社会网络分析法视角下的基金经理投资行为研究

罗毅 林树

(1.贵州财经大学会计学院，贵州 贵阳 550025；2.南京大学 商学院，江苏 南京 210093)

一、引言与文献综述

截至2020年12月底，中国境内共有公募基金管理人146家，管理的公募基金资产合计19.89万亿元人民币[注]数据来源：中国证券投资基金业协会官网(https://www.amac.org.cn/researchstatistics/datastatistics/mutualfundindustrydata/)。，公募基金经理如何管理这笔巨额财富关系到中国资本市场的健康发展。对此，研究者引入社会网络分析法对中国公募基金经理的投资行为进行研究，目前这些研究主要从基金经理的社会关系网络和基金持股网络两方面展开。在基金经理社会关系网络方面，徐明月(2014)[1]研究发现基金经理校友联结关系越强，基金公司间的业绩相关性越高，处于网络中心位置的基金公司，其与其他基金公司的业绩相关性更强。校友关系的广度和深度都能对基金的业绩带来正向影响[2]。王雪丁(2019)[3]研究发现中国对冲基金经理在校友社会关系网络中占据越为关键的结构洞位置，与其他对冲基金产品业绩联动程度越高。操清云(2018)[4]研究发现那些人脉广泛、与前同事交情深厚的基金经理，其管理基金的业绩较好。部分研究同时考虑基金经理的校友和同事关系，发现在校友和同事社会关系网络中中心度高的基金经理能够取得更好的投资绩效[5-7]。在基金持股网络方面，王亚平等(2009)[8]研究发现持仓共同股票基金经理间的交流会加剧市场的同涨同跌现象。陆煊和黄俐(2014)[9]研究发现基于持股网络的近邻效应提升了交易活跃度，交易量和流动性均显著增加，市场定价效率得到改善。刘京军和苏楚林(2016，2017)[10-11]研究发现基金网络结构通过影响基金的资金流量给基金带来显著的业绩增长。李维安等(2017)[12]研究发现基金网络改善了公司治理，这为公司带来长期价值的增加。侯伟相和于瑾(2018)[13]发现处于基金网络核心位置的股票型基金，其投资业绩较好，源于其具有良好的择股能力。田正磊等(2019)[14]研究发现同一网络的基金之间存在信息传递，使得它们的资产组合调整行为更为一致、呈现出集体踩踏的特征。许林等(2020)[15]研究发现基金经理社会网络资源越丰富，基金净值暴跌风险越大。吴晓晖等(2020)[16]研究发现基金的网络中心性与信息融入股价速度、股价信息含量显著正相关，市场趋势对该关系具有调节效应。

以上运用社会网络分析法聚焦中国公募基金经理的研究可能存在以下值得商榷之处。第一是研究主题。目前的研究主要关注基金业绩、风险传染、市场效率等方面，无论是基金经理社会关系网络还是基金的持股网络，网络指标局限于作为自变量，没有关注基金持股网络的形成受到了什么因素的影响，以及基金经理的社会关系网络是否影响了基金持股网络的形成。第二是网络要素。一方面，构建基金经理的社会关系网络时，现有研究主要关注校友和同事这两类基金经理的社会关系，没有关注“宗族”姓氏这一具有中国特色的社会关系，也没有通过对关系连接赋权来优化基金经理之间关系连接的亲疏；另一方面，构建持股网络时普遍借鉴Pareek(2009)[17]的研究将持仓市值占基金资产净值5%以上的股票作为网络连接构建基金持股网络，没有考虑中国公募基金行业信息披露监管规定下，选择基金十大重仓股作为持股网络连接可能更恰当。第三是网络构建。一方面是研究对象不恰当，部分研究遗漏开放式混合型基金(1)中国证券投资基金业协会官网和Wind金融资讯终端显示，截至2020年12月，中国境内共有开放式混合型基金3 195支，管理规模4.36万亿，剔除对股票市场影响较小的731支开放式偏债混合型基金后，开放式混合型基金的数量与规模均大于开放式股票型基金。，未剔除采用被动方式管理的基金；另一方面是网络构建趋于静态，部分研究存在样本期短、单网时间跨度长的问题，导致网络构建频率低，不能动态反映基金经理跳槽、基金换仓实况。第四是方法应用。一方面是持股网络中的部分研究空有社会网络研究之名，实际上是采用设置哑变量的方法而不是运用社会网络分析算法；另一方面表现为对网络中心性指标的不恰当选择，基金持股网络不同于人与人之间的社会关系网络，人与人之间存在中介关系因此需引入居间中心性来刻画，彼此之间有亲疏远近关系因此需要引入亲近中心性来刻画，基金与基金之间的关系主要表现为共同持仓相同股票的持股关联性，通过基金持股网络的程度中心性或标准化后程度中心性即可刻画，而现有应用社会网络分析算法的持股网络研究均使用了居间中心性和亲近中心性，这两个指标应用于持股网络刻画是否具有经济意义值得商榷。

针对以上值得商榷之处，本文关注基金持股网络的形成是否受到基金经理社会关系网络影响这一新的研究主题。网络要素选择方面，在基金经理校友、同事社会关系基础上，补充姓氏作为基金经理“宗族”社会关系网络的连接要素，并模拟真实的基金经理社会关系亲疏对网络连接要素进行赋权优化；结合中国公募基金行业信息披露监管规定，以基金十大重仓股作为基金持股网络的连接要素。在网络构建时补充前人研究中遗漏的研究对象并剔除前人研究中选择不当的研究对象；以2004年第一季度至2019年第四季度为样本期，分别按季度构建基金经理的社会关系网络和基金十大重仓股持股网络，通过缩短网络的时间跨度、增加网络构建频率以提升网络的动态性。在方法应用上采用成熟的社会网络分析算法对基金经理的社会关系网络和持股网络分别进行运算，选择基金经理社会关系网络中的标准化后程度中心性、居间中心性、亲近中心性来分别刻画基金经理在圈内的人脉广度、地位关键性、人脉深度，选择基金在持股网络中的标准化后程度中心性来刻画基金在持股网络中的持股关联性。通过以上举措，本文研究发现基金经理的社会关系网络影响了基金持股网络的形成，这种影响还会因基金公司办公地、基金经理性别而存在异质性，机制检验表明，这种影响表现为在基金经理圈子内有影响力的基金经理倾向于持仓流通市值大、股价波动率低的股票，而其他基金经理的追随模仿在这类股票上更易实现，从而使其管理基金和其他基金在持股网络中呈现高持股关联性。本文的主结论经过一系列稳健性检验后依然成立。

本文的研究具有以下三方面贡献：第一，理论方面，不仅丰富了基金持股网络的影响因素研究，也丰富了基金经理社会关系网络的经济后果研究。现有研究只关注基金持股网络引起的经济后果，没有关注形成基金持股网络的影响因素，本文的研究发现对此进行了补充。此外，现有基金经理社会关系网络的经济后果研究主要考察投资绩效等方面，没有具体到基金经理的持股行为上，本文将该经济后果聚焦于基金经理持仓股票所形成的持股网络，对基金经理社会关系网络经济后果方面的研究也形成了补充。第二，实务方面，揭示基金经理的持股行为会受到自身社会关系的影响，为投资者选择基金、监管机构筛查监管线索提供参考。本文研究发现，在基金经理社会关系网络中具有影响力的基金经理，其十大重仓股持仓和其他基金的十大重仓股持仓呈现出高关联性，因此这类基金经理的投资调整会对市场产生更大的影响，投资者可根据其投资调整进行投资决策，监管机构也应该密切注意这类基金经理的投资动向，预判可能引起的各种风险，以维护资本市场的健康有序，推动资本市场高质量发展。第三，技术方法方面，改进现有研究中存在的不足。现有研究在网络要素、网络构建、方法应用上存在诸多值得商榷之处，本文对此提出针对性的举措予以优化，使本文的研究结论更可靠。

二、理论分析与研究假设

马克思认为，“人是一切社会关系的总和”[18]，人的行为受到所处社会关系的影响。Fracassi和Tate(2012)[19]研究发现，上市公司高管倾向于任用与自己存在社会关系的董事；Bulter和Gurun(2012)[20]研究发现，基金经理和上市公司高管存在校友关系时，对上市公司高管不利提案投反对票的概率更高；分析师会对关联基金重仓股票给予更高的推荐评级[21]。受前述研究的启发，本文试图厘清中国公募基金经理群体的社会关系如何影响其投资行为，具体来说，本文关注基金经理在社会关系网络中的影响力与其在持股网络中持股关联性之间的关系。对此，本文利用社会网络分析法分别构建基金经理的社会关系网络和所管理基金的持股网络，为全面考察基金经理在社会关系网络中的影响力，本文将基金经理在社会关系网络中的影响力区分为三种类型：人脉广度、地位关键性、人脉深度，分别从三种影响力角度考察其与持股关联性的关系，具体如图1所示。

图1 研究假设示意图

人脉广度刻画基金经理在社会关系网络中因校友、同事、姓氏关系而与其他基金经理产生直接联系的广泛程度，这种联系越广泛，基金经理在社会关系网络中的影响力越大，那么，这种影响力会带来什么样的经济后果呢？从校友关系出发，Cohen等(2008)[22]发现基金经理倾向于持仓与上市公司董事会成员具有校友关系的股票；徐明月(2014)[1]发现基金公司间基金经理校友的联结关系越强，基金公司间的业绩相关性越高，处于网络中心位置的基金公司，其与其他基金公司的业绩相关性更强；申宇等(2015)[2]发现校友关系的广度能对基金业绩带来正向影响；Hong和Xu(2019)[23]发现赢得优胜业绩的基金经理在持仓公司总部所在地有更多的大学校友。从同事关系出发，操清云(2018)[4]研究发现人脉越广泛的基金经理，其管理基金的业绩越好。以上研究表明基金经理在社会关系网络中的直接连接对象和连接数量会影响其持股倾向并为基金带来优胜业绩，但这些研究没有关注这一经济后果如何产生。本文尝试通过信息优势来解释这一经济后果的产生机制，当投资信息在基金经理的社会关系网络中传播时，人脉广泛的基金经理因和其他基金经理的直接连接更多，能够获得更全面丰富的投资信息，其买到价值股的概率较其他基金经理更高，从而强化其影响力。与此同时，其还可能通过在社会关系网络中的影响力诱导其他基金经理追随模仿自己的投资决策，人为塑造其买进的股票具有上涨潜力的印象，以坚定其他基金经理的继续追随。无论是基金经理通过社会关系网络能真正挖掘到价值股，还是利用在社会关系网络中因人脉广泛产生的影响力诱导其他基金经理为其“抬轿”，都将导致其所管理基金股票持仓和其他基金的股票持仓产生关联，且源于人脉广泛的影响力越大，对应的基金持股关联性越高，所以提出本文的假设1。

H1基金经理在社会关系网络中的人脉越广泛，其所管理基金在持股网络中与其他基金的持股关联性越高。

部分基金经理可能在社会关系网络中没有因人脉广泛而形成较大的影响力，却因在社会关系网络中扮演重要中间人角色具有关键地位，从而形成不逊色于广泛人脉的影响力。例如，李维安等(2017)[12]研究发现基金经理在持股网络中的中介中心度越高，其运用信息资源优势对上市公司投资效率进行治理的效果就越好，从而提升公司价值赢得优胜业绩；郭晓冬等(2018)[24]研究发现在持股网络中中介中心性最强的机构投资者为了私利，会利用机构投资者网络传递噪音或过滤坏消息等方式掩盖坏消息，从而让自己获利；王雪丁(2019)[3]发现中国对冲基金经理在社会关系网络中占据越为关键的结构洞位置，与其他对冲基金产品业绩联动程度越高；黄丽丽(2019)[6]研究发现基金经理在社会关系网络的中介中心度越高，基金业绩表现越好；Guo等(2021)[25]研究发现在持股网络中居间中心性高的公司获得了较低的债券融资成本。以上研究说明利用好中介角色的影响力同样能够带来好的经济后果，但以上研究依然只关注了信息在网络中流动产生的经济后果而忽视了该经济后果如何产生，且部分研究基于信息在持股网络中流动这一前提而展开相应的经济后果研究，本文认为这一前提值得商榷。就信息流动而言，持股网络的产生就是信息流动的经济后果，真实的逻辑应是信息在基金经理的社会关系网络中流动影响了基金经理的投资行为，从而影响了持股网络的产生。在这一过程中，如果基金经理在社会关系网络中因扮演重要中间人角色具有关键地位，一方面其可以利用其关键地位获取到重要的投资信息，另一方面如郭晓冬等(2018)[24]所发现的那样，通过干扰信息流动影响其他基金经理行为而为自己谋利，例如释放假消息让其他基金经理买进自己持仓的股票，这会使其管理基金和其他基金在持股网络中产生持股关联性，当基金经理在社会关系网络中的地位越关键时，这种持股关联性越高，因此提出本文的假设2。

H2基金经理在社会关系网络中的地位越关键，其所管理基金在持股网络中与其他基金的持股关联性越高。

部分基金经理可能在社会关系网络中既没有广泛的人脉，也没有关键地位，其在社会关系网络中的影响力来源于其与其他基金经理的紧密关系，本文将这种因紧密关系而形成的影响力概括为人脉深厚程度。其他领域的研究显示，这种紧密关系带来的影响不亚于前两者，例如在学术圈，与重量级学者关系紧密有利于发表高质量论文[26-27]；在连锁董事网络中镶嵌越紧密的公司，其股价波动和市场波动越一致[28]；IPO时与投资银行商业关系紧密的基金公司获得了更高的IPO配额[29]；关系紧密投资者的投资行为具有相似性[30]。与基金经理相关的研究显示，居住在同一社区的基金经理具有相似的资产组合和交易风格，共同的种族背景会使这种效应更加显著[31]；操清云(2018)[4]研究发现与前同事交情深厚的基金经理赢得了优胜业绩；基金经理在社会关系网络中的亲密中心度越高，投资业绩相对越高[6,32]。以上研究表明，无论是学者还是基金经理，与同行或合作伙伴的紧密关系能够产生好的经济后果，但前述针对基金经理的研究依然没有关注该经济后果如何产生。当投资信息在基金经理社会关系网络中流动时，一方面在社会关系网络中人脉深厚的基金经理能更快地获取到投资信息并付诸行动，另一方面其可以利用人脉深厚产生的影响力影响其他基金经理的投资行为，例如让与自己关系紧密的基金经理帮忙“抬轿”，这同样会使得所管理基金和其他基金在持股网络中呈现出持股关联性，当基金经理在社会关系网络中源于人脉深厚的影响力越大时，这种持股关联性越高，因此提出本文的假设3。

H3基金经理在社会关系网络中的人脉越深厚，其所管理基金在持股网络中与其他基金的持股关联性越高。

三、研究设计

(一)样本数据及来源

本文选取2004年第一季度至2019年第四季度中国主动型开放式股票型基金、主动型开放式混合型基金(偏股、平衡、灵活配置)作为研究对象。基金经理社会关系网络的姓氏、毕业院校(高等教育阶段)、任职经历数据主要来源于国泰安数据库(CSMAR)，缺失的部分从中国研究数据服务平台(CNRDS)进行补充。基金十大重仓股持股数据来源于国泰安数据库(CSMAR)；对样本基金(主动型开放式股票型、主动型开放式非偏债混合型)进行识别时，识别数据来源于Wind金融终端；样本基金特征、基金公司特征、基金经理特征、基金十大重仓股特征数据来源于国泰安数据库，缺失部分从中国研究数据服务平台(CNRDS)进行补充；对原始数据进行了如下处理：(1)剔除主效应模型中变量数据存在缺失的样本；(2)对主效应模型中的所有连续变量进行上下1%的缩尾处理。根据上述步骤，最终得到66 274个季度-基金-基金经理样本，样本数据的基本概况如图2所示。2004年第一季度至2019年第四季度，样本基金数量从36支上升为2 536支，基金经理数量从55位上升为1 605位；样本期内被共同持股最多的是贵州茅台，2019年第三季度共有1 066支样本基金在十大重仓股中持有该股；样本期内的最大姓氏圈为“王”姓，2019年第四季度共有121位基金经理姓“王”；样本期的最大校友圈为北京大学校友圈，2019年第三季度共有115位基金经理毕业于北京大学；样本期内最大同事圈为嘉实基金管理有限公司同事圈，2019年第四季度共有48位基金经理在嘉实基金管理有限公司有过至少一个季度的共事经历。

图2 样本概况

(二)变量定义

为考察基金经理社会关系网络影响基金持股网络这一研究主题对应的三个研究假设，本文设计变量如表1所示。

1.因变量

由于基金与基金之间的持股联系主要表现为因持仓相同股票产生的持股关联性，同时为消除每季度基金十大重仓股持股网络的规模差异，本文选择社会网络分析法下每季度基金十大重仓股持股网络标准化后程度中心性来刻画基金每季度在十大重仓股持股网络中的持股关联性，其计算公式如式(1)。

(1)

式(1)中，HCenDi,t为基金i在t季持股网络中的标准化后程度中心性，X表示基金i和基金j的网络连接(j≠i)，如果二者共同重仓n支股票(以十大重仓股为准)，则取n，否则为0，N为网络中的节点数(基金数量)，10N-10用于消除规模差异，得到取值介于0到1之间的标准化后程度中心性，该指标按季度构建，值越大说明基金i在t季的十大重仓股持仓与网络中其他基金的十大重仓股持仓关联性越高。

表1 主要变量说明

i基金图3 基金持股网络示例图

为直观地理解持股关联性指标HCenD，以图3为例作简单说明。图3中每个黑点代表一支基金，如果每两支基金在同一季度十大重仓股中共同重仓相同股票一支，则两支基金形成一个连接(画一条线)。图3呈现了7支基金的持股关系网络图，以i基金为例，其直接连接的点为6，所以标准化后的持股关联性HcenD=6/(10×7-10)=0.1。

2.自变量

本文对基金经理社会关系要素的选择，既借鉴现有研究考虑基金经理的校友关系[2,22]和同事关系[4,34]，又借鉴其他领域的研究[35-37]考虑基于姓氏的“宗族”关系。此外，通过对关系连接进行赋权调整模拟基金经理社会关系在现实中的亲疏程度，具体赋权调整为三方面：第一，对特定高校(2)特定高校为C9(清华大学、北京大学、浙江大学、复旦大学、上海交通大学、南京大学、中国科学技术大学、西安交通大学、哈尔滨工业大学)和“两财一贸”(上海财经大学、中央财经大学、对外经济贸易大学)，其中C9中的理工类高校(清华大学、上海交通大学、中国科学技术大学、西安交通大学、哈尔滨工业大学)在前一步的赋权基础上再赋权。赋予更大的连接权重；第二，按共事单位数量对同事关系赋予更大的连接权重；第三，对“小姓”(3)每季度基金经理姓氏人数最少的后10%基金经理姓氏为小姓。赋予更大的连接权重。经过以上调整后利用社会网络分析法按季度构建基金经理的社会关系网络，分别选择该网络中每个节点的标准化后程度中心性、居间中心性、亲近中心性来刻画基金经理在社会关系网络的人脉广度、地位关键性、人脉深度，三个指标的计算公式如下

(2)

式(2)中，SCenDi,t为基金经理i在t季校友、同事、姓氏三类社会关系网络中的标准化后程度中心性，X表示基金经理i和基金经理j的网络连接(j≠i)，如果二者具有n次姓氏、同事、校友社会关系，则取n，否则取0，N为网络中的节点数(基金经理人数)，max(n)N-max(n)用于消除规模差异，得到取值介于0到1之间的标准化后程度中心性，该指标按季度构建，值越大说明基金经理i在t季社会关系网络中的人脉越广。

(3)

(4)

式(4)中，SCenCi,t为基金经理i在t季校友、同事、姓氏三类社会关系网络中的亲近中心性，d(i,j)是网络中节点i到节点j的最短距离(j≠i)，直观地理解，亲近中心性计算基金经理i在t季三类社会关系网络中与其他基金经理最短距离之和的倒数，N为网络中的节点数(基金经理人数)，N-1用于消除规模差异，得到取值介于0到1之间的亲近中心性(4)无连接点之间的距离算法默认取值为网络中的最大连接距离加1，所以孤立点的亲近中心性会为网络中的最小值。，该值越大意味着基金经理i在t季与其他基金经理在三类社会关系上的距离越近，即基金经理与其他基金经理的关系更紧密，人脉更深厚。

3.控制变量

如表1所示，借鉴申宇等(2015)[2]、侯伟相和于瑾(2018)[13]的研究对基金特征、基金经理特征、基金公司特征等进行控制，涉及的控制变量分别是基金的股票投资集中度(HHI_Stock)、管理费率(Manage_fee)、基金年龄(Fund_age)、资金净流入(Sum_flow)、任职年限(Tenure)、基金总净值(TNA)、基金公司总净值(FC_TNA)、团队管理(Team)。基金的股票投资集中度(HHI_Stock)为基金当季十大重仓股持仓占比的赫芬达尔指数；管理费率(Manage_fee)为基金当季根据季度折算后的管理费率；基金年龄(Fund_age)为按年计算的基金年龄；资金净流入(Sum_flow)为根据Dahlquist等(2000)[33]方法计算的每个季度基金资金的净流入(5)Sum_flow=TNAi,t-TNAi,t-1×NAVi,t/NAVi,t-1，TNAi,1为基金i在t期净资产总额，NAVi,t为基金i在t期单位复权净值。，最后折算为亿元(6)没有进行对数处理是因为资金净流入在净流出时会取负值，无法进行对数处理。；任职年限(Tenure)为基金经理在季度末管理该基金的年限；基金总净值(TNA)为季度末基金总净值(元)的自然对数；基金公司总净值(FC_TNA)为季度末基金所属基金公司旗下同类基金总净值(元)的自然对数；团队管理(Team)，当基金在该季度由团队管理时取1，否则取0。

(三)研究模型

1.H1研究模型

为考察本文的H1，本文设计如下研究模型

HCenDi,t=β0+β1×SCenDi,t+βn×Controli,t+ei,t

(5)

在式(5)中，HCenDi,t为基金i在t季的十大重仓股持股关联性，值越大说明基金i在t季的十大重仓股持仓与网络中其他基金的十大重仓股持仓关联性越高；SCenDi,t为管理基金i的基金经理在t季社会关系网络中的人脉广度，值越大说明t季管理基金i的基金经理在圈内的人脉越广；借鉴申宇等(2015)[2]、侯伟相和于瑾(2018)[13]的研究对基金特征、基金经理特征、基金公司特征等进行控制。如果式(5)中β1显著为正，说明基金经理在社会关系网络中的人脉越广，所管理基金十大重仓股与其他基金十大重仓股的持股关联性越高，H1成立。

2.H2研究模型

为考察本文的H2，本文设计如下研究模型

HCenDi,t=β0+β1×SCenBi,t+βn×Controli,t+ei,t

(6)

在式(6)中，HCenDi,t为基金i在t季的十大重仓股持股关联性，值越大说明基金i在t季的十大重仓股持仓与网络中其他基金的十大重仓股持仓关联性越高；SCenBi,t为t季管理基金i的基金经理在校友、同事、姓氏社会关系网络中的地位关键性，值越大说明t季管理基金i的基金经理在圈内的地位越关键；借鉴申宇等(2015)[2]、侯伟相和于瑾(2018)[13]的研究对基金特征、基金经理特征、基金公司特征等进行控制。如果式(6)中β1显著为正，说明基金经理在社会关系网络中的地位越关键，所管理基金十大重仓股与其他基金十大重仓股的持股关联性越高，H2成立。

3.H3研究模型

为考察本文的H3，本文设计如下研究模型

HCenDi,t=β0+β1×SCenCi,t+βn×Controli,t+ei,t

(7)

在式(7)中，HCenDi,t为基金i在i季的十大重仓股持股关联性，值越大说明基金i在i季的十大重仓股持仓与网络中其他基金的十大重仓股持仓关联性越强；SCenCi,t为t季管理基金i的基金经理在校友、同事、姓氏社会关系网络中的人脉深度，值越大说明t季管理基金i的基金经理在圈内和其他基金经理的关系越紧密，人脉越深厚；借鉴申宇等(2015)[2]、侯伟相和于瑾(2018)[13]的研究对基金特征、基金经理特征、基金公司特征等进行控制。如果式(7)中β1显著为正，说明基金经理在社会关系网络中的人脉越深厚，所管理基金十大重仓股与其他基金十大重仓股的持股关联性越高，H3成立。

表2 主模型变量描述性统计分析

四、实证分析

(一)描述性统计分析

表2显示，基金持股关联性HCenD的均值为34.40%，中位数为30.60%，最小值为0.83%，最大值为91.90%，标准差为23.40%，说明样本基金的持股关联性差异较大，与标准差的数值契合，且均值34.40%大大高于中位数30.60%，说明大部分基金的持股关联性低于均值，只有少部分基金具有较高的持股关联性。基金经理人脉广度SCenD的均值为6.04%，中位数为5.44%，最小值为0.53%，最大值为16.20%，标准差为3.71%，说明样本基金经理的人脉广度存在较大差异，且均值6.04%略大于中位数5.44%，说明超过一半的基金经理人脉广度低于均值6.04%。基金经理地位关键性SCenB的均值为0.16%，中位数为0.08%，最小值为0.00%，最大值为1.56%，标准差为0.25%，说明样本基金经理的地位关键性存在较大差异，且均值0.16%略大于中位数0.08%，说明超过一半的基金经理地位关键性低于均值0.16%。基金经理人脉深度SCenC的均值为45.20%，中位数为45.70%，最小值为32.00%，最大值为53.10%，标准差为4.54%，说明样本基金经理的人脉深度存在较大差异，且均值45.20%略小于中位数45.70%，说明超过一半的基金经理地位人脉深度高于均值45.20%。控制变量方面，样本基金平均持股集中度(HHI_Stock)为1.67%，季度平均管理费率(Manage_Fee)为0.34%，平均年龄(Fund_Age)为4.13年，平均资金净流入(Sum_Flow)为-0.85亿元人民币，样本基金经理的平均任职年限(Tenure)为1.82年，样本基金的平均总净值(TNA)为485 165 195.41元人民币，样本基金公司管理的同类样本基金总净值(FC_TNA)为884 028 623.85元人民币，采用基金经理团队(Team)进行管理的样本基金占比为49.00%。

(二)相关性分析

表3显示，基金持股关联性HCenD和基金经理人脉广度SCenD、地位关键性ScenB的相关性系数分别为6.10%、30.14%，均在1%的显著性水平下显著，H1、H2成立；基金持股关联性HCenD和基金经理人脉深度SCenC的相关性系数为-15.95%，在1%的显著性水平下显著，该结果与H3相悖，原因可能在于该相关性检验没有控制其他因素的潜在影响，因此更可靠的结果还需要参考后文控制其他因素后的回归检验。

表4 主效应模型回归结果

(三)主效应模型回归分析

表4显示，加入控制因素后，基金持股关联性HcenD与基金经理人脉广度ScenD、地位关键性ScenB、人脉深度ScenC的回归系数分别为10.54%、229.23%、6.54%，均在1%的显著性水平下显著为正，H1、H2、H3成立，说明基金经理的社会关系能够影响其投资行为，表现为基金经理在社会关系网络中的人脉广度上升1个基点，所管理基金在持股网络中的持股关联性上升10.54%个基点；基金经理在社会关系网络中的地位关键性上升1个基点，所管理基金在持股网络中的持股关联性上升229.23%个基点；基金经理在社会关系网络中的人脉深度上升1个基点，所管理基金在持股网络中的持股关联性上升6.54%个基点。

(四)调节效应检验

上述研究发现基金经理的社会关系会影响其投资行为，表现为基金经理在社会关系网络中的影响力正向影响所管理基金在持股网络中的持股关联性，随之本文考察上述影响是否因基金公司办公地和基金经理性别不同而存在差异。

表5 基金公司办公地调节效应检验结果

1.基金公司办公地

Hong等(2005)[38]研究发现同城的基金经理在投资决策行为上具有高度的一致性，这可能源于同城基金经理之间存在私有信息的分享机制。部分研究将地理临近性延伸到基金经理和上市公司高管网络，发现基金经理倾向于持仓总部坐落在本地或有航班直航的上市公司股票，因为同城或航班直航使基金经理与上市公司高管之间更易沟通，从而对公司更加了解[39-40]。李晓梅和刘志新(2012)[41]研究发现同城基金经理在投资上的相互影响显著大于与非同城基金经理在投资上的相互影响。因此，当基金经理就职于非政治或金融中心时，由于非政治和金融中心基金经理人数少、圈子小，彼此更易认识，相互分享投资信息，此时基金经理社会关系对投资行为的影响更强。所以本文根据基金公司办公地址将样本分为两组，基金公司办公地址位于非政治或金融中心(既不在北京、也不在上海)则Office取1，否则取0，分组后采用交乘方式对主效应模型进行回归，结果如表5所示：基金经理人脉广度与基金公司办公地交乘项ScenD*Office与基金持股关联性HcenD的回归系数为7.55%，在5%的显著性水平下显著为正；基金经理地位关键性与基金公司办公地交乘项ScenB*Office对基金持股关联性HcenD的回归系数为215.30%，在1%的显著性水平下显著为正，说明当基金公司办公地位于非政治或金融中心(既不在北京、也不在上海)时，基金经理在社会关系网络中的人脉越广、地位越关键，所管理基金的股票持仓与其他基金经理的股票持股关联性越高。

2.基金经理性别

郭白滢和龙翠红(2020)[42]研究发现，相比于男性同行，女性基金经理的持股组合与市场组合的接近度更高。因此，她们具有更低的风险承担水平，女性基金经理在决策过程中对于私有信息的依赖程度更低，而对于公共信息的依赖程度更高，对私有信息和公共信息依赖的性别差异受到决策情形(调仓、建仓和平仓)和市场行情(牛市和熊市)的影响。以上研究说明性别对基金经理的投资行为会产生影响，由于基金经理群体中女性较少，女性之间因此更易建立连接并依赖这种连接，所以女性基金经理的社会关系对其投资行为的影响更大。因此，本文根据基金经理性别将样本分为两组(基金经理为女性的Female取1，否则取0)，采用交乘方式对主效应模型进行回归，结果如表6所示：基金经理人脉广度与基金经理性别交乘项ScenD*Female对基金持股关联性HcenD的回归系数为26.43%，在1%的显著性水平下显著为正；基金经理地位关键性与基金经理性别交乘项ScenB*Female对基金持股关联性HcenD的回归系数为155.49%，在10%的显著性水平下显著为正；基金经理人脉深度与基金经理性别交乘项ScenC*Female对基金持股关联性HcenD的回归系数为29.89%，在1%的显著性水平下显著为正，说明相较于男性基金经理，女性基金经理投资行为受到社会关系的影响更大。

表6 基金经理性别调节效应检验结果

(五)中介检验

前面的实证结果显示基金经理的社会关系影响其投资行为，表现为基金经理在社会关系网络中的影响力正向影响其管理基金在持股网络中的持股关联性，这种影响还会因基金公司办公地、基金经理性别而存在差异，接下来本文考察这种影响的作用机制是否是因放大基金经理的持股偏好而产生。

1.大流通市值股票

基金经理作为专业投资者受托管理巨额资金，这决定其投资行为不可能像中小投资者一样具有高度的灵活性。因此基金经理关注的投资标的更可能集中在流通市值较大的股票上，这类股票的信息在基金经理社会关系网络中流动的频率更高，被基金经理用来指导投资决策行为的概率更高。所以当基金经理在社会关系网络中具有重大的影响力时，一方面大流通市值股票信息流经该基金经理具有更高的频率，基金经理受到影响的概率更高，另一方面大流通市值股票信息通过其扩散产生更大的影响力，进而影响其他基金经理的投资行为。基金经理虽然因管理规模天然偏好大流通市值个股，但受社会关系网络的影响这种偏好被放大，最后呈现为在社会关系网络中越有影响力的基金经理，其越偏好持仓大流通市值股票，其他基金经理的追随模仿在这类股票上更易实施，从而使有影响力的基金经理所管理基金和其他基金在持仓上表现出更高的关联性。为验证以上推断，本文构建基金持仓股票的加权流通总市值Size，具体步骤为：第一步，提取基金十大重仓股持仓股票的流通A股总市值数据；第二步，按每季度持仓个股市值占基金十大重仓股股票组合市值比例加权计算股票组合的流通A股总市值；第三步，将加权归集到基金层面的流通A股总市值折算为万元并取对数设定为变量Size。将Size作为中介变量对主效应模型进行回归，结果如表7所示。实证结果显示在基金经理社会关系网络中人脉越广、地位越关键、人脉越深厚的基金经理的确越偏好持有大流通市值股票，因而和其他基金经理在持股上产生持股关联性，这种持股偏好产生的中介效应虽为部分中介，但观察其系数值发现这种中介影响超过50%，说明基金经理的社会关系的确通过放大基金经理的持股偏好从而导致其管理基金和其他基金在持股上产生关联性。

表7 大流通市值股票中介检验结果

2.共同持仓低股价波动率股票

Pástor等(2020)[43]研究发现，基金经理因为管理的资金规模大，因此倾向投资股价稳定、波动率较低的股票。本文认为，基金经理这种内生于管理规模特征的偏好会因基金经理的社会关系而放大。与前述对大流通市值股票的偏好类似，基金经理因为管理规模特征不能像中小投资者一样灵活交易，为了保证自身交易行为的顺畅，其投资标的主要关注那些即使发生巨额交易股价也能保持相对稳定的个股，这使基金经理社会关系网络中流动这类股票投资信息的频率更高，基金经理据此进行交易的概率更高。当基金经理在社会关系网络中具有更大影响力时，一方面其自身受这类投资信息冲击的频率更高，因此投资行为受到影响的概率更高，另一方面低股价波动率股票的投资信息会因其在社会关系网络中的影响力而流向其他基金经理，影响其他基金经理的投资行为。虽然基金经理因管理资金规模大天然偏好股价波动率较低的股票[43]，但基金经理的社会关系网络会放大这种偏好，这类股票又能承载其他基金经理的跟进模仿，最终使在社会关系网络中有影响力的基金经理，其管理基金和其他基金呈现出更高的持股关联性。为了验证这一推断，本文构建低股价波动率股票Low_Vol，具体步骤为：第一步，将样本基金十大重仓股中持有的所有A股按过去两年的月收益率数据计算股价波动率，将股价波动率最小的前30%上市公司定义为低股价波动率股票；第二步，识别基金该季度十大重仓股中是否有第一步定义的低股价波动率股票，如果有则基金在该季度的Low_Vol取1，否则取0。将Low_Vol作为中介变量对主效应模型进行回归，结果如表8所示。实证结果显示在社会关系网络中人脉越广、地位越关键、人脉越深厚的基金经理的确越偏好持有低股价波动率股票，因而和其他基金经理在持股上产生持股关联性，这种持股偏好产生的中介效应为部分中介，中介效果较前述的大流通市值个股偏好的中介效果要弱。

(六)稳健性检验(7)稳健性检验的实证结果受文章篇幅限制予以精简，读者感兴趣可通过邮箱(luoyi@smail.nju.edu.cn)联系作者。

为检验本文主要研究结论的稳健性，本文做了以下四类稳健性检验：(1)针对反向因果和遗漏变量产生的内生性问题，分别通过使自变量滞后一期、自变量和控制变量同时滞后一期、PSM样本匹配三种方式对主效应模型重新进行回归，实证结果显示H1、H2、H3依然成立；(2)鉴于本文的样本期为2014第一季度到2019年第四季度，而中国股市在2006年第一季度到2008年第四季度、2014第三季度到2016年第一季度发生大幅涨跌，基金投资者在此期间非理性，上涨时的狂热申购与下跌时的恐慌性赎回会干扰基金经理的正常投资行为，从而影响本文研究结论的稳健性，因此本文剔除这两段股市震荡期的样本，对剩余样本按主效应模型重新回归，实证结果显示H1、H2、H3依然成立；(3)由于样本中有49.00%的基金由团队管理，主效应模型回归的明细样本中会出现一支基金对应多位基金经理的情况，从而影响本文研究结论的稳健性，对此本文进行如下处理：如果一支基金由基金经理团队管理，该基金对应基金经理的社会关系网络指标ScenD、ScenB、ScenC取团队中所有基金经理的最大值，取最大值后剔除因团队管理导致的重复样本，对剩余样本按主效应模型重新回归，实证结果显示H1、H2、H3依然成立；(4)为进一步应对本研究存在的内生性问题，本文聚焦同一基金由一位基金经理独自管理且发生基金经理变更的情境，通过考察基金经理变更引起的社会关系网络位置变化与基金持股网络持股关联性变化之间的关系，发现基金经理发生变更产生的社会关系网络位置变化会导致基金持股网络中持股关联性的同向变化，这在基金经理人脉广度、地位关键性的变化传导上表现得尤其突出，本文的H1、H2、H3依然成立。

表8 低股价波动率股票中介检验结果

五、结论与启示

本文基于中国A股市场2004年第一季度至2019年第四季度主动型开放式股票型、混合型(偏股、平衡、灵活配置)基金的66 274个季度-基金-基金经理样本，利用社会网络分析法考察样本基金经理校友、同事、姓氏社会关系对所管理基金持股行为的影响。研究发现：第一，基金经理在社会关系网络中人脉越广，所管理基金在持股网络中和其他基金的持股关联性越高；第二，基金经理在社会关系网络中地位越关键，所管理基金在持股网络中和其他基金的持股关联性越高；第三，基金经理在社会关系网络中人脉越深厚，所管理基金在持股网络中和其他基金的持股关联性越高。这说明基金经理的社会关系网络影响了所管理基金的持股网络。本文进一步研究发现，当基金经理就职基金公司办公地位于非政治或金融中心(既不在北京、也不在上海)、基金经理为女性时，这种影响更强。机制检验表明，在社会关系网络中有影响力的基金经理更倾向持仓流通市值大、股价波动率低的股票，其他基金经理的跟进模仿在这类股票上更易实施，因此使这类基金经理所管理基金在持股网络中和其他基金的持股关联性更高。本文的主要研究结论在一系列稳健性检验后依然成立。

本文的研究发现具有以下两点政策启示：第一是尽快利用新技术建立基金经理社会关系网络的动态图谱以辅助监管。目前交易所的大数据智能监控平台主要是从账户交易行为出发进行监管预警，如果能够结合交易者的社会关系背景信息来识别基金经理的交易行为，可能有助于提升监管的准确性和拓宽线索的获得渠道；第二是分级完善市场参与者背景信息登记以提升监管效率。本文研究发现基金经理的投资行为会受到自身社会关系的影响，受资料所限本文只关注了基金经理的校友、同事、姓氏社会关系，现实中基金经理的社会关系不仅限于此，因此根据参与者属性制定不同的背景信息登记制度(8)例如,从法律角度要求互联网企业定期提交基金经理在社交媒体的好友信息。，并定期更新评估其社会关系网络变迁产生的潜在市场影响十分必要，这有助于监管机构快速找出在市场中具有重要影响的参与者，不仅能提升监管效率，而且引导和培育这类参与者恪守职业道德能产生更强的示范效应，有助于推动资本市场实现高质量发展。