【099】抄基金作业可以随随便便成功吗？
虽然抄作业看起来可以获得还不错的表现，但模仿组合的业绩往往仍然显著落后于那些被抄的基金。原因在于，如果直接抄基金持仓，则交易显著滞后于被抄的基金；而如果模仿风格，则无法获取被抄基金的高额 alpha。不仅如此，简单抄作业的业绩可能也不够稳定。 这就引出了一个重要的问题： 抄一份优秀的作业对投资者是否有什么要求？ 换言之，是否所有尝试抄作业的投资者都会抄出类似的答案、获得类似的业绩？对这个问题的回答还涉及另一个同样重要的问题： 那些披露自身投资组合的基金，未来业绩会在多大程度上受到损害？ 这一问题同样非常重要，原因在于，已有研究表明，更多的信息披露往往有利于市场效率，但如果披露会导致有能力的基金遭受过大的损失，则可能显著降低基金利用技能进行投资的动力，从而反而导致长期市场效率的下降。而对于旨在抄作业的投资者而言，这也会导致其抄作业的收益下滑。 这里的一个关键是，从基金持仓组合我们只能看到两只基金是否进行了类似的交易。但我们无法有效识别当两只基金进行了类似的交易时，这一交易是因为其中一只基金抄了另一只基金的作业，还是单纯因为两只基金获得了相同的信息。常规数据集无法为此提供答案。但幸运的是，美国证监会（SEC）的 EDGAR 数据库的独特数据为回答这一问题提供了可能。 1. 数据 我们知道，美国市场中管理规模达到 1 亿（100 millions）美元的机构需要按要求向 SEC 报告机构的总体持仓明细。这也就是我们熟知的来自 13F 文件的机构持仓数据。这一数据也是诸如 Koijen and Yogo (2019) 的资产需求系统（asset demand system）等研究的核心数据（参见 因子模型：不仅是资产收益的问题 和 【083】股票市场是高度竞争的吗？ ）。 虽然很多数据库和金融数据软件会提供基金 13F 报告的数据（最典型的就是学术研究中常用的 Thomson Reuters 的 s34 file）。但这些数据库的数据往往有滞后，而 SEC EDGAR 则非常及时。这使得通过查看 SEC 的数据可以最为及时地获取其他机构的持仓信息。 EDGAR 数据库的另一项独特数据则使得研究“谁在抄作业”和“抄谁的作业”成为可能，即 EDGAR 数据库提供了机构查看报告的信息：包括时间和访问的 IP 地址（准确地说是 IPv4 地址）。虽然 EDGAR 数据库有意混淆了 IP 地址的第 4 位以保护隐私，但基于前 3 位，可以同 ARIN 数据库中的 IP 地址匹配，确认相当一部分下载过报告的投资机构。此外，EDGAR 数据库没有 IPv6 地址，但 ARIN 数据库中的 IPv6 地址占比仅约 5%，不应影响主要结果。Cao et al. (2021)（CDYZ (2021)）通过匹配上述下载数据、IP 和机构持仓数据（13F 文件）构建了用于研究的数据集。 当然，这一 IP 地址匹配过程可能会受到选择偏误等的影响。为减缓这一影响，CDYZ (2021) 剔除了那些在样本期间（2003/01-2017/06）从来没有查看过报告的投资机构。与此同时，基于检验抄作业的目的，CDYZ (2021) 还要求查询时间发生于 13F 报告所对应的财报期末的下一季度内。经过上述处理，最后得到的样本包括总共 563 家查看过其他机构的 13F 报告的机构（viewer ）。而对于报告 13F 的机构（filer ），作者则要求其 13F 报告在样本期内至少被一家 viewer 查看过一次，并最终得到了 4,935 家 filer 。 特别地，部分机构采用爬虫等方法自动查看、下载 13F 报告，其行为特征与人工查看的 viewer 可能有着显著的区别，因此，CDYZ (2021) 进一步对 viewer 进行了区分：那些自我申报为爬虫的 IP 和单日查看超过 50 次的 IP 对应的机构被判定为机器 viewer (robot viewer )。 样本中的 filers 平均年龄为 7.835 年，管理规模为 17.88 亿美元；而 viewer 的平均年龄和管理规模都更大：平均年龄为 11.776 年，平均管理规模为 62.33 亿美元。特别地，那些机器 viewer 的平均规模还要更大，为 103.50 亿美元。因此，总体来看，样本是偏向大型机构的。 具体到查看行为，平均而言，每季度有 1,925 个人工查看的 viewer-filer 配对，和 8,692 个机器 viewer-filer 配对。当然，由于我们感兴趣的是抄作业，因此，我们不仅关心查看行为，更关心交易行为。具体而言，一家机构对一只股票持仓的变化可归结为以下 4 种交易之一： 建仓一只股票（initiate a new position）；
清仓一只股票（close out the position）；
加仓（increase a current position）；
减仓（reduce a current position）。
CDYZ (2021) 聚焦于前两类交易，即 建仓和清仓 ，原因在于，这两类交易提供的信号往往最为强烈。 定义变量 viewer filer viewer 的查看行为也具有持续性：在 viewer 进一步来看交易行为。定义 filer viewer filer viewer 在 的交易行为，以刻画可能的抄作业动作。 表 1 报告了filer 的 13F 报告的机构，那些查看过 filer 报告的 viewer 会有显著更多与 filer 相同的建仓和清仓交易，且对于人工查看和机器查看而言都是同样显著的。第二个 Panel 进一步报告了 filer 报告的 viewer 在 filer 的交易相关性显著更高。 上述结果表明，的确有一部分机构会通过查看其他机构披露的 13F 报告来抄作业。 表 1: 2. 识别抄作业 查看行为之所以重要，是因为它代表着从 filer 到 viewer 的单向信息流动，使得识别抄作业成为可能。 具体来看，通过以下回归来识别 viewer 在 其中，viewer 、filer 和 viewer-filer 固定效应，viewer filer 表 2 报告了相关结果。可见，在不同设定下，结果都是显著为正的：即平均来看，viewer 的确呈现出抄作业的行为。依据具体设定的不同，查看行为会使得抄作业概率上升 2.5% 至 13.5% 不等。这一幅度在经济意义上是非常显著的：相对于抄作业的无条件概率，上升了 22.3% 至 40.5%。 表 2: 抄作业概率分析. 数据来源：CDYZ (2021). 上述分析表明的确有不少抄作业的行为。理论上来说，大量机构持续进行抄作业行为，意味着抄作业有利可图。因此，接下来进一步检验抄作业是否可以在相当程度上复制 filer 那些有利可图的交易的收益。 更具体来说，viewer 并不会简单地抄 filer 的所有作业。因此，通过检验 viewer 是否可以识别出 filer 的有利可图的交易并照抄这部分作业，可以更好地理解抄作业是否有利可图。为此，将 filer 的交易分为 3 类： 被抄的交易（copycatted trades）：filer
没有被抄的交易（unfollowed trades）：filer viewer follow 的交易；
恰好相同的交易（conincident trades）：filer
如果被抄的交易的平均收益显著优于没有被抄的交易，则表明抄作业是有利可图的。 表 3 报告了相关结果，即相关交易在下一季度的收益。第 1 列表明，被抄的交易有显著为正的超额收益和 alpha，第 2 列和第 3 列则表明，没有被抄的交易和那些恰好相同的交易的超额收益和 alpha 显著为负。最后两列则进一步通过对比说明，被抄的交易的收益显著高于另外两类交易。 上述结果表明抄作业的确有利可图。不仅如此，这一结果还表明 抄作业的机构是有能力的 ，他们能识别出同行披露的交易中哪些是有利可图的。 表 3：交易收益对比分析. 数据来源：CDYZ (2021). 3. 谁抄作业抄的好 前一节表明抄作业的机构是有能力的。那么，这是否意味着抄作业的交易的结果之间也会有分化，那些能力强的机构可以更好地抄作业呢？接下来对此进行进一步检验。 首先，考察投资者能力强弱，最常见的是将投资者划分为专业的（sophisticated）和不那么专业的（naive）两类。当然，由于这里的投资者都是机构，不能借鉴基金等研究中常用的方法。因此，在每个季度末，CDYZ (2021) 依据每家机构抄作业的投资组合在过去 2 年的收益排序，将收益高于中位数的机构定义为专业投资者，低于中位数的定义为不那么专业的投资者，进而检验了两类投资者抄作业的表现。 表 4 报告了相关结果。前两列显示，专业投资者的抄作业交易可以获得显著更高的超额回报。将其与表 3 最后两列对比，可见其平均收益约为全部投资者抄作业平均收益的 2 倍。第 3、4 列则显示，不那么专业的投资者的抄作业则是无效的。最后两列进一步确认，专业投资者抄作业可以获得比不专业投资者显著更高的收益。 表 4：专业度与抄作业收益. 数据来源：CDYZ (2021). 另一种区分投资者能力的方法是考察投资者对研究的投入程度。这可以类比于上市公司，研发投入高的公司往往增长潜力也更大。EDGAR 数据库还提供投资者查看上市公司的 10-K 和 10-Q 等报告的记录。通过整合上述数据，可以得到不同机构在每个季度下载上市公司定期报告的次数。CDYZ (2021) 用这一下载数表征投资者的研究强度，进而同样依据中位数将投资者分为两类，并分别考察其抄作业的表现。 表 5 的结果表明，研究强度高的投资者可以获得显著为正的抄作业收益，而研究强度低的投资者，抄作业收益虽然为正但不显著。二者的差异，尤其是 alpha 的差异，则显著为正。 表 5：研究强度与抄作业收益. 数据来源：CDYZ (2021). 综合上述结果可见， 抄作业也是需要技能的 。更为专业、研究强度高的机构，抄作业的收益也显著更好。 4. Filers 的损失 抄作业意味着 viewer 在下一季度进行与 filer 相同的交易。既然抄作业可以获得显著的超额收益，逻辑上，这会使得 filer 的收益下降，即因为被抄而受损。 为更严谨地检验这一点，通过回归分析考察被抄作业对 filer 业绩的影响。表 6 报告了相关结果。可见，被抄作业的确会导致 filer 的业绩显著下降，而被更多机构抄作业也会使得 filer 遭遇到更大的损失。但恰好相同的交易则对 filer 的业绩没有显著的影响。 表 6：抄作业对 *filer* 业绩的影响. 数据来源：CDYZ (2021). 进一步，与 viewer 抄作业的收益存在异质性一致，filer 被抄作业而遭致的损失也呈现出异质性： 被能力强、研发强度高的机构抄作业，会遭遇更为显著的损失；
如果 filer 建仓期较长，遭受的损失也就更大，因为 viewer 在早期抄作业会显著影响 filer 的建仓成本；
当股票中的信息不对称（以买卖价差来度量）较大时，filer 的私有信息价值更大，被抄作业的损失也更大；
最后，filer 可以通过申请延迟披露来规避被抄作业带来的损失。当然，延迟披露往往有严格的限定条件，不一定能申请到。
总体而言，抄作业对抄作业的机构和被抄的机构意味着相反的结果：前者的收益意味着后者的业绩会受损。 5. 结语 基于“抄作业”的投资组合构建已经流行有较长一段时间，其在学术研究中则至少可追溯至 2005 年 Cohen 等人的经典研究（Cohen, Coval and Pástor, 2005）。但已有研究往往着重于直接复制基金重仓股或基金风格，而没有深入考察 “抄作业”的异质性 。当然，这并非已有研究的问题：一方面，简单的抄作业往往便可获得不错的表现；另一方面，基于基金定期披露的持仓数据，并没有办法准确区分抄作业交易和两个投资者恰好相同的交易，例如，两家机构先后获得了类似的基本面信息进而做出了类似的投资决策。 CDYZ (2021) 利用美国证监会的 EDGAR 数据库提供的下载定期报告的数据很好地区分了 filer 和 viewer ，进而建立了信息流的单向传递，从而可以较好地解决上述问题，即可以较好地区分抄作业交易和恰好相同的交易（以及没有被抄的交易）。在此基础上，CDYZ (2021) 表明，的确有不少机构在抄作业，且抄作业可以带来不菲的回报，从而验证了风靡业界的抄作业策略的合理性。 但真正重要而有趣的是，CDYZ (2021) 发现， 抄作业并不简单：要通过抄作业获取好的投资收益，需要抄作业的投资者本身也具有较好的能力 。 例如，更为专业的、研究强度高的投资者，抄作业可以获得极为显著的超额收益；反之，不专业的、研究强度低的投资者，抄作业则无法带来额外的回报。实际上，我们可以想象，那些研究强度高的投资者，实际上可能并不是在简单地抄作业，更可能的是，他们首先通过大量的基本面研究和/或量化研究，筛选出了一批优秀的投资标的；进而通过查看其他机构的交易行为，来确认市场对这些标的的判断和投资行为是否与自身一致。仅当其他机构也持有类似的观点时，他们才认为该股票具备了天时与人和，是进行投资的良好时机，从而建仓买入股票，并因此获得了良好的投资回报。这意味着，他们并不是在抄作业，而是秉持着类似于“戴维斯双击”的基本投资理念： 买入那些基本面和市场都认可的好股票 。 不管怎样，CDYZ (2021) 的有趣研究给了我们一项重要的启示：抄作业也是技术活，不要试图简单地抄作业，而应将其作为自身投研系统的一个补充，或者确认信号。 免责声明 ：本文在任何情况下都不代表投资建议。文中图表均来自相关文章、期刊，或互联网数据，版权归原作者和期刊所有，也不代表本公众号的意见。Cao, Sean Shun, Kai Du, Baozhong Yang, and Alan Zhang. "Copycat skills and disclosure costs: Evidence from peer companies’ digital footprints." Journal of Accounting Research 59.4 (2021): 1261-1302.
Cohen, Randolph B., Joshua D. Coval, and Ľuboš Pástor. "Judging fund managers by the company they keep." Journal of Finance 60.3 (2005): 1057-1096.
