−0.0279	0.0406
	(0.0022)	(0.0020)	(0.0324)	(0.0298)	(0.0536)	(0.0494)
Turnover	0.0174^***	0.0176^***	0.3287^***	0.3323^***	0.4065^***	0.4123^***
	(0.0034)	(0.0034)	(0.0507)	(0.0509)	(0.0839)	(0.0844)
Constant	0.1318^*	0.1576^**	−0.2975	0.0822	1.1066	1.8948
	(0.0769)	(0.0767)	(1.1522)	(1.1509)	(1.9057)	(1.9061)
时间	固定	固定	固定	固定	固定	固定
个体	固定	固定	固定	固定	固定	固定
Observations	1028	1028	1028	1028	1028	1028
R-squared	0.1320	0.1262	0.7008	0.6982	0.2184	0.2095

^***p < 0.01, ^**p < 0.05, ^*p < 0.1.

表5显示的是个人和机构投资者影响基金规模的异质性分析结果。研究发现个人投资者网络中基金中心度对于基金规模的影响是显著为负，机构投资者网络中基金中心度对于基金规模的影响是显著为正的。即由于规模递减，个人在追求业绩的同时会抑制基金规模的扩张，而机构投资者为了获得更多的管理费收入会促进基金规模的增长。假设3得到验证。

Table 5. Heterogeneous analysis of the impact of individual and institutional investors on fund size

表5. 个人和机构投资者影响基金规模的异质性分析

	个人持有人		机构持有人
VARIABLES	fundsize	fundsize	Fundsize	Fundsize
Degree	−76.5156^***		23.8378^***
	(4.3804)		(2.1141)
Eigenvector		−2.1500^***		2.1456^***
		(0.3140)		(0.2894)
Teamsta			−0.3820^*	−0.4332^*
			(0.2230)	(0.2318)
Stockratio	−0.0115^***	−0.0134^***	−0.0139^***	−0.0156^***
	(0.0017)	(0.0018)	(0.0016)	(0.0017)
Age	−0.1522^***	−0.0381^*	0.0665^***	−0.0123
	(0.0211)	(0.0218)	(0.0211)	(0.0202)
Turnover	0.1314^***	0.1244^***	0.1484^***	0.1515^***
	(0.0213)	(0.0232)	(0.0328)	(0.0341)
Constant	22.9081^***	21.5420^***	20.7762^***	21.7198^***
	(0.2374)	(0.2427)	(0.2319)	(0.2126)
时间	固定	固定	固定	固定
个体	固定	固定	固定	固定
Observations	1531	1531	1028	1028
R-squared	0.3262	0.2001	0.4149	0.3677

^***p < 0.01, ^**p < 0.05, ^*p < 0.1.

4.4. 稳健性检验

本文使用联立方程来解决模型内生性问题[22] [23] [24]，同时使用广义矩估计(GMM)来做正反向回归。GMM估计不仅允许右侧变量与误差项之间的相关性、异方差性以及残差之间的当期相关性，还允许残差中的自相关性[23]。回归结果显示除了在检验个人投资者网络中Alpha对Degree的反向回归中出现了负的显著以及在机构投资者网络中Info对Degree的反向回归中出现了负的显著，检验结果出现偏差考虑是样本量缺失过多，其他所有检验均通过AR(1)、AR(2)和Sargan检验。

通过替换解释变量的方法来检验实证分析结果的稳健性。将投资者网络分为个人投资者和机构投资者后，通过计算每只基金的最大份额持有人在网络中的中心度来替代该只基金在网络中的中心度。回归结果显示在个人网络中基金的度中心性对基金业绩是显著的正向影响，而对于特征向量中心性只在以夏普比率作为收益指标时存在显著的正向影响。在机构投资者网络中，基金的度中心性对基金业绩是显著的负向影响，而对于特征向量中心性也在以夏普比率作为收益指标时存在显著的负向影响。

5. 结论

本文基于2012~2023年中国开放式股票型和混合基金的半年度份额持有人数据，以基金间共同的前十大投资者为联系纽带，构建了基金和投资者的连接网络，并通过衡量基金网络位置的中心度指标和衡量基金收益的指标研究了在基金和投资者的信息共享网络中基金的网络位置对基金业绩的影响。

研究发现：(1) 2019年后，基金–投资者网络中，基金和投资者数量不断增加，表明基金(经理)和投资者之间的信息沟通增强；(2) 全样本回归结果显示，基金在网络中的中心位置对业绩的影响不显著。(3) 将投资者分为个人投资者和机构投资者，分别构建投资者网络，发现个人投资者网络与基金收益正相关，表明个人投资者对基金收益的高度关注可能促使基金经理提升业绩；机构投资者网络与基金收益负相关，表明机构投资者与所投基金在对资金规模的关注方面可能存在利益一致性。(4) 进一步，对基金规模的检验表明，个人投资者与基金规模负相关，机构投资者与基金规模正相关。内生性检验和稳健性检验，支持以上结论。

结合理论分析与实证分析的结果，提出以下建议：(1) 加强基金投资者类型的差异化管理，在保障不同类型投资者利益的同时提升基金业绩。(2) 优化基金的管理结构，减轻规模效应的负面影响，强化对委托代理问题的管理。(3) 鼓励信息共享与透明度提升，推动信息在基金网络中的传播，促进市场的公平与效率。