基金经理行业择时能力与基金业绩 (副本)
由flower2012创建，最终由flower2012 被浏览 10 用户
报告摘要
基金经理行业择时能力与基金业绩
本文研究了对冲基金能否对特定行业进行择时，以及这种择时能力是否能预测对冲基金的未来业绩。结果表明，有相当比例的基金能够对制造业进行择时，并且那些具有较强的制造业择时能力的基金在接下来的几个月产生了更高的回报。多变量Fama-MacBeth截面回归也表明，在控制了各种基金特征和基金的其他择时能力后，制造业择时系数的预测能力依然存在。
长期预测能力测试表明，制造业择时系数与未来收益之间的正相关性可以持续到未来6个月。除了产生更高的回报外，本文还发现制造业择时能力强的基金未来有更多的资本流入，并且在接下来的6-12个月期间有更高的幸存比例。
本文对超预期的分析结果显示，在所考虑的12个行业中，制造业是信息环境（关于盈利发布）最透明的行业，PEAD最大，而且SUE的自相关性是最持久的。所有这些发现在很大程度上解释了为什么择时能力最好的对冲基金，通过关注制造业的盈利消息，可以在未来几个月产生比择时能力最差的对冲基金更多的回报。
总的来说，本文研究结果表明，对冲基金在制造业中的行业择时能力，即使在控制了基金的市场、流动性和波动率择时能力之后，其对未来回报的预测能力仍然存在。因此，应当把行业择时与其他择时能力区分开来，作为对冲基金择时能力的一个新方面。
文献来源
文献来源：Turan G.Bali, Stephen J.Brown, Mustafa O.Caglayan and Umut Celiker. "Does Industry Timing Ability of Hedge Funds Predict Their Future Performance, Survival, and FundFlows?" Journal of Financial and Quantitative Analysis (2020)
文献亮点：本文研究了对冲基金对特定行业的择时能力，并且发现基金在制造业的择时提高了他们的未来业绩、幸存比例和资金流入量。研究结果表明，制造业中行业择时能力最强的对冲基金对预期外盈利的暴露最高。该特性，叠加粘性的预期外盈利、盈余公告发布的透明的信息环境和制造业中大量的PEAD（盈余公告后的价格漂移）现象，很大程度上解释了为什么择时能力强的对冲基金能相对择时能力差的对冲基金产生更高的收益。
引言
本文研究了对冲基金能否依靠对行业的择时能力以获取卓越的未来业绩、更高的幸存比例和更大的基金流入量。标准普尔全球市场的对冲基金追踪报告按季度提供了对冲基金的行业配置变化信息，依据这些数据，本文提出以下问题。对冲基金是否可以根据他们对行业未来经济状况的预测，战略性地调整他们对行业的暴露，从而获得特定行业的回报？如果是这样，行业择时能力是否能提高未来的基金业绩，它能为对冲基金投资者带来多大的经济价值？
为检验对冲基金的行业择时能力，本文使用了与市场正交的行业回报，以区分对冲基金对行业和对市场的择时能力。本文首先在24个月的滚动窗口基础上，将行业超额收益与市场超额收益进行回归，得到过去24个月每个月的行业残差收益。然后，在24个月的滚动窗口基础上，将单个对冲基金的超额收益与行业剩余收益和行业剩余收益的平方再次回归，得到对冲基金的行业择时系数。最后，通过Fama-MacBeth回归和投资组合层面的分析，检验这些行业择时系数对未来对冲基金收益的预测能力。
本文发现，在12个Fama和French(1997)行业测试中，对制造业特定消息有择时能力的对冲基金在未来几个月产生的回报明显较高。结果显示，在制造业中具有较好择时能力的基金在接下来的6-12个月内吸引了更多的资金，并具有较高的幸存比例。其他11个行业择时在未来的业绩、资金流入和幸存比例方面并没有得到这样的结果。
为了解释为什么行业择时能力系数能预测未来的对冲基金收益，特别是在制造业而不是其他行业，本文探讨了对冲基金的行业择时β和他们对超预期收益暴露之间的关系。本文认为，盈利公告可能是特定行业回报的重要组成部分，在特定行业择时能力较强的对冲基金可能对盈利公告有较高的风险暴露。根据这一假设，本文发现，在依据行业择时能力划分的十分组中，标准化预期外盈利（SUEs）的绝对值的平均β值从最差的组到最优组单调地增加，SUEβ值的差值是正的，而且只有在制造业中是高度显著的。这表明，通过行业择时能力获得制造业特定收益的对冲基金经理特别关注制造业的盈利公告。
本文还发现，在所研究的12个行业中，制造业的预期外盈利表现出最高的持久性。制造业SUE中持续的高自相关性表明，制造业的公司更有可能在接下来的几个月中产生相同方向的预期外盈利。
数据
对冲基金样本
本文使用了来自Lipper Trading Advisor Selection System（TASS）数据库的11987只对冲基金的月度基金回报和基金特征数据，数据从1994年开始。TASS数据库除了报告月度回报和管理规模（AUM）外，还提供了某些基金特征的信息，包括管理费、赎回期、最低投资额等信息。本文在解决了所有潜在的数据偏差问题（如幸存者偏差、回填偏差和多期抽样偏差）后，样本中的对冲基金总数从11,987只基金减少到7,902只。
行业
本研究使用Fama-French的12个行业分类。在1994年1月至2018年9月的样本期间，不同行业的24个月滚动窗口平均行业回报的平均值在0.71%（电信行业）和1.13%（商业设备，科技行业）之间。同一时期，不同行业的24个月滚动窗口标准差的平均值在3.43%（非耐用品行业）到6.53%（商业设备行业）之间。另一方面，CRSP市场价值加权指数的同一滚动窗口平均回报率和标准差分别为0.86%和4.07%，表明各行业在回报率和风险方面都能表现出与市场的明显偏差。
实证结果
本节首先通过Fama-MacBeth回归和非参数组合测试来研究对冲基金的行业择时能力是否产生了卓越的回报。然后研究了不同对冲基金投资风格下，对冲基金的行业择时β对未来收益的预测能力。接下来分析了行业择时系数的长期预测能力。最后评估了对冲基金的行业择时能力与未来基金流量和未来基金存活率之间的联系。
Fama-Macbeth回归
首先用横截面的Fama-MacBeth回归分析对冲基金的行业择时能力与它们下个月回报率之间的关系。由于本文重点是对冲基金的行业择时能力，而行业回报与市场回报高度相关，所以在分析时首先将行业回报与市场正交。在24个月的滚动窗口基础上，用以下公式对行业超额收益与市场超额收益进行回归：
单变量Fama-Macbeth回归
为了研究行业择时系数对对冲基金未来收益的预测能力，从1996年1月开始的每个月，对每个行业进行单变量 Fama-MacBeth 截面回归，将一个月后的对冲基金超额收益与从方程（2）获得的行业择时系数进行回归：
下图的A组列出了1996年1月至2018年9月样本期间12个行业的时间序列平均斜率系数。其中只有制造业（MNF）的对冲基金的行业择时系数与未来收益之间存在正向和显著的关系。制造业择时的β值的平均斜率系数为0.181，t统计量为2.46。另一方面，其他11个行业的平均斜率系数从-0.112（TLC）到0.109（DRB）不等，统计上均不显著。这一组初步的结果说明对制造业特定回报的择时可以预测未来对冲基金的回报。然而，对其他行业的特定回报进行择 时并不会在下个月获得高回报。
多变量Fama-Macbeth回归
本文接下来研究个别基金的特征——基金的风险和回报特征以及它们的市场、流动性和波动性的择时能力是否能解释基金的制造业择时能力和未来回报之间的正相关关系。如果一个基金在制造业的择时能力与它的某些基金特征有关，或者与该基金的市场、流动性或波动性择时能力有关，那么控制这些特征和其他择时能力将消除制造业行业择时系数的预测能力。本文使用多变量的Fama-MacBeth回归来检验这一点，将未来一个月的对冲基金超额收益对基金的制造业择时系数、基金特征和其他择时能力指标进行回归：
单变量组合分析
下图的第四列显示，从第1组到第10组，对冲基金的次月回报率呈单调增长。与制造业择时最低的第一组基金相比，制造业择时最高的第十组基金在下个月的回报率高出0.64%（统计学上显著）。下图的最后一栏显示，最佳择时和最差择时的对冲基金之间的显著回报差额也不能用Fama和French（1993）、Carhart（1997）和Fung和Hsieh（2001）的九个标准对冲基金风险因素来解释。本文投资组合分析的结果，结合先前从Fama-MacBeth回归中得出的结论，证明对冲基金在制造业中的行业择时能力与其未来的原始回报和风险调整后的回报之间存在着经济上和统计上的显著正相关。
制造业中行业择时能力的基金类型分析
本文继续检验了行业择时能力与未来收益之间的正向和显著关系是否限定于特定的基金风格。TASS数据库将对冲基金分为10种不同的类型：可转债套利、固定收益套利、管理期货、股票市场中性、股票多空对冲、事件驱动、多策略、全球宏观、新兴市场和FOF。本文通过投资组合测试分别分析10种基金类型中制造行业择时系数的预测能力。由于对于某些类型来说，对冲基金数量较少，本文通过将对冲基金等分为五组而非十组来进行单变量组合测试。
下图分别报告了每种类型的对冲基金数量，以及按制造业择时系数排序的五分位数投资组合的下月回报和九因子ALPHA。从结果上看，在固定收益套利、可转债套利和管理期货基金中，没有发现行业择时系数与未来收益之间存在正向和显著的关系。而在大量交易股票的投资类型中，如多空股票对冲基金、股票市场中性基金、事件驱动基金和新兴市场基金，最优和最差的行业择时基金分组之间的下月回报率差在0.29%和0.55%之间，显著的t统计量在2.02和2.52之间。下图还显示，之前的结论对全球宏观和多策略基金不成立。这可能是由于全球宏观基金经理专注于区分不同国家的经济，而不是区分美国的不同行业。多策略基金的分组表现差别不明显，表明这些基金在股票之外大量交易其他工具。
制造业择时系数的长期预测效果
在这一节中，本文研究了制造业的择时系数与未来对冲基金收益之间的正向关系是否持续了一个月以上。在TASS数据库中，基金的平均锁定期是三个月。因而研究行业择时系数在三个月或更长时间内的预测能力是有意义的。本文通过持有期为三个月、六个月和九个月的投资组合来研究行业择时系数的长期预测能力。
下图显示，制造业择时系数的预测能力持续到未来6个月。对于以三个月持有期构建的投资组合，本文发现最佳和最差行业择时的基金分组之间的回报率和九因子α差额分别为每月0.59%（t统计量=2.44）和0.54%（t统计量=2.45）。对于持有期为6个月的投资组合，回报率和α差额的幅度变小，但仍然显著，每月分别为0.45%（t-stat = 2.20）和0.41%（t-stat = 2.13）。最后，对于用9个月的持有期构建的投资组合，最佳择时者和最差择时者之间的价差变得更小，在统计上变得不显著。这些结果表明，制造业择时系数和未来收益之间的显著正向联系持续到未来六个月，超过了三个月的锁定限制，这表明投资者实际上可以通过投资那些最佳的制造业择时基金来获得这些收益。
制造业择时系数、未来资金流入量和基金幸存比例
本文继续研究在制造业中具有更好的行业择时能力的对冲基金是否吸引了更多的资金，并具有更高的幸存比例。本文将基金资产管理规模从上个月到当月的变化作为对冲基金的资金净流入量，并根据基金的回报率和上个月的资产管理规模进行调整。下图展示了根据对冲基金的制造业择时系数对其进行分组而产生的未来六个月和十二个月的累积资金净流入量。
与本文的预期一致，在未来6个月的累积资金净流入量分析中，行业择时最佳的对冲基金分组有资金流入，而行业择时最差的对冲基金分组有资金流出，并且在统计上显著。在未来12个月的累积资金净流入量分析中，本文也发现在接下来的一年时间里，最佳和最差行业择时的基金分组之间存在显著的累积资金净流入量差异，即5.76%（t统计量为6.89）。
本文接下来使用Fama-MacBeth截面逻辑回归来研究基金存活率和行业择时系数之间的关系。本文将未来6个月和12个月的基金存活率（如果基金存续，则用虚拟变量衡量，取值为1，如果基金清算，则取值为0）对有控制变量和无控制变量的制造业择时系数进行回归。下图报告了平均斜率系数和相应的t统计量。在未来6个月和12个月的逻辑回归中，都发现制造业择时β值的平均斜率系数为正且显著。所有这些结果证明了对制造业特定回报有择时能力的对冲基金未来有更多的资金流入，并有较大的幸存机率。
行业择时能力与超预期
本文在这一节中探讨了为什么行业择时系数只预测了对冲基金在制造业的未来回报，而不预测其他行业的回报。
行业择时系数与超预期的关系
为了解释为什么对在制造业中的择时能力可以预测回报，而在其他行业中却没有，本文研究了对冲基金的行业择时系数和对冲基金对每个行业超预期的风险敞口之间的关系。本文认为超预期事件（新闻）可能是特定行业收益的重要组成部分，对特定行业收益有较好择时能力的对冲基金可能对特定行业的超预期大小有较高的敏感性。
具体来说，对于每个公司，我们将SUE定义为当前财政季度的实际收益减去同季度的预测收益的差额，再除以过去16个季度的预测误差的标准差：
对于每个行业，使用该行业在该月报告收益的公司中单个股票的标准化意外收益的平均值，作为行业的SUE指标。
本文在每个月对每个行业择时分组的每一只基金，使用24个月的滚动窗口，将单个对冲基金的超额收益时间序列对每个行业的SUE绝对值进行回归，从而产生了每个行业的对冲基金对超预期的敏感度的时间序列值（即SUE betas）。然后在每个行业择时分组内，每月取各基金的SUE betas的横截面平均值。最后，对于每个行业的每一个择时能力分组，下图中报告了它们每月横截面SUE betas平均数的时间序列，以及它们的Newey-West t统计数字。
上图显示，在制造业（MNF）中，SUE betas从最差的行业择时分组到最佳行业择时分组而单调增加。另外，最佳和最差行业择时的对冲基金分位数之间的SUE betas差值是正的（2.86），而且只在制造业中高度显著（t-stat.=3.19）。制造业的这些结果表明，行业择时能力和对冲基金对超预期收益的风险敞口之间有着密切的关系，并表明那些能很好地把握制造业特定收益的对冲基金经理，也会特别关注这个行业的收益信息。本文并没有发现在其他11个行业中，行业择时能力和超预期的风险敞口（SUE betas）之间有密切关系。
行业超预期的持久性
本文接下来研究每个行业的超预期的持久性如何。如果超预期在一个行业中特别持久，那么预测该行业的未来超预期就会更容易。在下图中报告了1994年1月至2018年9月样本期间每个行业的滞后三个月的SUE的自相关情况。
上图显示，对于大多数行业来说，自相关在第一个滞后期后很快就消失了，这表明超预期对于大多数行业来说并不是那么持久的。而在测试的三个滞后期中，制造业的SUE的自相关系数总是最高的，也是最显著的。制造业SUE的这种持续的高自相关性表明，制造业的公司更有可能在接下来的几个月里产生相同方向的超预期，这使得那些意识到这一特征的对冲基金经理去来分配资源以捕捉制造业的特定回报。
超预期消息的不确定性和PEAD
Imhoff和Lobo（1992）的研究表明，对于信息环境比较透明的公司来说，投资者对超预期的反应更大。Kim和Kim（2003）还表明，当信息环境更透明时，在下一季度，正面超预期组合和负面超预期组合的平均回报率之间的差异更高，而且这种财报发布后的漂移随着盈利信息不确定性的增加而降低。本节研究了行业盈利信息透明度、盈利公告后的漂移幅度和制造业特有的行业择时能力之间是否存在联系。
为了代表公司盈利公告中的信息不确定性程度，本文使用过去16个季度中单个股票的季度预测误差的标准差。此外，作为衡量个别股票信息环境的另一种方法，还使用了过去16个季度的季度超预期的标准差。每只股票的超预期是按实际每股收益（EPS）与分析师预测每股收益中位数之间的差额计算的。对于这两种衡量标准，数值低表明信息环境更加透明，数值高则意味着盈利发布方面的不确定性水平更高。
下图A组报告了1996年1月至2018年9月期间每个行业的这两个衡量标准的横截面平均值的时间序列。比较12个行业的平均数可以看出，制造业预测误差的标准差是最低的。同样，当使用超预期的标准差时，制造业是第二低的，仅次于公用事业行业。这些结果表明，在所考虑的所有行业中，制造业在盈利信息发布方面有最透明的环境。
根据Kim和Kim(2003)的研究结果，制造业作为最透明的行业之一，其收益率在财报发布后应该会出现与超预期相同方向的较强漂移。为了测试这个猜想是否属实，对于每个行业，本文首先根据每季度的预期外盈利（SUEs）的大小将股票等分为十组。然后在每个行业内，观察盈利公告后的30和60个交易日内单个股票的累计超额收益（超过市场）。在上图的B组中，在每个行业中报告了每个SUE分位数的股票在第30和60个交易日的累积超额收益的截面平均值。上图B组的最后一栏显示了第10组和第1组之间的第30和60个交易日累计超额收益差异。与Imhoff和Lobo(1992)以及Kim和Kim(2003)的研究结果一致，制造业作为盈利消息发布中透明程度最高的行业之一，也产生了最大的盈利公告后的盈利漂移。
在所考虑的12个行业中，制造业是信息环境（关于盈利发布）最透明的行业，PEAD最大，而且 SUE 的自相关性是最持久的。所有这些发现综合起来可以解释为什么制造业中有最佳择时能力的对冲基金与最差择时能力的对冲基金相比，未来几个月的回报有显著的差异。
总结
本文研究了对冲基金能否对特定行业进行择时，以及这种择时能力是否能预测对冲基金的未来业绩。结果表明，有相当比例的基金能够对制造业进行择时，并且那些具有较强的制造业择时能力的基金在接下来的几个月产生了更高的回报。多变量Fama-MacBeth截面回归也表明，在控制了各种基金特征和基金的其他择时能力后，制造业择时系数的预测能力依然存在。
长期预测能力测试表明，制造业择时系数与未来收益之间的正相关性可以持续到未来6个月。除了产生更高的回报外，本文还发现有制造业择时能力强的基金未来有更多的资本流入，并且在接下来的6-12个月期间有更高的幸存比例。
本文对超预期的分析结果显示，在所考虑的12个行业中，制造业是信息环境（关于盈利发布）最透明的行业，PEAD最大，而且SUE的自相关性是最持久的。所有这些发现在很大程度上解释了为什么择时能力最好的对冲基金，通过关注制造业的盈利消息，可以在未来几个月产生比择时能力最差的对冲基金更多的回报。
总的来说，本文研究结果表明，对冲基金在制造业中的行业择时能力，即使在控制了基金的市场、流动性和波动率择时能力之后，其对未来回报的预测能力仍然存在。因此，应当把行业择时与其他择时能力区分开来，作为对冲基金择时能力的一个新方面。