基金经理羊群行为是否明智：盲目跟风VS理性选择

杨瑞杰 张向丽

(1.东北财经大学金融学院，辽宁 大连 116025；2.东北财经大学会计学院，辽宁 大连 116025)

引言

2013年以来，随着宏观经济的平稳增长和资本市场的总体上扬，中国基金行业迎来了快速发展期，基金经理作为基金管理人，其行为特征和影响越来越成为学界、业界以及监管层关注的重点话题。20世纪90年代之后，各类金融危机频繁爆发，媒体和相关人士常常将其归因于以基金经理为首的市场参与者的“羊群行为”，认为这是加剧市场波动、破坏市场稳定和提高金融体系脆弱性的罪魁祸首(Jegadeesh and Kim，2010)[18]。但是，提升了市场风险的羊群行为未必提升了基金的风险(Scharfstein and Stein，2000)[26]，况且，基金的风险仅仅描述了基金收益的不确定性，结果可能是损失，也可能是获利，它作为收益的对价并无好坏之分。那么，基金经理的羊群行为“明智”吗？现有文献并未提供严谨的理论分析与实证检验。

在资产定价领域，特质风险是指投资组合中可以被分散的风险，不同于系统性风险，特质风险不能索要与之相对的收益。甚至，高特质风险的组合未来有低收益，低特质风险的组合未来有高收益(Ang et al.，2006)[2]，这不仅违背了传统的金融学理论，也与Merton(1987)[24]提出的基于不完全信息的资本市场均衡模型的结论相反，即高特质风险的组合未来应该有高的预期收益，以补偿投资者不能持有完全分散化的投资组合的风险，学术界称之为“特质波动率之谜”。因此，不管特质风险究竟是降低了组合的未来收益还是对其没有影响，基于风险厌恶的期望效用理论，投资者会尽一切可能规避特质风险。

鉴于此，本文选择了一个新的视角——研究基金经理的羊群行为如何影响投资组合的特质风险以回答基金经理的羊群行为是否明智。中国股票市场的相关特征为本文研究提供了理想的实验场所：一方面，中国股票市场的信息不对称程度较高、信息获取成本较高、监管体系缺陷较为明显1，这加剧了羊群行为的强度(Bikhchandani and Sharma，2000)[29]；另一方面，多层次资本市场改革的不断深化，公司管理层的股票期权激励的不断普及，包含基金、保险、券商自营、“国家队”、QFII等在内的机构投资者力量的不断增强，导致了股票的特质风险占比逐年上升，其对股票市场的影响也日益凸显(Campbell et al.，2001)[5]。以上特征为本文从基金经理的羊群行为入手研究投资组合的特质风险创造了有利条件。

本文采用Sias(2004)[27]的序贯交易模型度量羊群行为，遵循羊群行为的经济学本质——投资者的跨期模仿，该模型去除了引起股价变动的本不属于羊群行为却被错误归于羊群行为的种种噪声。主要贡献如下：第一，不同于以往文献研究羊群行为对外部的影响，如市场风险或股票风险等，本文研究羊群行为对自身的影响，通过考察基金经理的羊群行为如何影响投资组合的特质风险进而回答了基金经理的羊群行为是否明智；第二，本文结论表明了信息不对称会引起金融市场上的“个体最优决策”与“社会最大福利”之间的矛盾，这导致了“看不见的手”的失灵，政府可以加快推动市场监管体系的改革与创新，制定并完善相关的信息披露制度，通过降低信息不对称程度以引导金融市场的资源配置从“局部最优”走向“全局最优”。

研究假设

基金经理的羊群行为究竟出于何种动机？Keynes(1936)[30]认为，群体偏激和荒谬情绪在影响着整个股票市场的投资行为，如同经典的“选美理论”——参与选手不断地猜测别人的选择进而模仿，当选者是否真的漂亮并不重要。Smith and Sorensen(1994)[31]发现，基金经理为了达成特定目标会进行“混乱的学习”，即通常所说的“盲目跟风”、“追涨杀跌”，这种行为一致性的表现就是羊群行为。Devenow and Welch(1996)[10]认为，包含基金经理在内的投资者的羊群行为是系统性错误的，因为他们并不能从中得到任何“好处”。一些文献持相反意见，基金经理的交易行为会追随更成功的同行，这是“聪明的学习”，羊群行为的本质是一种投资策略(Friend et al.，1970)[15]。考虑到基金经理的报酬结构与基准挂钩，若是其表现明显落后于同行将会面临较大的压力甚至职位不保，适当的时候舍弃自己的信念或是放弃采用过于独特的投资策略转而跟随其他基金经理的投资行为以避免业绩的大幅度波动不仅不“盲目”反而很“理性”(Maug and Naik，2011)[23]。为此，本文提出如下两个对立假设。

H1a：基金经理的羊群行为是明智的，它降低了投资组合的特质风险。

H1b：基金经理的羊群行为是不明智的，它提升了投资组合的特质风险。

许多证据表明，羊群行为的驱动因素是“因人而异”的，个人投资者的羊群行为主要受市场情绪影响，机构投资者的羊群行为更多来源于信息不对称(Choi and Skiba，2015)[9]。面临严重的信息不对称时，信息获取上具备优势的投资者得以提前获知内幕消息(Ke and Petroni，2004)[20]，并据此调整自有股票的持仓组合，而在信息获取上不具备优势的投资者则出于对自身境况的考虑对既定判断丧失信心，因而他们往往会追随先行者，这种选择往往带来股市的大规模羊群(Banerjee，1992)[3]。

根据以上文献，基金经理的羊群行为实属无奈，但它又是信息劣势情况下的“最优”选择。考虑到信息不对称的概念较为宽泛，现有文献对此并无统一的衡量标准，一般来说，观察角度不同，信息不对称的表现形式也不同：市场层面，信息不对称体现为较低的私有信息含量；公司层面，信息不对称体现为较低的公司透明度；社会层面，信息不对称体现为较低的社会关注度。通过以上三个层面的考察，可以较为准确、全面地衡量信息不对称，据此，本文提出如下假设。

H2：投资组合的私有信息含量越低，基金经理的羊群行为越有必要，即基金经理的羊群行为与特质风险的负向关系越强。

H3：投资组合的公司透明度越低，基金经理的羊群行为越有必要，即基金经理的羊群行为与特质风险的负向关系越强。

H4：投资组合的社会关注度越低，基金经理的羊群行为越有必要，即基金经理的羊群行为与特质风险的负向关系越强。

人们常说“选基金就是选基金经理”，基金经理的特征是决定基金表现的关键因素。大量的社会学、心理学和行为经济学的研究显示，男性和女性在风险感知层面存在巨大差异，这导致两者呈现出不同的风险偏好，相对于男性，女性基金经理的风险厌恶程度更高(Malmendier et al.，2011)[22]。不仅如此，女性基金经理的投资风格更为稳健、谨慎，也更具连续性，与男性的自信、乐观、胆大、富有创造力不同，女性基金经理的性格更加细腻、敏感、有耐心，思维方式更有整体性和直觉性(Dwyer et al.，2002)[11]。根据以上文献，男性基金经理更加愿意“冒险”，这也是一把“双刃剑”，某些时候会使他们变得自负、武断、冒进，以致承担过多本不应该承担的“多余风险”，本文提出如下假设。

H5：相对于女性，男性基金经理更加应该采取羊群行为，即男性基金经理的羊群行为与特质风险的负向关系更强。

此外，从业经验和学历作为基金经理的重要特征，显著影响了其投资风格(Gottesman and Morey，2006)[17]。Gibbons and Murphy(1992)[16]发现，与刚入行的基金经理相比，经验老到的基金经理在面对业绩下滑时更愿意为了挽回声誉而过度冒险，他们自认为“更懂市场”，他们的退休时间也更近，因此铤而走险的代价大大降低。徐琼和赵旭(2008)[38]认为，基金经理的从业经验越丰富，其风险控制的意识越强，也越不愿意冒险；基金经理的受教育程度越高，其自信心越足，特别是受过硕士及以上教育的人，甚至严重高估了自己的知识水平和研判能力，导致投资业绩差强人意。由于相关文献较少，结论差异较大，本文提出如下对立假设。

H6a：从业经验愈丰富的基金经理的羊群行为与特质风险的负向关系愈强。

H6b：从业经验愈匮乏的基金经理的羊群行为与特质风险的负向关系愈强。

H7：学历愈高的基金经理的羊群行为与特质风险的负向关系愈强。

模型与方法

一、基金经理羊群行为的度量

Sias(2004)[27]指出，投资者相邻两期的交易行为具有协变性，若是采用跨期买卖证券的横截面相关系数进行度量则可以将其拆分为两部分：投资者跟随自身买卖相同证券的行为和投资者跟随他人买卖相同证券的行为。基金经理羊群行为的度量方法如下。

首先，计算每个季度末相对于上季度末每只股票的基金交易情况，得出季度t时股票k的买入基金数量与交易基金数量之比：

其中，Di,k,t表示季度t时基金i是否买入股票k，买入记为1，否则为0；Nk,t表示季度t时股票k的交易基金数量。

为了便于比较，对季度t时股票k的买入基金数量比例进行标准化处理：

其次，令标准化的季度t时股票k的买入基金数量比例满足一阶自回归条件，利用跨期买卖证券的横截面相关系数βt度量季度t时基金经理交易行为的协变性：

将βt写为Δk,t和Δk,t-1的函数，由于Δk,t是标准化的，相关系数βt可以写成协方差的形式：

将方程(2)代入方程(4)，得：

再次，将βt展开为两部分，第一项是基金经理跟随自身买卖相同证券的行为，第二项是基金经理跟随他人买卖相同证券的行为：

最后，将方程(6)的第二项即基金经理跟随他人买卖相同证券的行为拆分为表示每只基金跟随他人买卖相同证券的行为，这就是季度t时基金i的羊群行为指标(如果基金经理倾向于跟随他人进行买卖，该指标为正；如果基金经理选择与他人“背向而行”，该指标为负；如果基金经理保持“特立独行”，即买卖行为独立于他人，则该指标为0)2：

二、投资组合特质风险的度量

传统金融学理论认为，通过构造多元化投资组合，投资者可以将非系统性风险或特质风险充分分散，然而行为金融学研究发现，无论是个人投资者还是机构投资者都没有充分分散特质风险，即投资者在承担系统性风险时也承担着一定的特质风险(Barber and Odean，2000)[4]。投资组合特质风险的度量方法如下。

首先，定义基金的单位复权收益率，即考虑分红、拆分后的单位份额实际收益率：

其中，NAi,d表示交易日d时基金i的单位净值；Divdi,d-1表示交易日d-1时基金i的单位份额分红大小。

其次，借鉴Ang et al.(2006)的方法，本文分别基于CAPM模型、Fama-French(1993)[13]三因子模型、Carhart(1997)[6]四因子模型以及Fama-French(2013)[12]五因子模型，利用每个季度的基金的单位复权收益率进行下列回归：

其中，ri,d表示交易日d时基金i的单位复权收益率；rf,d表示交易日d时的无风险收益率，选取一年期定期存款利率除以252；rm,d表示交易日d时的市场收益率，选取流通市值加权的考虑现金红利再投资的综合市场收益率；SMBd、HMLd、MOMd、RMWd、CMAd分别表示交易日d时的规模因子、价值因子、动量因子、盈利能力因子、投资模式因子。

最后，计算季度t时基金i的残差序列的样本标准差，按照交易日数进行单位化，即乘以季度t时交易日数的平方根，得出投资组合的特质风险：

其中，Std(εi,t,d)表示季度t时基金i的残差序列的样本标准差；表示季度t时基金i的交易日数。

三、控制变量

考虑到基金经理羊群行为的影响因素众多，为了进一步控制这些因素的影响，本文借鉴Chevalier and Ellison(1997)[8]、孟庆斌等(2015)[36]的研究，加入以下控制变量。

基金经理特征：性别因素(Gender)，虚拟变量，基金经理为女性记为1，反之为0；从业经验(Career)，基金经理的执业时间，以3个月单位计量；学历(Edu1)，虚拟变量，基金经理拥有硕士及以上学历记为1，反之为0；学历(Edu2)，虚拟变量，基金经理拥有博士学历记为1，反之为0。

基金特征：基金规模(Size)，基金净值的对数；基金家族规模(Fsize)，基金公司旗下所有基金的净值取对数；基金年龄(Age)，基金运营的时间，以年为单位；基金换手率(Tover)，基金持仓变动部分的市值与基金净值比值；上一个时间期的基金分红次数(Num)；上个时间期的基金单位份额分红大小(Divd)。

其他影响因素：为控制宏观市场走势的影响加入了综合市场收益率(Mktret)；在参考Pollet and Wilson(2008)[25]方法的基础上加入基金资金流动比率(Flow)，具体计算方法如下：

其中，Sizei,t表示季度t时基金i的净值；ri,t表示季度t时基金i的单位复权收益率。

四、信息不对称的度量

1.投资组合的私有信息含量(PPI)

投资组合作为一篮子股票，其私有信息含量反映了一篮子股票的平均私有信息含量。借鉴Amihud and Goyenko(2013)[1]的方法，利用季度t时股票j的日收益率(复权后)对Carhart(1997)四因子模型回归，得出季度t时股票j的私有信息含量(1-R2)，根据季度t时基金i的持股数据计算市值加权平均的投资组合的私有信息含量：

其中，ωi,j,t表示季度t时基金i持有股票j的资金比例；表示季度t时基金i持有的股票j的私有信息含量；Ji,t表示季度t时基金i持有的股票数量。

2.投资组合的公司透明度(PABACC)

鉴于盈余管理行为越严重，公司透明度越低，因此修正的Jones模型估计的操纵性应计利润的绝对值所表示的盈余管理水平也是公司透明度的良好衡量指标(Kim et al.，2011)[21]。投资组合的公司透明度反映了一篮子股票的平均公司透明度：首先，利用修正的Jones模型估计季度t时股票j的操纵性应计利润，采用其绝对值衡量公司透明度；其次，根据季度t时基金i的持股数据计算市值加权平均的投资组合的公司透明度。需要注意的是，该数值越大表示投资组合的公司透明度越低：

其中，ωi,j,t表示季度t时基金i持有股票j的资金比例；ABACCi,j,t表示季度t时基金i持有的股票j的公司透明度；Ji,t表示季度t时基金i持有的股票数量。

3.投资组合的社会关注度(PSA)

考虑到中国的互联网用户规模十分庞大3，以及百度公司在中国搜索引擎市场的统治地位，百度指数能够较为准确地洞察全社会的关注热点、追踪相关媒体(自媒体)的舆论趋势，因此是社会关注度的良好衡量指标。借鉴刘锋等(2014)[34]的方法，利用百度指数以公司名称、股票代码为关键词，人工查找季度t时股票j的搜索指数4(日搜索指数的算术平均值)，由于不同股票的搜索指数之间差异较大，采用其自然对数度量对应股票的社会关注度，根据季度t时基金i的持股数据计算市值加权平均的投资组合的社会关注度，该数值越大表示投资组合的社会关注度越高：

其中，NameIndexj,t、NumberIndexj,t分别表示季度t时股票j的公司名称搜索指数、股票代码搜索指数；ωi,j,t表示季度t时基金i持有股票j的资金比例；SAi,j,t表示季度t时基金i持有的股票j的社会关注度；Ji,t表示季度t时基金i持有的股票数量。

五、实证模型

鉴于特质风险可能存在强烈的惯性，本文设定模型为动态面板的形式。第一，利用方程(19)研究基金经理的羊群行为是否影响投资组合的特质风险：

第二，利用方程(20)研究信息不对称是否影响基金经理羊群行为与特质风险之间的关系：

其中，PPIi,t表示投资组合的私有信息含量；PABACCi,t表示投资组合的公司透明度；PSAi,t表示投资组合的社会关注度；Control表示控制变量序列。

第三，利用方程(21)研究基金经理的特征是否影响羊群行为与特质风险之间的关系：

其中，Contol表示控制变量序列。

样本选取与统计描述

一、数据来源

股权分置改革是中国政府为大力发展市场经济提出的一项政策要求，研究发现其在促进公司治理水平和提升业绩方面具有积极的影响(陈胜蓝和卢锐，2012)[33]，这会干扰本文研究，主要基于以下两个方面的考虑：一是，其会加剧由政策性干预带来的股市突发波动风险进而影响基金所持投资组合的崩盘风险(袁鲲等，2014)[39]；二是，其会通过加剧公司现金股利政策的不平稳影响投资者的投资偏好(陈名芹等，2017)[32]。据此，为规避股权分置改革的干扰本文将样本区间设为2007年初～2016年末。

在数据选取过程中，还做了以下处理：本文选取的样本为剔除了QDII、QFII和指数型基金后的股票型基金和偏股型基金；参考Jin and Myers(2006)[19]对特质风险的计算方法，将时间期数小于40的样本予以剔除；为保证数据的可靠性，本文剔除数据缺失样本并对文中全部连续性变量进行了缩尾处理。基金重仓股持股数据5、基金特征数据以及基金市场收益率的数据来自于WIND数据库、CSMAR数据库和天天基金网的手工查询；基金单位净值和复权因子数据来自于RESSET数据库。

表1 主要变量的描述性统计

二、描述性统计

本文变量的描述性统计如表1所示。从表1可以看出：(1)基金经理羊群行为指标具有均值大于0、最小值小于0和存在趋近于0的部分样本的特征，分别表明存在跟随他人交易的倾向的基金经理、偏好与他人背道而驰的基金经理和不受他人决策影响的基金经理；(2)利用CAPM模型、Fama-French(1993)[13]三因子模型、Carhart(1997)[6]四因子模型以及Fama-French(2013)[12]五因子模型计算的特质风险指标的统计特征存在一定差异；(3)基金规模指标显示最小的基金其规模仅为0.067亿元而最大则达到447.354亿元，表明中国基金存在规模差异较大的特征，而基金家族规模指标尤甚，表明中国基金行业发展并不不平衡。此外，从性别和学历指标可以看出中国的基金经理人群中男性仍占据主导优势且普遍受教育程度较高——硕士居多。

三、基金经理羊群行为的持续性研究

同一基金的羊群行为在当期存在是否能够在后续期间仍能得以保持对本文的研究具有重要意义，因此，需通过计算一个转移概率矩阵对这一问题进行考察。具体的计算方式如下：首先，盯住某一时间期，根据盯住的这一时点的羊群行为按照从小到大的顺序依次排列并等分为10组；然后，计算以上分组组合分别在3个月、6个月、12个月之后仍然属于原有组合的概率；接着，针对其他时间期重复以上计算，并将所有时期的计算结果合并，即进行简单算术平均处理。结果列示在表2的Panel A、Panel B和Panel C中。

表2结果显示，基金经理羊群行为的持续性较强，如Panel A中，在当前期属于最强的基金经理羊群行为的组合在3个月后仍属于最强组合的概率为31.3%，在当前期属于最弱的基金经理羊群行为的组合在3个月后仍属于最弱组合的概率为24.9%，基金经理羊群行为这一变量的持续性违背了分布的随机性(应在10%左右)，表明其在投资行为中并不是非理性的情绪失控，而且一种策略性的主动。

表2 基于转移概率矩阵的基金经理羊群行为的持续性研究

四、基于分组下的羊群行为与特质风险

本文考察基于分组下的羊群行为与特质风险之间的关系：首先，将每个季度的基金经理羊群行为的度量指标按照从小到大的顺序进行排列并等分为5组；其次，计算每个组合在下个季度的基金净值加权平均的单位复权收益率；再次，利用该收益率分别对CAPM模型、Fama-French(1993)[13]三因子模型、Carhart(1997)[6]四因子模型以及Fama-French(2013)[12]五因子模型回归，得出每个组合在下个季度的残差序列，并计算每个组合在下个季度的特质风险；最后，对每个组合的特质风险序列进行Newey-West调整的均值t检验。

由表3可得，随着羊群行为的增强，组合的特质风险呈下降趋势，羊群行为最强的组合的特质风险显著低于羊群行为最弱的组合。这意味着，基金经理的羊群行为与投资组合的特质风险可能存在负相关关系。

回归分析

鉴于特质风险的一阶滞后效应，在面临较长时期的面板数据时，将因变量滞后一期作为自变量放入方程进行Fama-Macbetch横截面回归或固定效应回归可能会导致内生性问题。本文利用系统GMM的方法进行估计6，为了保证回归结果的可靠性，使用Windmeijer(2005)[28]的两阶段纠偏稳健标准误。基金经理的性别、从业经验、学历和基金的规模、家族规模、年龄、上季度分红次数、上季度单位份额分红大小以及市场收益率相对投资组合特质风险而言，基本不存在内生关系；基金的资金流动比率、换手率和基金经理的羊群行为及其交互项与投资组合特质风险之间可能存在着内生关系。本文的研究目的是揭示当前羊群行为与未来特质风险之间的关系，模型设定已经将因变量做了超前一期处理，较好地避免了反向因果问题的干扰，因此，本文将解释变量全部设定为外生变量。为了保证交互项的经济学含义以及避免多重共线性的影响，对其进行了中心化处理。

表3 基于分组下的羊群行为与特质风险

表4 回归结果

表4以Carhart(1997)[6]四因子模型计算的特质风险为例7，列示了两阶段系统GMM估计结果，本文同样采用CAPM模型、Fama-French(1993)[13]三因子模型、Fama-French(2013)[12]五因子模型计算的特质风险进行了研究，结果基本不变，不再赘述8。Sangan检验和扰动项差分的二阶序列相关检验在统计上均不显著，说明不存在工具变量的过度识别问题且扰动项不存在一阶序列相关，符合系统GMM估计的要求。

回归方程(1)给出了基金经理的羊群行为与投资组合特质风险之间的关系。可以看出：基金经理的羊群行为显著降低了投资组合的特质风险，因此，基金经理的羊群行为是明智的。这一结果支持了“假设H1a”而不是“假设H1b”。基金的年龄越大，特质风险越低；市场收益率越低，特质风险越低；基金经理的学历对特质风险几乎没有影响，这似乎与常识相悖。此外，投资组合特质风险的一阶滞后效应非常显著，下个季度的特质风险会受当前季度特质风险的正向影响，即投资组合的特质风险具有维持当前态势的惯性。

回归方程(2)、(3)、(4)加入了投资组合的私有信息含量、公司透明度、社会关注度与基金经理羊群行为的交互项以考察信息不对称是否会影响羊群行为与特质风险之间的关系。可以看出：信息不对称显著影响了羊群行为与特质风险之间的关系，投资组合的私有信息含量越低(PPI数值越小)、公司透明度越低(PABACC数值越大)、社会关注度越低(PSA数值越小)，基金经理的羊群行为与特质风险的负向关系越强，这说明了信息不对称程度越高，基金经理的羊群行为越有必要。这一结果支持了“假设H2”、“假设H3”和“假设H4”。

回归方程(5)、(6)、(7)加入了基金经理的性别、从业经验、学历与基金经理羊群行为的交互项以考察基金经理特征是否会影响羊群行为与特质风险之间的关系。可以看出：基金经理特征显著影响了羊群行为与特质风险之间的关系，相对于女性(Gender=1)，男性(Gender=0)基金经理的羊群行为与特质风险的负向关系更强，这表明了男性基金经理更加应该采取羊群行为，而不是“固执己见”。此外，无论是硕士学历(Edu1=1)、博士学历(Edu2=1)还是从业经验都不会对羊群行为与特质风险之间的关系产生影响。这一结果支持了“假设H5”，然而“假设H6a”、“假设H6b”、“假设H7”均没有得到支持。因此，羊群行为与特质风险的关系似乎更多受投资者“天性”的影响而非后天的学习。

回归方程(8)加入了全部的交互项以从整体上考察信息不对称、基金经理特征对羊群行为与特质风险之间关系的影响。可以看出：基金经理的羊群行为依然显著降低了投资组合的特质风险，基金经理的羊群行为是明智的；每个交互项的系数的显著性、大小与之前基本一致，符号也没有发生变化。因此，回归方程(1)～(7)的结果是稳健的。

稳健性检验

本文的稳健性检验如下：(1)“牛”、“熊”周期不仅会影响投资组合的特质风险还会对基金经理的羊群行为产生干扰，选取2007年1季度初至2007年3季度末、2014年2季度初至2015年2季度末作为“牛市”的典型代表，选取2008年1季度初至2008年4季度末、2015年3季度初至2016年1季度末作为“熊市”的典型代表，针对“牛”、“熊”周期的四个区间进行子样本回归；(2)投资组合的特质风险受持股分散化程度的影响较大，剔除某个季度前十大重仓股的持股资金比例小于50%的基金样本；(3)为防止基金的换手率对基金经理羊群行为的潜在影响，除了在上文的回归方程中加以控制之外，按照基金的换手率排序，针对高换手率组和低换手率组进行子样本回归；(4)无论是CAPM模型、Fama-French(1993)[13]三因子模型、Carhart(1997)[6]四因子模型还是Fama-French(2013)[12]五因子模型计算的投资组合特质风险都会受到无风险收益率的影响，选取三个月期定期存款利率代替上文的一年期定期存款利率表示无风险收益率。所有稳健性检验的结果与本文结果基本一致，说明本文结论是稳健的。

结论与启示

为了回答基金经理的羊群行为是否“明智”，本文选择了一个新的视角——研究基金经理的羊群行为如何影响投资组合的特质风险。选取2007～2016年中国的股票型开放式基金和偏股型开放式基金为样本，采用Sias(2004)[27]的序贯交易模型度量羊群行为，不仅避免了“伪羊群行为”的干扰、保证了估计的无偏性，而且更加符合羊群行为的经济学本质即跨期模仿，基于投资者的交易行为，该模型去除了引起股价变动的本不属于羊群行为却被错误归于羊群行为的种种噪声。研究发现：(1)基金经理的羊群行为降低了投资组合的特质风险，这证明了基金经理的羊群行为是明智的；(2)投资组合的私有信息含量越低、公司透明度越低、社会关注度越低，基金经理的羊群行为与特质风险的负向关系越强，这说明了信息不对称程度越高，基金经理的羊群行为越有必要；(3)相对于女性，男性基金经理的羊群行为与特质风险的负向关系更强，这表明了男性基金经理更加应该采取羊群行为，而不是“固执己见”。

本文的理论意义和现实意义在于：第一，不同于以往文献研究羊群行为对外部的影响，如市场风险或股票风险等，本文研究羊群行为对自身的影响，通过考察基金经理的羊群行为如何影响投资组合的特质风险进而证明了基金经理的羊群行为是明智的；第二，结合已有学者的研究，即羊群行为加剧了市场波动、破坏了市场稳定、提高了金融体系脆弱性，本文结论表明了信息不对称会引起金融市场上的“个体最优决策”与“社会最大福利”之间的矛盾，这导致了“看不见的手”的失灵，政府应该加快推动市场监管体系的改革与创新，制定并完善相关的信息披露制度，通过降低信息不对称程度以引导金融市场的资源配置从“局部最优”走向“全局最优”。

注释

1.摘自“2016第五届金融街论坛”，国务院发展研究中心高级研究员吴敬琏的发言稿。

2.与路磊等(2014)[35]事先假设基金经理的羊群行为是有选择的不同，本文并没有假设基金经理偏好于参考业绩比自己好的基金经理的投资策略，因此，本文所证明的基金经理的羊群行为是明智的这一结论是稳健且有代表性的。

3.根据中国互联网络信息中心(CNNIC)发布的第41次《中国互联网络发展状况统计报告》，中国的互联网用户规模在2007年便已突破2.1亿，截止2016年底已达7.3亿。

4.百度搜索指数分为PC搜索指数(起始于2006年)和移动搜索指数(起始于2011年)，中国的移动互联网崛起于2011年，搜索引擎的整体流量从PC端向移动端的快速转移则发生于2013年之后，因此，本文采用的搜索指数在2011年之前为PC搜索指数，在2011年及之后为PC搜索指数与移动搜索指数之和。

5.基金的季度报告只披露前十大重仓股，因此本文基金经理羊群行为的指标计算只涉及前十大重仓股，考虑到基金经理羊群行为的跨期模仿特征，本文没有采用基金持股的半年度数据，即便其拥有完整的持股数据。

6.本文面板数据的时期跨度较长(40个季度)，差分GMM估计容易出现弱工具变量问题(Che et al.，2013)[7]。

7.Fama and French(2010)[14]、申宇等(2013)[37]均认为四因子模型有较强的解释能力，且已被大量的国内外实证研究所采用。

8.限于篇幅，不再报告详细结果，如有需要，可向作者索取。