基金抱团交易的信息网络与股价尾部风险

邓鸣茂 阳久祥 梅 春

一、引言

机构投资者通常拥有相似的决策框架、考核机制、信息渠道、行为模式，导致A股在2007年以后出现过4次非常著名的抱团现象①2019年7月4日招商证券研究报告《“抱团”启示录：那些年我们一起抱过的团》。。2021年1月6日华宝证券研究团队发布研究报告《机构抱团股次年表现如何？》指出，2020年机构抱团交易行为更加明显，机构抱团股相对于万德全A胜率均高于非机构抱团股，平均胜率为42%，在次年机构抱团股业绩具有一定的延续性，并未出现明显的反转暴跌现象。2020年12月27日，中信证券研究所发布《警惕机构抱团瓦解，布局高性价比品种》，指出投机性抱团股票未来将大概率瓦解，引发市场高度关注，发布当天部分机构重仓股直接遭遇跌停。那么以证券投资基金为代表的机构投资者抱团交易是否加剧股价波动的风险？

金融市场的信息共享、投资者之间的相互观察并交流信息以及机构投资者的利益趋同会影响投资者的偏好与交易行为。Pareek（2012）、Blocher（2016）认为机构投资者之间的信息交流会形成特定的社会关系网络。国内学者肖欣荣等（2012）认为机构投资者之间的信息交流网络会对基金经理的交易行为产生重要影响。另外，郭晓冬等（2018）、郭白滢和李瑾（2019）、吴晓晖等（2019）的研究发现机构投资者的信息网络特征会影响股价崩盘风险。然而，陈新春等（2017）认为股价崩盘风险通常与流动性紧缺相关，资产价格的尾部风险要比股价崩盘风险更为普遍，基金重仓持股网络的网络密度会加剧股价极端尾部风险。田正磊等（2019）的研究同样发现，同一重仓持股网络的基金之间调仓行为更为一致，在市场极端下跌时，呈现出集体踩踏的特征，会影响个股的系统性尾部风险。尾部风险会对金融体系的流动性、资产定价、信息传导和投融资功能等产生巨大破坏，已成为学界、业界和监管层共同关注的焦点。

密切的信息网络将导致机构投资者群体无论在买入或卖出个股以及时机选择方面都有着较高的相似性，极易催生抱团交易行为。股票信息网络是所有重仓持有该股票的基金信息网络的集合，其中网络密度反映了信息传递的效率，网络密度值越大，表明信息流动速度越快，同时其价格变化也就越快；特征向量中心度不仅考虑了基金链接的数量，还对基金的中心度加权求和，要比中心度指标能更好地衡量个体在信息网络中的位置。特征向量中心度越高，与其所在网络边缘个体的链接就越强。本文借鉴信息网络结构这种微观机制，以2010—2020年公募基金持股数据为样本，首先建立以重仓股票为链接的基金信息网络；其次，在Pareek（2012）的研究基础上，应用Louvain算法①Louvain算法由Blondel et al．（2008）开发，是基于模块度的社区发现算法，其优化目标是最大化整个社区网络的模块度。，从基金信息网络中近似提取出基金抱团交易团体，构建基金抱团交易持股指标、信息网络的网络密度以及特征向量中心度；然后实证检验基金抱团持股比例对股价尾部风险的影响；最后，进一步从基金信息网络的网络密度（信息传递的效率）与特征向量中心度（抱团股票所处信息网络中的位置）来研究内在的影响机制。

本文的研究不仅为信息网络与机构投资者行为的交叉研究提供理论基础，还对丰富投资交易策略、加强机构投资者抱团行为和市场风险的监管有重要意义。具体体现在以下四个方面：（1）本文基于交互行为的视角，构建基金抱团的信息网络模型，拓展了对机构投资者信息网络的相关研究，为信息网络与机构投资者投资行为的交叉研究提供理论基础；（2）本文在陈新春等（2017）、田正磊等（2019）检验基金信息网络结构特征对股价尾部风险影响的基础上，利用信息网络提取出基金抱团团体，检验基金抱团交易行为对股价尾部风险的影响，并进一步从信息传递效率、机构持股稳定性以及抱团交易股票所处信息网络的位置三个角度探讨了内在的影响机制，丰富了信息网络对机构投资者交易行为影响的相关文献；（3）在微观层面，为2020年以来机构投资者报团取暖、股价两极分化的现象，提供合理的解释和依据，可以根据此现象，形成“盯机构”的投资交易策略；（4）在宏观层面，本文的研究结论能够为监管层如何精准地监管机构投资者抱团交易行为，防止出现极端尾部风险，提供现实依据。

二、文献回顾与研究假说

信息通常分为公共信息和私有信息，公共信息一般指所有投资交易者都能自由获取的信息，而私有信息既包括来自投资者主观信息，又包括来自投资者社会关系网络中的信息。Banshee and Goodman（2007）、Cohen．et al．（2008）的研究认为私有信息会影响基金经理的持仓交易行为。在金融大数据和网络爬虫技术日趋成熟的背景下，信息的传播速度和扩散力度发生了根本的转变，机构投资者的信息网络可能不再集中于邻近的地域（Hong et al．，2005；Pool et al．，2015；陆煊，2014）、相似的教育背景和校友关系（Cohen et al．，2008；申宇等，2015）以及基金家族共同持股（陆蓉和刘亚琴，2009；屈源育和吴卫星，2014；李科等，2015），原来的私有信息可能演变为基金经理间共享的私有信息。机构投资者通过股票信息网络中交流互动、彼此推测并结合自己的心理偏好与理性判断来影响投资决策行为，最终影响市场价格及波动（Hong et al．，2005；Ozsoylev et al．，2014；Stein，2008；Cohen et al．，2008；Pareek，2012；Blocher，2016）。

基金抱团交易的信息网络是否会影响股价的尾部风险呢？基金网络团体成员之间的信息交流与合作会降低基金网络团体成员之间信息竞争的激烈程度，阻碍团体成员的私有信息融入股价，进而加剧股价尾部风险。基金之间的信息共享机制极易导致黑天鹅事件。基金持股的信息网络密度不仅与股价总体和特质风险正相关，还会显著增加股票极端上涨和下跌的概率，尤其加剧股价极端下跌的风险（陈新春等，2019）。王典和薛宏刚（2018）发现机构投资者网络密度会促进私有信息传播，利用私有信息的套利行为更为活跃，导致公司特质风险上升。田正磊等（2019）的研究同样发现，同一重仓持股网络的基金之间买入和卖出行为更为一致。在市场极端下跌时，受到特定网络结构特征的影响，极易导致集体踩踏的现象，从而加剧股价系统性尾部风险。吴晓晖等（2019）、郭晓冬等（2018）发现机构投资者抱团交易的信息网络，阻碍团体成员的私有信息融入股价，增大公司负面信息被隐藏和集聚的可能性和程度，最后集中释放，从而加剧股价崩盘风险。蒋松和钱燕（2021）认为机构投资者抱团行为，降低了股票的流动性，从而加剧公司股价的波动。基于以上分析，本文提出假说1a。

假说1a：基金抱团交易持股比例越高，股价未来的尾部风险越大。

另一方面，基金网络成员之间通过交流共享私有信息，促进了私有信息融入股价。Crane et al．（2019）的研究认为，基金抱团交易会促进团体成员之间彼此共享各自所掌握的私有信息，降低信息搜集成本，增强他们的信息优势，能够更好地发挥监督的公司治理效应，抑制管理层隐藏坏消息的行为，从而提高公司的信息透明度。王典和薛宏刚（2018）也认为较高的网络密度在加快信息流动的同时抑制噪声交易，间接降低公司特质风险。郭白滢和李瑾（2019）认为，机构投资者信息网络会促进信息共享，提升公司的信息透明度，从而降低股价崩盘风险。基于以上分析，本文提出竞争性假说1b。

假说1b：基金抱团交易持股比例越高，股价未来的尾部风险越小。

基金抱团交易的信息网络如何影响股价的尾部风险呢？基金信息网络的网络密度越大意味着网络内各节点之间的连通性越好，网络信息的交流和传递速度越快，信息传递的效率越高。陈新春等（2019）认为，基金持股之间的信息网络密度越大，信息传递的效率越高，股票极端下跌和极端上涨的概率就越大。郭白滢和李瑾（2019）发现，机构投资者信息网络的网络密度与股价崩盘风险之间呈现负相关关系，即信息传递的效率越高，股价崩盘的风险程度越弱。田正磊等（2019）认为信息网络密度越高，信息传递的效率越快，能够降低个股的尾部系统风险。Crane et al．（2019）、吴晓晖等（2019）的研究表明，基金“同进同退”的抱团行为降低了机构投资者个体“退出威胁”的治理效应，阻碍团体成员的私有信息融入股价，会增大公司负面信息被隐藏、累积、集中释放的可能性，从而降低信息传递的效率。基于以上分析，本文提出假说2。

假说2：基金抱团交易会降低信息传递的效率，从而加剧尾部风险。

机构投资者网络团体成员之间的合作，可以提高机构投资者团体“集体发声”的治理效应（Crane et al．，2019）。然而，Jiang and Kim（2015）、Firth et al．（2016）、Lin and Fu（2017）的研究发现，中国上市公司股权集中度较高，大股东持股比例大，单个机构投资者持股比例较低。机构投资者主要通过“退出威胁”和“用脚投票”的方式发挥公司治理作用，往往是短线买卖的投机者，持股时间较短，导致持股的稳定性降低。Scharfstein and Stein（1990）基于委托代理理论，从追求声誉机制、报酬激励机制的角度探讨了基金的集中持股行为，平庸的基金经理会跟随聪明的基金经理做出一致的投资行为，存在盯人策略（徐龙炳和张大方，2017）。Callen and Fang（2013）、An and Zhang（2013）的研究发现，稳定的机构投资者注重公司长远业绩，积极参与长期公司治理，而以交易为目的的机构投资者则是短线买卖的投机者，导致持股稳定性降低。孔东明和王江元（2016）的研究却发现稳定型机构投资者的信息竞争与股价崩盘风险之间的正向关系更显著，更容易导致股价崩盘风险。Deng，X et al．（2018）发现，机构投资者的集中持股，会加剧羊群效应，从而导致股价崩盘风险。向诚和冯丽璇（2022）发现，基金因盲目“跟风”持有热点个股而抱团交易。此外，申宇等（2015）认为校友关系网络在好消息面前有福同享，但在坏消息面前却各自保守信息，说明小团体或者小圈子极不稳定。基金“同进同退”的抱团交易行为，会影响他们持有股票的稳定性。基于以上分析，本文提出假说3。

假说3：基金抱团交易会降低持股稳定性，从而加剧尾部风险。

另外，基金抱团交易信息网络中的位置有优劣，处于中心位置的个体具有更大的权力、影响力和资源信息。在利益驱动下，基金抱团交易网络中的位置优势与差异，会影响被抱团股票的尾部风险。郭白滢和李瑾（2019）、强皓凡（2022）的研究发现，信息网络中的位置会影响股价崩盘风险。网络位置优势最强的机构投资者利用网络过滤坏消息或传递噪音等方式隐藏公司坏消息，影响其他机构投资者的信息竞争，阻碍公司特有信息融入股价（郭晓冬等，2018）。基于以上分析，本文提出假说4。

假说4：越是接近抱团交易网络中心位置的股票，抱团交易持股比例对股价尾部风险的影响越剧烈。

三、研究设计

（一）样本选择及数据来源

本文选取2010—2020年中国A股上市公司为研究样本①本文以机构投资者抱团交易为研究背景，借鉴国泰君安证券2021年12月3日的研究报告《公募基金经理抱团行为研究——基金配置研究系列之三》，选择2010年作为起始研究样本。。选取我国开放式基金中的股票型、偏股型混合以及平衡混合型基金，数据来源于万德（Wind）。股票的收益率数据以及其他财务相关控制变量数据来源于国泰安（CSMAR）研究数据库。本文在构建相关变量后，对样本进一步处理：（1）剔除金融类以及ST类公司样本；（2）对连续变量进行上下1%的Winsorize缩尾处理以避免极端异常值对研究结果的影响；（3）剔除相关变量缺失的观测值，最后得到14621个样本。

（二）基金交易信息网络的构建

田正磊等（2019）、罗荣华等（2020）认为，机构投资者信息网络的构建大致分为三类：基于投资者社会属性（教育背景、工作背景等）、基于投资者的所处的地理位置、基于投资标的来构建。但是，大数据时代，信息传播速度和扩散力度发生了根本的转变，机构投资者的信息网络可能不再集中于邻近的地域和投资者的社会属性背景。Pareek（2012）、陆艺升等（2022）认为，基于基金重仓股构建的信息网络更能够体现信息交流的内涵，并且基金重仓持仓数据方便易得。因此，本文利用投资标的来构建基金交易的信息网络，进而探讨基金的信息网络对股价尾部风险的影响。

基金持股关系在在不同时间节点上会发生变化且具体数据每季度公布，因此借鉴Pareek（2012）、肖欣荣等（2012）的方法，本文主要根据基金持股数据，每季度构建一张基金交易的信息网络。首先，筛选持股市值占基金资产净值5%以上的股票作为重仓股；然后，根据基金重仓持股信息构建该季度基金持股的二维矩阵Nm×n，表示m只基金持有n只股票，若基金持有某只股票，则矩阵中元素为1，否则取值为0；最后，通过Pajek软件将得到的二维持股矩阵经映射转化得到基金的一维邻接矩阵Mm×m，若两只基金同时持有同一只重仓股，则认为这两只基金在信息网络中彼此关联，取值为1，否则取值为0，此m行m列邻接矩阵即为某季度基金交易的信息网络。

图1左图是根据基金2020年第1季度季报得出的博时文体娱乐基金（002424）的信息网络，博时文体娱乐基金重仓持有8只股票，其中股票三七互娱（002555．SZ）同时还被其他37只基金重仓持有。某一只股票被两只基金分别重仓持有，同时这两只基金又有自己的信息网络，该股票的信息网络为所有基金投资者信息网络的集合。图1右图是根据基金2020年第1季度季报得出的南极电商（002127．SZ）股票的信息网络，由直接重仓持有南极电商的基金以及各基金的信息网络构成（图中外层圆圈），具体包括汇添富成长焦点混合（519068）、汇添富蓝筹稳健混合（519066）、华夏成长混合（000001）、华宝宝康消费品（240001）、华宝事件驱动混合A（001118）、南方品质优选混合A（002851）、汇添富外延增长主题股票A（000925）、南方天元新产业股票（160133）、南方隆元产业主题混合（202007）、广发制造业精选混合A（270028）等十只基金（图中圆点）。

图1 基金的信息网络与股票的信息网络

（三）研究变量的选择

1．尾部风险。借鉴Atilgan et al．（2020）、陈守东等（2007）方法，尾部风险Tailriskit表示股票i在t期的尾部风险，用在险价值（Value at Risk，VaR）和期望损失（Expected Shortfall，ES）度量，并进一步分为左尾风险与右尾风险。计算左尾风险时，股票对数日收益率左侧分布的基础上取绝对值，用VaR5i，t，ES5i，t度量，数值越大，表示极端下跌风险越大；右尾风险则用右侧分布的原值进行测算，用VaR95i，t，ES95i，t来度量，数值越大，表示极端上涨风险越大。

2．股票的基金抱团交易指标。已有研究表明，高度聚集的团体支持合作（Assenza et al．，2008；Marcoux and Lusseau，2013）。基金交易的信息网络规模较大，复杂程度较高，无法准确地识别出抱团交易团体。娄清青等（2020）认为，基金信息网络中行为者交流信息的范围越广，形成小团体的可能性越大。聚类系数可以反映信息网络中行为者的聚集程度，聚集程度越高，聚类系数越大。Blondel et al．（2008）开发的Louvain算法是针对网络节点聚类的方法之一。社区内节点的连接边数与随机情况下的边数之差，来度量链接的紧密程度，根据链接的紧密程度对基金进行分组，同一组内基金之间连接的紧密程度高于与组外的其他基金之间的链接，自动将某个机构投资者分配到特定的团体中，进行优化整个信息网络的模块度，进一步从基金信息网络中近似估计提取出团体。本文借鉴Crane et al．（2019）、吴晓晖等（2019）的研究，利用Pajek软件中的Louvain算法提取出股票的基金抱团交易团体后，根据式（1）计算股票的基金抱团交易持股比例Cliqueshareit。

其中，λijt表示基金j在t季度持有股票i的股份占股票i流通股的比例，Cliquefundt是虚拟变量，如果基金j属于任意某个基金抱团团体的成员，则取值为1，否则取值为0；另外计算基金抱团团体中每个成员持股比例的平方之和，即基金抱团持股比例的赫芬达尔指数，用CliqueHit表示。基金抱团团体成员中持股比例最大成员的持股比例，用CliqueTopit表示，来度量基金抱团持股的集中度。

3．控制变量。借鉴陈新春等（2017）、吴晓晖等（2019）的研究，设定了影响股价尾部风险的系列控制变量，在回归中还控制了季度和行业固定效应。各变量的具体定义如表1所示。

表1 各变量定义

（四）研究模型

为检验假说1～4，本文建立回归方程如式（2）所示。首先检验基金抱团交易持股比例是否对股价尾部风险产生影响，然后进一步检验内在的影响机制。

其中Tailriskit是被解释变量，表示股票i在t期的尾部风险，左尾风险用VaR5i，t，ES5i，t度量，右尾风险用VaR95i，t，ES95i，t度量；Cliqueshareit、CliqueHit、CliqueTopit是核心解释变量，分别为基金抱团交易持股比例、基金抱团持股比例的赫芬达尔指数、基金抱团持股的集中度；Control是控制变量集；Industry＿FE为行业固定效应；Yearq＿FE为年份季度固定效应；β为回归系数；ε为随机扰动项。

四、实证结果分析

（一）变量的描述性统计

以2010—2020年公募基金持股数据和上市公司数据为对象进行变量的描述性统计和相关性分析①由于篇幅限制，变量的描述性统计和相关性分析表格，读者若有需要，可向作者索取。可知，股价左尾风险VaR5i，t、ES5i，t的均值分别为4．721%、5．706%，右尾风险VaR95i，t，ES95i的均值分别为4．606%、5．82%。从基金抱团交易持股比例Cliquesharei，t－1来看，团体整体持股占流通股比例的均值为2．4%，最大值为32．2%基金抱团交易持股比例Cliqueshareit－1、基金抱团交易持股比例的赫芬达指数CliqueHit－1、最大团体持股比例CliqueTopit－1都与股价尾部风险指标显著正相关。

（二）基金抱团交易对股价尾部风险的回归结果分析

基金抱团交易的持股比例对股价尾部风险影响的回归分析，其结果如表2所示。根据表2可见，调整R2分别达到0．616、0．547、0．481、0．443，表明回归模型的拟合程度较高。根据回归结果，抱团交易的持股比例对股价左尾（下跌）与右尾（上涨）风险的回归系数在1%的显著性水平下都显著为正，假说1a得以验证，即基金抱团交易持股比例越高，股价未来的尾部风险越大。回归结果表明基金抱团交易的持股比例越大，股价未来的暴涨暴跌风险会越高，基金抱团交易会加剧股价尾部风险。

表2 基金抱团交易持股比例对股价尾部风险的回归结果

（三）排除内生性问题

基金抱团交易持股比例与股价尾部风险之间可能存在潜在内生关系，主要原因有以下两点。第一是不可观测的异质性，表现为不可观测的公司特定因素可能会同时影响基金抱团交易持股和股价尾部风险，比如某个公司可能处于市场热点，或者某个利好政策导致基金抱团交易和股价极端波动，本文在回归分析中考虑了公司个体固定效应，以减轻非时变不可观测的异质性问题，其结果如表3所示。根据表3可见，Cliquesharei，t－1的回归系数为正，且在1%水平下显著，表明在控制了不可观测的非时变因素的情况下，基金抱团交易持股比例对股价左尾（下跌）与右尾（上涨）风险的影响依然显著为正。

表3 基金抱团交易持股比例对股价尾部风险的回归结果（考虑公司个体固定效应）

第二是基金抱团交易持股比例与股价尾部风险的正相关关系也可能是由高基金抱团交易持股比例公司与低基金抱团交易持股比例公司之间的系统性差异所引起，比如，高基金抱团交易持股比例公司的某些特征能够提高股价尾部风险。为此，本文构造倾向得分匹配样本进行估计，以减轻变量系统性偏差导致的内生性问题。具体地，首先估计第一阶段的Logistic模型，以预测公司属于高基金抱团交易持股比例公司的概率。其中，被解释变量HighCliqueshare是一个虚拟变量，当Cliqueshare在某季度大于行业第一四分位数时，取值为1，否则为0，控制变量是等式（2）中所有的控制变量。第一阶段回归得到HighCliqueshare的拟合值是公司属于高基金抱团交易持股比例公司的概率值，即倾向得分值。下一步，基于倾向得分在高基金抱团交易持股比例公司和低高基金抱团交易持股比例公司之间进行1对1无放回最邻近匹配。通过倾向得分匹配，能够在第二阶段模型中设计出一个拟随机样本，此时公司股价尾部风险的差异是由基金抱团交易持股比例引起，而不是由公司特征等变量引起。第二阶段模型的回归结果如表4所示，Cliquesharei，t－1的回归系数均为正，且在1%水平下显著，表明在控制了公司之间系统性偏差导致的内生性问题的情况下，基金抱团交易持股比例对股价左尾（下跌）与右尾（上涨）风险的影响依然显著为正。

表4 基金抱团交易持股比例对股价尾部风险的回归结果（基于倾向得分匹配方法）

（四）稳健性检验

1．更换解释变量与被解释变量。在研究设计过程中，股价尾部风险不仅选择了在险价值指标VaR，而且考虑了期望损失指标ES，研究结果具有一定的稳健性。为了更进一步的稳健性检验，借鉴吴晓晖等（2019）、孔东明和王江元（2016）的研究，采用基金抱团团体的持股集中度赫芬达指数CliqueHi，t－1与基金抱团团体中的持股比例最大团体成员的持股比例CliqueTopi，t－1作为基金报团交易持股比例的代理变量。本文更换解释变量回归结果如表5、表6所示。根据表5、表6可见，基金抱团交易对股价尾部风险的影响依然显著为正。进一步更换被解释变量，采用股价涨跌幅超过5%、7%的次数作为股价尾部风险的代理指标，回归结果如表7所示。根据表7可见，基金抱团交易对股价极端尾部风险的影响仍然显著为正。

表5 稳健性检验：更换解释变量（抱团持股的赫芬达指数CliqueHi，t－1）

表6 稳健性检验：更换解释变量（抱团团体的最大持股比例CliqueTopit－1）

表7 稳健性检验：更换被解释变量（股价大幅涨跌次数）

2．子样本检验。2015年市场的特殊交易机制如场内融资、场外配资、上市公司股权质押和强平机制等共同诱发了当年的股市暴涨暴跌，也触发了系统性流动性危机，无论是极端上涨还是极端下跌的风险值都显著高于其他年份（陈新春等，2017）。另外，在2020年，机构投资者抱团交易现象更为突出，因此本文选择2015年与2020年两个年度的研究样本，控制股票流动性指标，进一步探讨基金抱团交易的持股比例对股价尾部风险的影响，回归结果如表8、9所示。根据表8、9可见，2015年基金的抱团交易对股票极端上涨风险的影响要大于对极端下跌风险的影响。与全样本比较，对2015年的极端下跌风险的影响系数从数值上来看，并不存在显著差异，主要原因在于2015年股市极端下跌风险源于流动性紧缺导致的股价崩盘。另外，在2020年，从回归系数来看，基金的抱团交易对股价尾部风险的影响系数更高，对股价极端上涨风险的影响也要大于股价极端下跌风险。子样本检验的回归结果表明，基金抱团交易行为对股价极端尾部风险的影响显著为正的结论依然稳健。

表8 稳健性检验：子样本的回归结果（2015年四个季度样本）

表9 稳健性检验：子样本的回归结果（2020年四个季度样本）

五、影响机制分析

本文主要从信息传递效率、持股稳定性以及被抱团股票所处信息网络的位置三个角度来探讨内在的影响机制分析。

（一）信息传递效率的影响机制

借鉴Pareek（2012）与肖欣荣等（2012）的方法，构建基金重仓持股的信息网络，提取基金重仓股的网络密度。网络密度表示信息网络整体链接的疏密程度，网络密度越大，网络信息的交流和传递速度越快，信息传递的效率越高，会减缓股价波动的尾部风险。基于信息传递效率影响机制的回归分析，其结果如表10所示。根据表10可见，基金抱团持股Cliquesharei，t－1对网络密度Densityi，t－1的影响显著为负，网络密度Densityi，t－1对股价尾部风险的影响也显著为负，假说2得以验证，表明基金抱团交易会降低信息传递的效率，从而加剧股价尾部风险。

表10 信息传递效率影响机制的回归结果

（二）持股稳定性的影响机制

借鉴孔东明和王江元（2016）的方法，用近3年机构投资者季度持股比例的标准差来衡量某支股票的机构投资者持股变化，即股票的机构持股稳定性。机构投资者季度持股比例标准差越大，说明机构持股稳定性越差。稳定的机构投资者会注重公司长远业绩的提升，积极参与长期公司治理，而以交易为目的的机构投资者则是短线买卖的投机者。基于持股稳定性影响机制的回归分析，其结果如表11所示。根据表11见，基金抱团持股Cliquesharei，t－1对机构投资者季度持股比例标准差Std＿Insholdsi，t－1的影响显著为正，机构投资者季度持股比例标准差Std＿Insholdsi，t－1对股价尾部风险的影响系数也显著为正，假说3得以验证，表明基金抱团交易会降低机构投资者持股的稳定性，从而加剧股价尾部风险。

表11 持股稳定性影响机制的回归结果

（三）信息网络位置影响的调节效应

基金报团交易信息网络的特征向量中心度不仅计算出基金链接的数量，而且还对基金信息网络的中心度进行加权求和。特征向量中心度越高，与其他处在网络边缘个体的链接越强，对被抱团交易股票的影响越大。因此，本文采用特征向量中心度作为代理变量，来研究被抱团交易股票所处网络位置影响的调节效应，其结果如表12所示。据表12，特征向量中心度与基金抱团持股比例的交乘项Eigen＿Centeri，t－1*Cliquesharei，t－1对左尾（下跌）风险VaR与ES的回归系数分别为2．077和1．739，对右尾（上涨）风险VaR与ES的回归系数分别为2．317和2．652，在1%的显著性水平下都显著为正，假说4得以验证，表明越是处于信息网络中心位置的股票，基金抱团交易对股票尾部风险的影响越大。

表12 信息网络位置影响的调节效应回归结果

六、结论

本文以2010—2020年公募基金重仓持股数据为研究样本，以任意两只基金是否共同持有任意一家公司股票的市值占基金资产净值大于或等于5%建立信息链接，构建基金重仓持股交易的信息网络，利用Louvain算法从信息网络中近似提取出基金抱团交易团体，对基金抱团交易的信息网络对股价尾部风险的影响与影响机制进行实证检验，结果表明，第一，基金抱团交易的持股比例越高，股价未来的极端上涨与下跌的尾部风险就越大；第二，利用基金抱团交易的赫芬达指数、团体中最大持股比例替代基金抱团交易的持股比例，并进一步利用股票涨跌幅超过5%、7%的次数替代尾部风险指标，以及利用2015、2020年子样本回归检验，基金抱团交易加剧股价极端上涨与下跌尾部风险的结论依然稳健；第三，基金抱团交易阻碍了信息传递的效率、降低了机构投资者的持股稳定性，从而加剧股价极端上涨与下跌的尾部风险；第四，越是接近抱团交易信息网络中心位置的股票，抱团交易持股比例对股价尾部风险的影响越大。

本文基于信息网络模型，实证分析了基金抱团交易的持股比例、网络密度、特征向量中心度对股价尾部风险的影响以及内在的影响机制。本文的研究结论丰富了信息网络对机构投资者投资行为方面的相关文献，为信息网络与金融的交叉前沿研究提供理论基础；对于投资者来说，可以丰富投资策略，通过观察基金抱团交易指标，可以有效管理单只股票投资的最大回撤，也可以根据抱团现象，形成“盯机构”的投资交易策略；对于监管层来说，应对机构投资者高度抱团交易行为保持密切关注，防止出现极端尾部风险，提供现实依据。