社會網絡分析法視角下的基金經理投資行為研究

羅毅 林樹

(1.貴州財經大學會計學院，貴州 貴陽 550025；2.南京大學 商學院，江蘇 南京 210093)

一、引言與文獻綜述

截至2020年12月底，中國境內共有公募基金管理人146家，管理的公募基金資產合計19.89萬億元人民幣[注]數據來源：中國證券投資基金業協會官網(https://www.amac.org.cn/researchstatistics/datastatistics/mutualfundindustrydata/)。，公募基金經理如何管理這筆巨額財富關系到中國資本市場的健康發展。對此，研究者引入社會網絡分析法對中國公募基金經理的投資行為進行研究，目前這些研究主要從基金經理的社會關系網絡和基金持股網絡兩方面展開。在基金經理社會關系網絡方面，徐明月(2014)[1]研究發現基金經理校友聯結關系越強，基金公司間的業績相關性越高，處于網絡中心位置的基金公司，其與其他基金公司的業績相關性更強。校友關系的廣度和深度都能對基金的業績帶來正向影響[2]。王雪丁(2019)[3]研究發現中國對沖基金經理在校友社會關系網絡中占據越為關鍵的結構洞位置，與其他對沖基金產品業績聯動程度越高。操清云(2018)[4]研究發現那些人脈廣泛、與前同事交情深厚的基金經理，其管理基金的業績較好。部分研究同時考慮基金經理的校友和同事關系，發現在校友和同事社會關系網絡中中心度高的基金經理能夠取得更好的投資績效[5-7]。在基金持股網絡方面，王亞平等(2009)[8]研究發現持倉共同股票基金經理間的交流會加劇市場的同漲同跌現象。陸煊和黃俐(2014)[9]研究發現基于持股網絡的近鄰效應提升了交易活躍度，交易量和流動性均顯著增加，市場定價效率得到改善。劉京軍和蘇楚林(2016，2017)[10-11]研究發現基金網絡結構通過影響基金的資金流量給基金帶來顯著的業績增長。李維安等(2017)[12]研究發現基金網絡改善了公司治理，這為公司帶來長期價值的增加。侯偉相和于瑾(2018)[13]發現處于基金網絡核心位置的股票型基金，其投資業績較好，源于其具有良好的擇股能力。田正磊等(2019)[14]研究發現同一網絡的基金之間存在信息傳遞，使得它們的資產組合調整行為更為一致、呈現出集體踩踏的特征。許林等(2020)[15]研究發現基金經理社會網絡資源越豐富，基金凈值暴跌風險越大。吳曉暉等(2020)[16]研究發現基金的網絡中心性與信息融入股價速度、股價信息含量顯著正相關，市場趨勢對該關系具有調節效應。

以上運用社會網絡分析法聚焦中國公募基金經理的研究可能存在以下值得商榷之處。第一是研究主題。目前的研究主要關注基金業績、風險傳染、市場效率等方面，無論是基金經理社會關系網絡還是基金的持股網絡，網絡指標局限于作為自變量，沒有關注基金持股網絡的形成受到了什么因素的影響，以及基金經理的社會關系網絡是否影響了基金持股網絡的形成。第二是網絡要素。一方面，構建基金經理的社會關系網絡時，現有研究主要關注校友和同事這兩類基金經理的社會關系，沒有關注“宗族”姓氏這一具有中國特色的社會關系，也沒有通過對關系連接賦權來優化基金經理之間關系連接的親疏；另一方面，構建持股網絡時普遍借鑒Pareek(2009)[17]的研究將持倉市值占基金資產凈值5%以上的股票作為網絡連接構建基金持股網絡，沒有考慮中國公募基金行業信息披露監管規定下，選擇基金十大重倉股作為持股網絡連接可能更恰當。第三是網絡構建。一方面是研究對象不恰當，部分研究遺漏開放式混合型基金(1)中國證券投資基金業協會官網和Wind金融資訊終端顯示，截至2020年12月，中國境內共有開放式混合型基金3 195支，管理規模4.36萬億，剔除對股票市場影響較小的731支開放式偏債混合型基金后，開放式混合型基金的數量與規模均大于開放式股票型基金。，未剔除采用被動方式管理的基金；另一方面是網絡構建趨于靜態，部分研究存在樣本期短、單網時間跨度長的問題，導致網絡構建頻率低，不能動態反映基金經理跳槽、基金換倉實況。第四是方法應用。一方面是持股網絡中的部分研究空有社會網絡研究之名，實際上是采用設置啞變量的方法而不是運用社會網絡分析算法；另一方面表現為對網絡中心性指標的不恰當選擇，基金持股網絡不同于人與人之間的社會關系網絡，人與人之間存在中介關系因此需引入居間中心性來刻畫，彼此之間有親疏遠近關系因此需要引入親近中心性來刻畫，基金與基金之間的關系主要表現為共同持倉相同股票的持股關聯性，通過基金持股網絡的程度中心性或標準化后程度中心性即可刻畫，而現有應用社會網絡分析算法的持股網絡研究均使用了居間中心性和親近中心性，這兩個指標應用于持股網絡刻畫是否具有經濟意義值得商榷。

針對以上值得商榷之處，本文關注基金持股網絡的形成是否受到基金經理社會關系網絡影響這一新的研究主題。網絡要素選擇方面，在基金經理校友、同事社會關系基礎上，補充姓氏作為基金經理“宗族”社會關系網絡的連接要素，并模擬真實的基金經理社會關系親疏對網絡連接要素進行賦權優化；結合中國公募基金行業信息披露監管規定，以基金十大重倉股作為基金持股網絡的連接要素。在網絡構建時補充前人研究中遺漏的研究對象并剔除前人研究中選擇不當的研究對象；以2004年第一季度至2019年第四季度為樣本期，分別按季度構建基金經理的社會關系網絡和基金十大重倉股持股網絡，通過縮短網絡的時間跨度、增加網絡構建頻率以提升網絡的動態性。在方法應用上采用成熟的社會網絡分析算法對基金經理的社會關系網絡和持股網絡分別進行運算，選擇基金經理社會關系網絡中的標準化后程度中心性、居間中心性、親近中心性來分別刻畫基金經理在圈內的人脈廣度、地位關鍵性、人脈深度，選擇基金在持股網絡中的標準化后程度中心性來刻畫基金在持股網絡中的持股關聯性。通過以上舉措，本文研究發現基金經理的社會關系網絡影響了基金持股網絡的形成，這種影響還會因基金公司辦公地、基金經理性別而存在異質性，機制檢驗表明，這種影響表現為在基金經理圈子內有影響力的基金經理傾向于持倉流通市值大、股價波動率低的股票，而其他基金經理的追隨模仿在這類股票上更易實現，從而使其管理基金和其他基金在持股網絡中呈現高持股關聯性。本文的主結論經過一系列穩健性檢驗后依然成立。

本文的研究具有以下三方面貢獻：第一，理論方面，不僅豐富了基金持股網絡的影響因素研究，也豐富了基金經理社會關系網絡的經濟后果研究。現有研究只關注基金持股網絡引起的經濟后果，沒有關注形成基金持股網絡的影響因素，本文的研究發現對此進行了補充。此外，現有基金經理社會關系網絡的經濟后果研究主要考察投資績效等方面，沒有具體到基金經理的持股行為上，本文將該經濟后果聚焦于基金經理持倉股票所形成的持股網絡，對基金經理社會關系網絡經濟后果方面的研究也形成了補充。第二，實務方面，揭示基金經理的持股行為會受到自身社會關系的影響，為投資者選擇基金、監管機構篩查監管線索提供參考。本文研究發現，在基金經理社會關系網絡中具有影響力的基金經理，其十大重倉股持倉和其他基金的十大重倉股持倉呈現出高關聯性，因此這類基金經理的投資調整會對市場產生更大的影響，投資者可根據其投資調整進行投資決策，監管機構也應該密切注意這類基金經理的投資動向，預判可能引起的各種風險，以維護資本市場的健康有序，推動資本市場高質量發展。第三，技術方法方面，改進現有研究中存在的不足。現有研究在網絡要素、網絡構建、方法應用上存在諸多值得商榷之處，本文對此提出針對性的舉措予以優化，使本文的研究結論更可靠。

二、理論分析與研究假設

馬克思認為，“人是一切社會關系的總和”[18]，人的行為受到所處社會關系的影響。Fracassi和Tate(2012)[19]研究發現，上市公司高管傾向于任用與自己存在社會關系的董事；Bulter和Gurun(2012)[20]研究發現，基金經理和上市公司高管存在校友關系時，對上市公司高管不利提案投反對票的概率更高；分析師會對關聯基金重倉股票給予更高的推薦評級[21]。受前述研究的啟發，本文試圖厘清中國公募基金經理群體的社會關系如何影響其投資行為，具體來說，本文關注基金經理在社會關系網絡中的影響力與其在持股網絡中持股關聯性之間的關系。對此，本文利用社會網絡分析法分別構建基金經理的社會關系網絡和所管理基金的持股網絡，為全面考察基金經理在社會關系網絡中的影響力，本文將基金經理在社會關系網絡中的影響力區分為三種類型：人脈廣度、地位關鍵性、人脈深度，分別從三種影響力角度考察其與持股關聯性的關系，具體如圖1所示。

圖1 研究假設示意圖

人脈廣度刻畫基金經理在社會關系網絡中因校友、同事、姓氏關系而與其他基金經理產生直接聯系的廣泛程度，這種聯系越廣泛，基金經理在社會關系網絡中的影響力越大，那么，這種影響力會帶來什么樣的經濟后果呢？從校友關系出發，Cohen等(2008)[22]發現基金經理傾向于持倉與上市公司董事會成員具有校友關系的股票；徐明月(2014)[1]發現基金公司間基金經理校友的聯結關系越強，基金公司間的業績相關性越高，處于網絡中心位置的基金公司，其與其他基金公司的業績相關性更強；申宇等(2015)[2]發現校友關系的廣度能對基金業績帶來正向影響；Hong和Xu(2019)[23]發現贏得優勝業績的基金經理在持倉公司總部所在地有更多的大學校友。從同事關系出發，操清云(2018)[4]研究發現人脈越廣泛的基金經理，其管理基金的業績越好。以上研究表明基金經理在社會關系網絡中的直接連接對象和連接數量會影響其持股傾向并為基金帶來優勝業績，但這些研究沒有關注這一經濟后果如何產生。本文嘗試通過信息優勢來解釋這一經濟后果的產生機制，當投資信息在基金經理的社會關系網絡中傳播時，人脈廣泛的基金經理因和其他基金經理的直接連接更多，能夠獲得更全面豐富的投資信息，其買到價值股的概率較其他基金經理更高，從而強化其影響力。與此同時，其還可能通過在社會關系網絡中的影響力誘導其他基金經理追隨模仿自己的投資決策，人為塑造其買進的股票具有上漲潛力的印象，以堅定其他基金經理的繼續追隨。無論是基金經理通過社會關系網絡能真正挖掘到價值股，還是利用在社會關系網絡中因人脈廣泛產生的影響力誘導其他基金經理為其“抬轎”，都將導致其所管理基金股票持倉和其他基金的股票持倉產生關聯，且源于人脈廣泛的影響力越大，對應的基金持股關聯性越高，所以提出本文的假設1。

H1基金經理在社會關系網絡中的人脈越廣泛，其所管理基金在持股網絡中與其他基金的持股關聯性越高。

部分基金經理可能在社會關系網絡中沒有因人脈廣泛而形成較大的影響力，卻因在社會關系網絡中扮演重要中間人角色具有關鍵地位，從而形成不遜色于廣泛人脈的影響力。例如，李維安等(2017)[12]研究發現基金經理在持股網絡中的中介中心度越高，其運用信息資源優勢對上市公司投資效率進行治理的效果就越好，從而提升公司價值贏得優勝業績；郭曉冬等(2018)[24]研究發現在持股網絡中中介中心性最強的機構投資者為了私利，會利用機構投資者網絡傳遞噪音或過濾壞消息等方式掩蓋壞消息，從而讓自己獲利；王雪丁(2019)[3]發現中國對沖基金經理在社會關系網絡中占據越為關鍵的結構洞位置，與其他對沖基金產品業績聯動程度越高；黃麗麗(2019)[6]研究發現基金經理在社會關系網絡的中介中心度越高，基金業績表現越好；Guo等(2021)[25]研究發現在持股網絡中居間中心性高的公司獲得了較低的債券融資成本。以上研究說明利用好中介角色的影響力同樣能夠帶來好的經濟后果，但以上研究依然只關注了信息在網絡中流動產生的經濟后果而忽視了該經濟后果如何產生，且部分研究基于信息在持股網絡中流動這一前提而展開相應的經濟后果研究，本文認為這一前提值得商榷。就信息流動而言，持股網絡的產生就是信息流動的經濟后果，真實的邏輯應是信息在基金經理的社會關系網絡中流動影響了基金經理的投資行為，從而影響了持股網絡的產生。在這一過程中，如果基金經理在社會關系網絡中因扮演重要中間人角色具有關鍵地位，一方面其可以利用其關鍵地位獲取到重要的投資信息，另一方面如郭曉冬等(2018)[24]所發現的那樣，通過干擾信息流動影響其他基金經理行為而為自己謀利，例如釋放假消息讓其他基金經理買進自己持倉的股票，這會使其管理基金和其他基金在持股網絡中產生持股關聯性，當基金經理在社會關系網絡中的地位越關鍵時，這種持股關聯性越高，因此提出本文的假設2。

H2基金經理在社會關系網絡中的地位越關鍵，其所管理基金在持股網絡中與其他基金的持股關聯性越高。

部分基金經理可能在社會關系網絡中既沒有廣泛的人脈，也沒有關鍵地位，其在社會關系網絡中的影響力來源于其與其他基金經理的緊密關系，本文將這種因緊密關系而形成的影響力概括為人脈深厚程度。其他領域的研究顯示，這種緊密關系帶來的影響不亞于前兩者，例如在學術圈，與重量級學者關系緊密有利于發表高質量論文[26-27]；在連鎖董事網絡中鑲嵌越緊密的公司，其股價波動和市場波動越一致[28]；IPO時與投資銀行商業關系緊密的基金公司獲得了更高的IPO配額[29]；關系緊密投資者的投資行為具有相似性[30]。與基金經理相關的研究顯示，居住在同一社區的基金經理具有相似的資產組合和交易風格，共同的種族背景會使這種效應更加顯著[31]；操清云(2018)[4]研究發現與前同事交情深厚的基金經理贏得了優勝業績；基金經理在社會關系網絡中的親密中心度越高，投資業績相對越高[6,32]。以上研究表明，無論是學者還是基金經理，與同行或合作伙伴的緊密關系能夠產生好的經濟后果，但前述針對基金經理的研究依然沒有關注該經濟后果如何產生。當投資信息在基金經理社會關系網絡中流動時，一方面在社會關系網絡中人脈深厚的基金經理能更快地獲取到投資信息并付諸行動，另一方面其可以利用人脈深厚產生的影響力影響其他基金經理的投資行為，例如讓與自己關系緊密的基金經理幫忙“抬轎”，這同樣會使得所管理基金和其他基金在持股網絡中呈現出持股關聯性，當基金經理在社會關系網絡中源于人脈深厚的影響力越大時，這種持股關聯性越高，因此提出本文的假設3。

H3基金經理在社會關系網絡中的人脈越深厚，其所管理基金在持股網絡中與其他基金的持股關聯性越高。

三、研究設計

(一)樣本數據及來源

本文選取2004年第一季度至2019年第四季度中國主動型開放式股票型基金、主動型開放式混合型基金(偏股、平衡、靈活配置)作為研究對象。基金經理社會關系網絡的姓氏、畢業院校(高等教育階段)、任職經歷數據主要來源于國泰安數據庫(CSMAR)，缺失的部分從中國研究數據服務平臺(CNRDS)進行補充。基金十大重倉股持股數據來源于國泰安數據庫(CSMAR)；對樣本基金(主動型開放式股票型、主動型開放式非偏債混合型)進行識別時，識別數據來源于Wind金融終端；樣本基金特征、基金公司特征、基金經理特征、基金十大重倉股特征數據來源于國泰安數據庫，缺失部分從中國研究數據服務平臺(CNRDS)進行補充；對原始數據進行了如下處理：(1)剔除主效應模型中變量數據存在缺失的樣本；(2)對主效應模型中的所有連續變量進行上下1%的縮尾處理。根據上述步驟，最終得到66 274個季度-基金-基金經理樣本，樣本數據的基本概況如圖2所示。2004年第一季度至2019年第四季度，樣本基金數量從36支上升為2 536支，基金經理數量從55位上升為1 605位；樣本期內被共同持股最多的是貴州茅臺，2019年第三季度共有1 066支樣本基金在十大重倉股中持有該股；樣本期內的最大姓氏圈為“王”姓，2019年第四季度共有121位基金經理姓“王”；樣本期的最大校友圈為北京大學校友圈，2019年第三季度共有115位基金經理畢業于北京大學；樣本期內最大同事圈為嘉實基金管理有限公司同事圈，2019年第四季度共有48位基金經理在嘉實基金管理有限公司有過至少一個季度的共事經歷。

圖2 樣本概況

(二)變量定義

為考察基金經理社會關系網絡影響基金持股網絡這一研究主題對應的三個研究假設，本文設計變量如表1所示。

1.因變量

由于基金與基金之間的持股聯系主要表現為因持倉相同股票產生的持股關聯性，同時為消除每季度基金十大重倉股持股網絡的規模差異，本文選擇社會網絡分析法下每季度基金十大重倉股持股網絡標準化后程度中心性來刻畫基金每季度在十大重倉股持股網絡中的持股關聯性，其計算公式如式(1)。

(1)

式(1)中，HCenDi,t為基金i在t季持股網絡中的標準化后程度中心性，X表示基金i和基金j的網絡連接(j≠i)，如果二者共同重倉n支股票(以十大重倉股為準)，則取n，否則為0，N為網絡中的節點數(基金數量)，10N-10用于消除規模差異，得到取值介于0到1之間的標準化后程度中心性，該指標按季度構建，值越大說明基金i在t季的十大重倉股持倉與網絡中其他基金的十大重倉股持倉關聯性越高。

表1 主要變量說明

i基金圖3 基金持股網絡示例圖

為直觀地理解持股關聯性指標HCenD，以圖3為例作簡單說明。圖3中每個黑點代表一支基金，如果每兩支基金在同一季度十大重倉股中共同重倉相同股票一支，則兩支基金形成一個連接(畫一條線)。圖3呈現了7支基金的持股關系網絡圖，以i基金為例，其直接連接的點為6，所以標準化后的持股關聯性HcenD=6/(10×7-10)=0.1。

2.自變量

本文對基金經理社會關系要素的選擇，既借鑒現有研究考慮基金經理的校友關系[2,22]和同事關系[4,34]，又借鑒其他領域的研究[35-37]考慮基于姓氏的“宗族”關系。此外，通過對關系連接進行賦權調整模擬基金經理社會關系在現實中的親疏程度，具體賦權調整為三方面：第一，對特定高校(2)特定高校為C9(清華大學、北京大學、浙江大學、復旦大學、上海交通大學、南京大學、中國科學技術大學、西安交通大學、哈爾濱工業大學)和“兩財一貿”(上海財經大學、中央財經大學、對外經濟貿易大學)，其中C9中的理工類高校(清華大學、上海交通大學、中國科學技術大學、西安交通大學、哈爾濱工業大學)在前一步的賦權基礎上再賦權。賦予更大的連接權重；第二，按共事單位數量對同事關系賦予更大的連接權重；第三，對“小姓”(3)每季度基金經理姓氏人數最少的后10%基金經理姓氏為小姓。賦予更大的連接權重。經過以上調整后利用社會網絡分析法按季度構建基金經理的社會關系網絡，分別選擇該網絡中每個節點的標準化后程度中心性、居間中心性、親近中心性來刻畫基金經理在社會關系網絡的人脈廣度、地位關鍵性、人脈深度，三個指標的計算公式如下

(2)

式(2)中，SCenDi,t為基金經理i在t季校友、同事、姓氏三類社會關系網絡中的標準化后程度中心性，X表示基金經理i和基金經理j的網絡連接(j≠i)，如果二者具有n次姓氏、同事、校友社會關系，則取n，否則取0，N為網絡中的節點數(基金經理人數)，max(n)N-max(n)用于消除規模差異，得到取值介于0到1之間的標準化后程度中心性，該指標按季度構建，值越大說明基金經理i在t季社會關系網絡中的人脈越廣。

(3)

(4)

式(4)中，SCenCi,t為基金經理i在t季校友、同事、姓氏三類社會關系網絡中的親近中心性，d(i,j)是網絡中節點i到節點j的最短距離(j≠i)，直觀地理解，親近中心性計算基金經理i在t季三類社會關系網絡中與其他基金經理最短距離之和的倒數，N為網絡中的節點數(基金經理人數)，N-1用于消除規模差異，得到取值介于0到1之間的親近中心性(4)無連接點之間的距離算法默認取值為網絡中的最大連接距離加1，所以孤立點的親近中心性會為網絡中的最小值。，該值越大意味著基金經理i在t季與其他基金經理在三類社會關系上的距離越近，即基金經理與其他基金經理的關系更緊密，人脈更深厚。

3.控制變量

如表1所示，借鑒申宇等(2015)[2]、侯偉相和于瑾(2018)[13]的研究對基金特征、基金經理特征、基金公司特征等進行控制，涉及的控制變量分別是基金的股票投資集中度(HHI_Stock)、管理費率(Manage_fee)、基金年齡(Fund_age)、資金凈流入(Sum_flow)、任職年限(Tenure)、基金總凈值(TNA)、基金公司總凈值(FC_TNA)、團隊管理(Team)。基金的股票投資集中度(HHI_Stock)為基金當季十大重倉股持倉占比的赫芬達爾指數；管理費率(Manage_fee)為基金當季根據季度折算后的管理費率；基金年齡(Fund_age)為按年計算的基金年齡；資金凈流入(Sum_flow)為根據Dahlquist等(2000)[33]方法計算的每個季度基金資金的凈流入(5)Sum_flow=TNAi,t-TNAi,t-1×NAVi,t/NAVi,t-1，TNAi,1為基金i在t期凈資產總額，NAVi,t為基金i在t期單位復權凈值。，最后折算為億元(6)沒有進行對數處理是因為資金凈流入在凈流出時會取負值，無法進行對數處理。；任職年限(Tenure)為基金經理在季度末管理該基金的年限；基金總凈值(TNA)為季度末基金總凈值(元)的自然對數；基金公司總凈值(FC_TNA)為季度末基金所屬基金公司旗下同類基金總凈值(元)的自然對數；團隊管理(Team)，當基金在該季度由團隊管理時取1，否則取0。

(三)研究模型

1.H1研究模型

為考察本文的H1，本文設計如下研究模型

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

(5)

在式(5)中，HCenDi,t為基金i在t季的十大重倉股持股關聯性，值越大說明基金i在t季的十大重倉股持倉與網絡中其他基金的十大重倉股持倉關聯性越高；SCenDi,t為管理基金i的基金經理在t季社會關系網絡中的人脈廣度，值越大說明t季管理基金i的基金經理在圈內的人脈越廣；借鑒申宇等(2015)[2]、侯偉相和于瑾(2018)[13]的研究對基金特征、基金經理特征、基金公司特征等進行控制。如果式(5)中β1顯著為正，說明基金經理在社會關系網絡中的人脈越廣，所管理基金十大重倉股與其他基金十大重倉股的持股關聯性越高，H1成立。

2.H2研究模型

為考察本文的H2，本文設計如下研究模型

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

(6)

在式(6)中，HCenDi,t為基金i在t季的十大重倉股持股關聯性，值越大說明基金i在t季的十大重倉股持倉與網絡中其他基金的十大重倉股持倉關聯性越高；SCenBi,t為t季管理基金i的基金經理在校友、同事、姓氏社會關系網絡中的地位關鍵性，值越大說明t季管理基金i的基金經理在圈內的地位越關鍵；借鑒申宇等(2015)[2]、侯偉相和于瑾(2018)[13]的研究對基金特征、基金經理特征、基金公司特征等進行控制。如果式(6)中β1顯著為正，說明基金經理在社會關系網絡中的地位越關鍵，所管理基金十大重倉股與其他基金十大重倉股的持股關聯性越高，H2成立。

3.H3研究模型

為考察本文的H3，本文設計如下研究模型

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

(7)

在式(7)中，HCenDi,t為基金i在i季的十大重倉股持股關聯性，值越大說明基金i在i季的十大重倉股持倉與網絡中其他基金的十大重倉股持倉關聯性越強；SCenCi,t為t季管理基金i的基金經理在校友、同事、姓氏社會關系網絡中的人脈深度，值越大說明t季管理基金i的基金經理在圈內和其他基金經理的關系越緊密，人脈越深厚；借鑒申宇等(2015)[2]、侯偉相和于瑾(2018)[13]的研究對基金特征、基金經理特征、基金公司特征等進行控制。如果式(7)中β1顯著為正，說明基金經理在社會關系網絡中的人脈越深厚，所管理基金十大重倉股與其他基金十大重倉股的持股關聯性越高，H3成立。

表2 主模型變量描述性統計分析

四、實證分析

(一)描述性統計分析

表2顯示，基金持股關聯性HCenD的均值為34.40%，中位數為30.60%，最小值為0.83%，最大值為91.90%，標準差為23.40%，說明樣本基金的持股關聯性差異較大，與標準差的數值契合，且均值34.40%大大高于中位數30.60%，說明大部分基金的持股關聯性低于均值，只有少部分基金具有較高的持股關聯性。基金經理人脈廣度SCenD的均值為6.04%，中位數為5.44%，最小值為0.53%，最大值為16.20%，標準差為3.71%，說明樣本基金經理的人脈廣度存在較大差異，且均值6.04%略大于中位數5.44%，說明超過一半的基金經理人脈廣度低于均值6.04%。基金經理地位關鍵性SCenB的均值為0.16%，中位數為0.08%，最小值為0.00%，最大值為1.56%，標準差為0.25%，說明樣本基金經理的地位關鍵性存在較大差異，且均值0.16%略大于中位數0.08%，說明超過一半的基金經理地位關鍵性低于均值0.16%。基金經理人脈深度SCenC的均值為45.20%，中位數為45.70%，最小值為32.00%，最大值為53.10%，標準差為4.54%，說明樣本基金經理的人脈深度存在較大差異，且均值45.20%略小于中位數45.70%，說明超過一半的基金經理地位人脈深度高于均值45.20%。控制變量方面，樣本基金平均持股集中度(HHI_Stock)為1.67%，季度平均管理費率(Manage_Fee)為0.34%，平均年齡(Fund_Age)為4.13年，平均資金凈流入(Sum_Flow)為-0.85億元人民幣，樣本基金經理的平均任職年限(Tenure)為1.82年，樣本基金的平均總凈值(TNA)為485 165 195.41元人民幣，樣本基金公司管理的同類樣本基金總凈值(FC_TNA)為884 028 623.85元人民幣，采用基金經理團隊(Team)進行管理的樣本基金占比為49.00%。

(二)相關性分析

表3顯示，基金持股關聯性HCenD和基金經理人脈廣度SCenD、地位關鍵性ScenB的相關性系數分別為6.10%、30.14%，均在1%的顯著性水平下顯著，H1、H2成立；基金持股關聯性HCenD和基金經理人脈深度SCenC的相關性系數為-15.95%，在1%的顯著性水平下顯著，該結果與H3相悖，原因可能在于該相關性檢驗沒有控制其他因素的潛在影響，因此更可靠的結果還需要參考后文控制其他因素后的回歸檢驗。

表4 主效應模型回歸結果

(三)主效應模型回歸分析

表4顯示，加入控制因素后，基金持股關聯性HcenD與基金經理人脈廣度ScenD、地位關鍵性ScenB、人脈深度ScenC的回歸系數分別為10.54%、229.23%、6.54%，均在1%的顯著性水平下顯著為正，H1、H2、H3成立，說明基金經理的社會關系能夠影響其投資行為，表現為基金經理在社會關系網絡中的人脈廣度上升1個基點，所管理基金在持股網絡中的持股關聯性上升10.54%個基點；基金經理在社會關系網絡中的地位關鍵性上升1個基點，所管理基金在持股網絡中的持股關聯性上升229.23%個基點；基金經理在社會關系網絡中的人脈深度上升1個基點，所管理基金在持股網絡中的持股關聯性上升6.54%個基點。

(四)調節效應檢驗

上述研究發現基金經理的社會關系會影響其投資行為，表現為基金經理在社會關系網絡中的影響力正向影響所管理基金在持股網絡中的持股關聯性，隨之本文考察上述影響是否因基金公司辦公地和基金經理性別不同而存在差異。

表5 基金公司辦公地調節效應檢驗結果

1.基金公司辦公地

Hong等(2005)[38]研究發現同城的基金經理在投資決策行為上具有高度的一致性，這可能源于同城基金經理之間存在私有信息的分享機制。部分研究將地理臨近性延伸到基金經理和上市公司高管網絡，發現基金經理傾向于持倉總部坐落在本地或有航班直航的上市公司股票，因為同城或航班直航使基金經理與上市公司高管之間更易溝通，從而對公司更加了解[39-40]。李曉梅和劉志新(2012)[41]研究發現同城基金經理在投資上的相互影響顯著大于與非同城基金經理在投資上的相互影響。因此，當基金經理就職于非政治或金融中心時，由于非政治和金融中心基金經理人數少、圈子小，彼此更易認識，相互分享投資信息，此時基金經理社會關系對投資行為的影響更強。所以本文根據基金公司辦公地址將樣本分為兩組，基金公司辦公地址位于非政治或金融中心(既不在北京、也不在上海)則Office取1，否則取0，分組后采用交乘方式對主效應模型進行回歸，結果如表5所示：基金經理人脈廣度與基金公司辦公地交乘項ScenD*Office與基金持股關聯性HcenD的回歸系數為7.55%，在5%的顯著性水平下顯著為正；基金經理地位關鍵性與基金公司辦公地交乘項ScenB*Office對基金持股關聯性HcenD的回歸系數為215.30%，在1%的顯著性水平下顯著為正，說明當基金公司辦公地位于非政治或金融中心(既不在北京、也不在上海)時，基金經理在社會關系網絡中的人脈越廣、地位越關鍵，所管理基金的股票持倉與其他基金經理的股票持股關聯性越高。

2.基金經理性別

郭白瀅和龍翠紅(2020)[42]研究發現，相比于男性同行，女性基金經理的持股組合與市場組合的接近度更高。因此，她們具有更低的風險承擔水平，女性基金經理在決策過程中對于私有信息的依賴程度更低，而對于公共信息的依賴程度更高，對私有信息和公共信息依賴的性別差異受到決策情形(調倉、建倉和平倉)和市場行情(牛市和熊市)的影響。以上研究說明性別對基金經理的投資行為會產生影響，由于基金經理群體中女性較少，女性之間因此更易建立連接并依賴這種連接，所以女性基金經理的社會關系對其投資行為的影響更大。因此，本文根據基金經理性別將樣本分為兩組(基金經理為女性的Female取1，否則取0)，采用交乘方式對主效應模型進行回歸，結果如表6所示：基金經理人脈廣度與基金經理性別交乘項ScenD*Female對基金持股關聯性HcenD的回歸系數為26.43%，在1%的顯著性水平下顯著為正；基金經理地位關鍵性與基金經理性別交乘項ScenB*Female對基金持股關聯性HcenD的回歸系數為155.49%，在10%的顯著性水平下顯著為正；基金經理人脈深度與基金經理性別交乘項ScenC*Female對基金持股關聯性HcenD的回歸系數為29.89%，在1%的顯著性水平下顯著為正，說明相較于男性基金經理，女性基金經理投資行為受到社會關系的影響更大。

表6 基金經理性別調節效應檢驗結果

(五)中介檢驗

前面的實證結果顯示基金經理的社會關系影響其投資行為，表現為基金經理在社會關系網絡中的影響力正向影響其管理基金在持股網絡中的持股關聯性，這種影響還會因基金公司辦公地、基金經理性別而存在差異，接下來本文考察這種影響的作用機制是否是因放大基金經理的持股偏好而產生。

1.大流通市值股票

基金經理作為專業投資者受托管理巨額資金，這決定其投資行為不可能像中小投資者一樣具有高度的靈活性。因此基金經理關注的投資標的更可能集中在流通市值較大的股票上，這類股票的信息在基金經理社會關系網絡中流動的頻率更高，被基金經理用來指導投資決策行為的概率更高。所以當基金經理在社會關系網絡中具有重大的影響力時，一方面大流通市值股票信息流經該基金經理具有更高的頻率，基金經理受到影響的概率更高，另一方面大流通市值股票信息通過其擴散產生更大的影響力，進而影響其他基金經理的投資行為。基金經理雖然因管理規模天然偏好大流通市值個股，但受社會關系網絡的影響這種偏好被放大，最后呈現為在社會關系網絡中越有影響力的基金經理，其越偏好持倉大流通市值股票，其他基金經理的追隨模仿在這類股票上更易實施，從而使有影響力的基金經理所管理基金和其他基金在持倉上表現出更高的關聯性。為驗證以上推斷，本文構建基金持倉股票的加權流通總市值Size，具體步驟為：第一步，提取基金十大重倉股持倉股票的流通A股總市值數據；第二步，按每季度持倉個股市值占基金十大重倉股股票組合市值比例加權計算股票組合的流通A股總市值；第三步，將加權歸集到基金層面的流通A股總市值折算為萬元并取對數設定為變量Size。將Size作為中介變量對主效應模型進行回歸，結果如表7所示。實證結果顯示在基金經理社會關系網絡中人脈越廣、地位越關鍵、人脈越深厚的基金經理的確越偏好持有大流通市值股票，因而和其他基金經理在持股上產生持股關聯性，這種持股偏好產生的中介效應雖為部分中介，但觀察其系數值發現這種中介影響超過50%，說明基金經理的社會關系的確通過放大基金經理的持股偏好從而導致其管理基金和其他基金在持股上產生關聯性。

表7 大流通市值股票中介檢驗結果

2.共同持倉低股價波動率股票

Pástor等(2020)[43]研究發現，基金經理因為管理的資金規模大，因此傾向投資股價穩定、波動率較低的股票。本文認為，基金經理這種內生于管理規模特征的偏好會因基金經理的社會關系而放大。與前述對大流通市值股票的偏好類似，基金經理因為管理規模特征不能像中小投資者一樣靈活交易，為了保證自身交易行為的順暢，其投資標的主要關注那些即使發生巨額交易股價也能保持相對穩定的個股，這使基金經理社會關系網絡中流動這類股票投資信息的頻率更高，基金經理據此進行交易的概率更高。當基金經理在社會關系網絡中具有更大影響力時，一方面其自身受這類投資信息沖擊的頻率更高，因此投資行為受到影響的概率更高，另一方面低股價波動率股票的投資信息會因其在社會關系網絡中的影響力而流向其他基金經理，影響其他基金經理的投資行為。雖然基金經理因管理資金規模大天然偏好股價波動率較低的股票[43]，但基金經理的社會關系網絡會放大這種偏好，這類股票又能承載其他基金經理的跟進模仿，最終使在社會關系網絡中有影響力的基金經理，其管理基金和其他基金呈現出更高的持股關聯性。為了驗證這一推斷，本文構建低股價波動率股票Low_Vol，具體步驟為：第一步，將樣本基金十大重倉股中持有的所有A股按過去兩年的月收益率數據計算股價波動率，將股價波動率最小的前30%上市公司定義為低股價波動率股票；第二步，識別基金該季度十大重倉股中是否有第一步定義的低股價波動率股票，如果有則基金在該季度的Low_Vol取1，否則取0。將Low_Vol作為中介變量對主效應模型進行回歸，結果如表8所示。實證結果顯示在社會關系網絡中人脈越廣、地位越關鍵、人脈越深厚的基金經理的確越偏好持有低股價波動率股票，因而和其他基金經理在持股上產生持股關聯性，這種持股偏好產生的中介效應為部分中介，中介效果較前述的大流通市值個股偏好的中介效果要弱。

(六)穩健性檢驗(7)穩健性檢驗的實證結果受文章篇幅限制予以精簡，讀者感興趣可通過郵箱(luoyi@smail.nju.edu.cn)聯系作者。

為檢驗本文主要研究結論的穩健性，本文做了以下四類穩健性檢驗：(1)針對反向因果和遺漏變量產生的內生性問題，分別通過使自變量滯后一期、自變量和控制變量同時滯后一期、PSM樣本匹配三種方式對主效應模型重新進行回歸，實證結果顯示H1、H2、H3依然成立；(2)鑒于本文的樣本期為2014第一季度到2019年第四季度，而中國股市在2006年第一季度到2008年第四季度、2014第三季度到2016年第一季度發生大幅漲跌，基金投資者在此期間非理性，上漲時的狂熱申購與下跌時的恐慌性贖回會干擾基金經理的正常投資行為，從而影響本文研究結論的穩健性，因此本文剔除這兩段股市震蕩期的樣本，對剩余樣本按主效應模型重新回歸，實證結果顯示H1、H2、H3依然成立；(3)由于樣本中有49.00%的基金由團隊管理，主效應模型回歸的明細樣本中會出現一支基金對應多位基金經理的情況，從而影響本文研究結論的穩健性，對此本文進行如下處理：如果一支基金由基金經理團隊管理，該基金對應基金經理的社會關系網絡指標ScenD、ScenB、ScenC取團隊中所有基金經理的最大值，取最大值后剔除因團隊管理導致的重復樣本，對剩余樣本按主效應模型重新回歸，實證結果顯示H1、H2、H3依然成立；(4)為進一步應對本研究存在的內生性問題，本文聚焦同一基金由一位基金經理獨自管理且發生基金經理變更的情境，通過考察基金經理變更引起的社會關系網絡位置變化與基金持股網絡持股關聯性變化之間的關系，發現基金經理發生變更產生的社會關系網絡位置變化會導致基金持股網絡中持股關聯性的同向變化，這在基金經理人脈廣度、地位關鍵性的變化傳導上表現得尤其突出，本文的H1、H2、H3依然成立。

表8 低股價波動率股票中介檢驗結果

五、結論與啟示

本文基于中國A股市場2004年第一季度至2019年第四季度主動型開放式股票型、混合型(偏股、平衡、靈活配置)基金的66 274個季度-基金-基金經理樣本，利用社會網絡分析法考察樣本基金經理校友、同事、姓氏社會關系對所管理基金持股行為的影響。研究發現：第一，基金經理在社會關系網絡中人脈越廣，所管理基金在持股網絡中和其他基金的持股關聯性越高；第二，基金經理在社會關系網絡中地位越關鍵，所管理基金在持股網絡中和其他基金的持股關聯性越高；第三，基金經理在社會關系網絡中人脈越深厚，所管理基金在持股網絡中和其他基金的持股關聯性越高。這說明基金經理的社會關系網絡影響了所管理基金的持股網絡。本文進一步研究發現，當基金經理就職基金公司辦公地位于非政治或金融中心(既不在北京、也不在上海)、基金經理為女性時，這種影響更強。機制檢驗表明，在社會關系網絡中有影響力的基金經理更傾向持倉流通市值大、股價波動率低的股票，其他基金經理的跟進模仿在這類股票上更易實施，因此使這類基金經理所管理基金在持股網絡中和其他基金的持股關聯性更高。本文的主要研究結論在一系列穩健性檢驗后依然成立。

本文的研究發現具有以下兩點政策啟示：第一是盡快利用新技術建立基金經理社會關系網絡的動態圖譜以輔助監管。目前交易所的大數據智能監控平臺主要是從賬戶交易行為出發進行監管預警，如果能夠結合交易者的社會關系背景信息來識別基金經理的交易行為，可能有助于提升監管的準確性和拓寬線索的獲得渠道；第二是分級完善市場參與者背景信息登記以提升監管效率。本文研究發現基金經理的投資行為會受到自身社會關系的影響，受資料所限本文只關注了基金經理的校友、同事、姓氏社會關系，現實中基金經理的社會關系不僅限于此，因此根據參與者屬性制定不同的背景信息登記制度(8)例如,從法律角度要求互聯網企業定期提交基金經理在社交媒體的好友信息。，并定期更新評估其社會關系網絡變遷產生的潛在市場影響十分必要，這有助于監管機構快速找出在市場中具有重要影響的參與者，不僅能提升監管效率，而且引導和培育這類參與者恪守職業道德能產生更強的示范效應，有助于推動資本市場實現高質量發展。