網絡結構對基金家族投資績效的影響研究

摘要：隨著證券投資基金規模的不斷擴大和數量的持續增加，基金家族共同持股行為引起了廣泛關注。本文以我國各證券投資基金管理公司的主動型投資基金所持有的前十大重倉股為研究對象，構建基金家族共同持股網絡，研究不加權和加權網絡結構對基金家族投資績效的影響。研究發現，無向不加權與無向加權的網絡結構對基金家族的投資績效具有顯著的正向影響，且基金家族的投資集中度削弱了網絡結構對基金家族投資績效的正向影響效果；異質性分析表明，無向不加權網絡與加權網絡的網絡結構對于大、小規模基金家族投資績效的提升作用無明顯差異，但對新、老基金家族投資績效的影響存在差異。基于上述研究結果，本文為深入理解基金家族共同持股行為及其對投資績效的影響提供了實證依據，進而為優化投資決策和提升基金管理效率提供了重要的現實指導。

關鍵詞：基金家族；網絡結構；投資績效；復雜網絡

中圖分類號：F832.5" " " " 文獻標識碼：A" " " " 文章編號：1007-0753（2024）12-0027-14

收稿日期：2024-07-11

作者簡介：譚琳娜，碩士研究生，西安工業大學經濟管理學院，研究方向為基金家族內部基金的抱團。

侯劍平，博士，教授，碩士生導師，西安工業大學經濟管理學院，研究方向為公司治理、復雜網絡、企業籌融資決策和數量經濟等。

基金項目：國家社會科學基金項目“網絡結構視角下機構投資者抱團的金融風險傳染機理及防范研究”（21BJY091）。

本文感謝匿名審稿專家的意見，文責自負。

一、引言

自證監會2001年提出“超常規發展機構投資者”以來，以公募基金、保險基金、QFII（合格境外機構投資者）等為代表的機構投資者逐漸成為我國資本市場上的中堅力量，其中公募基金是我國機構投資者的代表與核心。根據中國證券投資基金業協會統計數據，截至2024年11月，我國共有148家基金管理公司，管理公募基金產品數量達12 292只，管理資產凈值超過31.98萬億元。隨著每家基金管理公司所管理的基金數量日漸增加，基金家族（管理兩只或兩只以上基金產品的基金管理公司）逐漸興起。截至2024年11月我國共有148家基金家族，其中華夏基金管理有限公司共管理807只基金產品。

基金家族這一組織形式不僅在人力與資源的分配方面具有顯著的規模經濟效應，還可以降低投資者的信息搜索成本。此外，借助基金家族的聲譽可以提高基金投資者的信任度，有利于資金的持續流動和資本市場的發展。但基金家族也存在顯著的委托-代理問題，由于受雇于基金家族，基金管理者的投資行為與投資決策受到基金家族整體的影響，在固定費率條件下，基金經理的收入主要來源于管理費用，這使得他們的投資目標可能不是基金投資者利益最大化，而是通過擴大基金家族的資產規模以獲取更多的基金管理費用，從而實現基金經理自身利益的最大化。為了吸引更多基金投資者的投資，基金管理者可能采取各種各樣的策略。近年來，基金家族的共同持股策略引發了廣泛關注，已有相關研究主要從基金個體層面研究基金共同持股與投資業績、股票市場等方面的關系，或者從網絡位置視角研究基金的網絡位置與其投資績效之間的關系，從基金家族層面探討基金家族共同持股網絡結構與基金家族投資績效關系的研究文獻相對有限。在基金網絡關系中，聚類系數與節點距離是研究網絡結構特征的重要指標，基于此，本文通過分析2018—2023年我國基金家族的共同持股現狀，以各基金前十大重倉股數據為基礎構建基金家族持股網絡，分析基金家族網絡結構（聚類系數、節點距離）對基金家族投資績效的影響。

本文可能的貢獻如下：一是現有文獻關于基金家族內基金共同持股現象的研究，主要集中于“明星”策略、內部利益輸送等方面，較少分析其對基金家族投資績效的影響。二是現有文獻對于基金共同持股的研究大多基于基金個體層面，而本文基于基金家族這一組織層面展開分析，有助于進一步理解基金家族的投資行為。三是以往研究大多通過節點屬性（網絡位置、中心性）來研究基金共同持股網絡，而本文從網絡屬性方面度量基金家族共同持股網絡結構，用聚類系數與節點距離來進行考察，豐富了相關文獻。四是本文橫向比較了無向不加權與無向加權網絡結構對基金家族投資績效的影響，豐富了對網絡結構以及基金家族的認識，為基金管理者制定投資策略提供了實證支持和經驗參考。

二、文獻綜述

（一）基金家族內部基金共同持股的原因

關于基金家族內部基金共同持股的原因，已有研究主要有以下三種觀點：首先，從資源共享角度來看，基金家族內不同基金可以通過共享研究資源、共同參與某些投資機會等方式，實現資源的共享和優勢互補，從而形成共同持股行為。基于研究資源的有限性，處于同一基金家族的基金可能會共用同一支研究團隊與研究成果（陸蓉和李良松，2008），通過研究資源的共享以及研究人員的共同參與，基金經理們可以對每種基金投資組合的優勢和劣勢進行信息交流和互動，這增加了獨特的投資策略被傳遞給基金家族中其他基金經理的可能性（Augustiani等，2015），從而使得基金經理們更易做出相同或類似的投資決策。

其次，從激勵機制這一角度來看，管理層的報酬受基金家族整體業績的影響，基金管理公司更傾向于通過協作和共同持股的方式來提高整體業績。在我國基金行業內存在著“歷史業績—持有人行為—基金規模—管理人收入”的隱形激勵機制（肖繼輝和曹莎莎，2014），即由于固定費率制度的影響，基金經理的收入大多來自管理費收入與獎金提成，投資者根據基金的歷史業績進行投資，這種追逐業績的行為使那些表現優異的基金獲得資金流入，擴大基金規模，增加了基金經理的管理費收入。這種基金業績和資金流入之間的正反饋關系能夠對基金經理產生正向激勵，促使其為擴大基金規模而努力取得投資回報，從而使得基金管理者在一定程度上會持有相同的股票，形成基金家族內部基金共同持股現象。

最后，從信息交流這一角度來看，處于同一網絡內的基金更容易做出共同持股行為。基金管理者往往會由于處于同一城市、同一小區等相近的地域關系，校友關系以及同一基金公司的關系而有密切的信息交流，掌握豐富、準確的私人信息，從而做出與其他基金管理者相同或類似的投資決策。

（二）基金共同持股及基金投資績效

已有研究主要從單個基金層面來研究基金共同持股行為，研究主要分為兩方面：一方面是關于基金共同持股能否提高基金的投資績效。網絡中的私人信息、決策信息、公共信息等通過基金共同持股網絡渠道進行傳播，處于網絡中心位置的基金經理可以更快地獲取信息、更早地采取行動，做出比其他人更加準確有效的投資決策。楊勇（2012）認為機構投資者的網絡中心度越高，其投資績效也就越高，且富含結構洞的投資者也有助于提高投資績效。Ozsoylev等（2014）認為，在經驗信息網絡中，處于中心位置的投資者可以獲取更高的利潤，且更早地就信息事件進行交易。

另一方面是基金的共同持股行為是否會帶來巨大風險。首先，為了獲取更高的投資收益，基金管理者會與公司的管理者進行合作（Pound，1988），對公司的負面消息進行隱藏或通過內幕信息進行交易，當公司的負面信息不斷累積，到一定程度釋放出來時，會對股價造成沖擊進而導致股價崩盤。其次，基金的共同持股行為會降低信息透明度，阻礙私有信息融入股價（許年行等，2013），使得負面信息無法體現，從而提升股價崩盤風險。有觀點認為，基金共同持股行為會帶來一定的風險，但也有觀點認為，基金的共同持股行為會加強對公司的監管與治理，減少負面信息的堆積與掩蓋，從而起到穩定市場的作用。郭白瀅和李瑾（2019）認為基金之間的信息共享降低了股價崩盤的風險，提升了市場定價效率；劉笑彤等（2023）認為基金共同持股行為可以降低投資者的“非理性”沖動帶來的極端贖回風險。

（三）基金家族內基金共同持股及家族投資績效

近年來，從基金家族這一組織層面來考察基金投資行為的研究開始興起，大多數研究集中于基金家族的“造星”策略（Nanda等，2004；屈源育和吳衛星，2014）、“抬轎”策略、內部利益輸送（王華兵，2009；肖繼輝等，2012）以及“明星”基金的溢出效應等方面。少部分學者研究了基金家族內基金共同持股與投資績效的關系，陸蓉和李良松（2008）認為基金家族內基金共同持股與基金業績和風險的關系呈倒“U”型的非線性關系；李科等（2015）認為基金家族共同持股可以提升股票回報率，并且在這種情形下，即使基金缺乏擇時能力，也不會對基金業績產生影響。于瑾等（2018）認為重倉本家族重倉股與重倉外家族重倉股都會獲得收益，但重倉外家族重倉股的基金還會獲得經風險因子調整的超額收益。

三、理論分析與研究假設

社會網絡理論認為，投資者決策的外部性源于其處理或獲取昂貴信息的能力的限制（崔茹，2019）。一方面，密集的基金網絡有利于私有信息的加速傳播（董恕娜，2016），使得處于網絡內部的基金經理更快獲取準確、豐富的信息，及時調整投資組合降低決策的延遲，提高選股能力和資產配置能力（陳勝藍和李璟，2021），從而帶來顯著的業績增長。另一方面，密集的基金網絡促進了信息共享，有助于緩解信息不對稱以及彌補基金成員之間的信息缺失。基金之間緊密的信息交流能夠相互糾正自身的認知偏差（郭白瀅和李瑾，2019），確保信息的準確性，從而使基金經理做出更為合理的投資決策，提升基金家族整體的投資績效。

聚類系數描述了網絡中基金節點的聚集程度，在高度集聚的網絡中，基金成員之間的聯系相對緊密，提升了網絡內的信息傳遞效率，在一定程度上削弱了基金經理之間的信息不對稱與成員之間的競爭，從而更容易形成合作，并進一步推動了股票特質信息在資本市場中的傳播（牛曉健和魏瑋，2023），彌補了基金經理之間的信息缺失，使得基金經理及時做出正確有效的投資決策，從而帶來基金家族投資績效的提高（廖昕和楊娜，2024）。根據上述分析，本文提出研究假設H1。

H1：基金家族內基金共同持股網絡的聚類系數與基金家族投資績效呈正相關關系。

節點距離描述了基金網絡中節點間距離的遠近情況，在網絡中，距離越近的基金其關聯程度越高，信息傳遞效率也隨之提升（張琳琳等，2022）。這種高效的信息流動使得基金經理可以更快地做出決策，并提高信息獲取的速度和信息數量，從而賦予基金家族持股網絡中的成員基金信息優勢。基金經理能夠更好地分析股票，利用有利信息做出理性且正確的判斷（廖昕和楊娜，2024），及時應對市場波動，保護投資者的利益，進一步提高基金家族投資績效（陳勝藍和李璟，2021）。根據上述分析，本文提出研究假設H2。

H2：基金家族內基金共同持股網絡的節點距離與基金家族投資績效呈負相關關系。

傳統投資理論認為，應采取多樣化、分散化的投資方式，這主要是由于當基金家族進行集中投資時，資金主要集中于某些或者單只股票，導致投資績效隨著這些投資資產價格的變化而不斷波動，從而增加了整體的非系統性風險（劉家誠和趙文珍，2021）。此外，集中投資策略還帶來了潛在的流動性成本，這侵蝕了集中投資的價值（Qin和Wang，2021），使得基金家族難以應對市場變化，削弱了基金家族在密集基金網絡中的優勢，限制了其靈活性及適應性。比如王鴻圖（2023）研究發現，持股行業集中度能在行業景氣時帶來一定收益，但在行業發生輪動、市場風格發生切換時，基金經理的擇股擇時能力會面臨嚴峻的考驗，持股行業集中度高的基金會面臨更大的業績變動風險；解洪濤和周少甫（2008）、孔東民等（2010）、廖長友（2013）也研究發現基金投資集中度與基金業績呈負相關關系，隨著集中度的提高，基金業績反而落后于分散化投資的基金；曾余妮等（2020）研究發現集中度越高的基金面臨的非系統性風險越高，且其與基金業績之間具有負相關關系。根據上述分析，本文提出研究假設H3。

H3：基金家族的投資集中度越低，網絡結構對基金家族投資績效的正向關系越顯著。

四、研究設計

（一）樣本選擇與數據來源

以2023年末145家基金管理公司為研究樣本，選取2018—2023年每家基金管理公司內部的主動型投資基金（偏股型基金和股票型基金）持有的前十大重倉股構建以基金產品為網絡節點、持有上市公司股票為邊的基金家族持股網絡，并剔除以下樣本數據：（1）規模位于中位數以下且成立年限小于3年的基金管理公司；（2）2018—2023年內QDII（合格境內機構投資者）、ETF（交易型開放式指數基金）、LOF（上市型開放式基金）、靈活配置型、平衡混合型以及被動指數型、貨幣型、債券型基金；（3）各基金管理公司中，基金規模小于1億元的單只基金產品；（4）基金持有股票中包含的港股股票。

最終選取了48家基金管理公司、288個樣本觀測值的平衡面板數據為研究樣本，數據來源于CSMAR數據庫、Choice數據庫以及東方財富網。

（二）基金家族網絡構建

1.無向不加權網絡

如果僅考慮基金之間是否存在連接，而不考慮基金家族內基金之間的連接強度（共同持有閾值以上的上市公司數量），那么構建的網絡是無向不加權網絡。其具體構建方法如下：

首先，根據式（1），通過基金持股數據，建立不加權的基金和上市公司雙模網絡B。如果兩家基金共同持有一家上市公司股份，那么它們之間存在著連接關系（邊），并且將邊值設定為1，否則將邊值設定為0。

其次，根據式（2），采用降模法將基金和上市公司的雙模網絡轉換為一模網絡，即以基金為節點、共同持有的上市公司股票為邊的無向網絡W。

最后，根據式（3）對基金持股網絡W進行規范化處理。

bij =" " （1）

W = BT×B" " " " " " " " " " " " " " " " " " " " " " " " " " " " "（2）

wij =" " " " " " " " " " " " " " " " "（3）

其中，B為不加權的基金和上市公司之間的雙模網絡矩陣，bij為矩陣B中表明基金i與公司j之間的投資關系；W為以基金為節點的基金持股網絡矩陣，wi為基金i重倉持有的公司總數，wj為基金j重倉持有的公司總數，wij為基金持股網絡中基金i與基金j共同持股的公司數量。

2.無向加權網絡

如果不僅考慮基金之間是否存在連接關系，而且考慮基金家族內基金之間的連接強度（共同持有閾值以上的上市公司數量），那么構建的網絡是無向加權網絡。其構建方法如下：

bij =" " "（4）

W = BT×B" " " " " " " " " " " " " " " " " " " " " " " " " " " " "（5）

wij =" " " " " " " nbsp; " " " " " " " " "（6）

其中，W為以基金為節點的基金持股網絡矩陣，wi為基金i重倉持有的公司總數，wj為基金j重倉持有的公司總數，wij為基金持股網絡中基金i與基金j共同持股的公司數量。

（三）變量及定義

1.解釋變量：無向不加權網絡

（1）聚類系數：衡量基金之間緊密程度的統計指標，假設基金i有ki個鄰接基金，那么這些基金之間最多有ki（ki -1）/2條邊。假設基金節點間共有Ni條邊，則基金i的聚類系數公式為：

Ci =" " " " " " " " " " " " " " " " " " " " " " " " " " （7）

網絡的聚類系數是整個網絡中所有節點的聚類系數的平均值，其公式為：

C =" ∑Ni=1Ci" " " " " " " " " " " " " " " " " " " " " " " " " " " "（8）

（2）節點距離：采取最短路徑算法來計算兩個節點之間的距離，即節點i和節點j之間的最短距離（連接這兩個節點的邊數最少的路徑），用dij表示。網絡的平均距離則是所有節點對之間距離的平均值，其表達式為：

L =" " " " " " " " " " " " " " " " " " " " " " " " " "（9）

2.解釋變量：無向加權網絡

（1）加權聚類系數：在加權網絡中，節點i的加權聚類系數的公式為：

Ciw =" ∑k＞j（wij + wik）aijaikajk" " " " " " " " "（10）

其中，ki表示網絡中節點i的度，si表示節點i的點強度，wij表示節點i與節點j之間連邊的權重；wik表示節點i到節點k的權重；aij表示節點i與節點j的連接屬性；aijaikajk表示包含節點i的三個節點i， j， k是否能構成三角形。

同樣，整個網絡的加權聚類系數Cw為網絡中所有節點的加權聚類系數的平均值，即：

Cw =" ∑Ni=1Ciw" " " " " " " " " " " " " " " " " " " " " " " " "（11）

（2）加權節點距離：對于無向加權網絡，權重wij為基金之間共同持有股票的數量，兩個節點之間的最短路徑定義為連接這兩個節點邊的權值倒數之和最小的路徑，用Dij表示。Dij與網絡的平均距離Lw的計算公式分別為：

Dij =" " " " " " " " " " " " " " " " " " " " " nbsp; " " " " "（12）

Lw =" " " " " " " " " " " " " " " " " " " " " " " "（13）

3.被解釋變量

參照陸蓉和李良松（2008）、蘇恒葉和戴亮（2022）的研究，選取夏普比率來衡量基金家族投資績效。該指標不但反映了市場調整能力，也考慮了非系統性風險。其計算方法如下：

Sharpeit =" " " " " " " " " " " " " " " " " " " （14）

其中，E（Rit）表示基金家族內所有基金i凈值增長率的年算術平均值，σit表示基金家族內所有基金i凈值增長率的標準差，Rf表示市場無風險收益率。

4.控制變量

參照蔣天虹（2009）、郭春松等（2015）、蘇治等（2024）等研究的度量方法，選取基金規模（LnFundsize），以基金資產凈值表示；基金年度份額凈值（NAV），以基金資產總值占基金總份額的比重表示；基金家族規模（LnComsize），以基金家族資產總量表示；基金家族管理基金產品數量（Number）；基金家族成立年限（Age），以自基金家族成立至2023年的年數表示；基金家族內基金經理數量（N-member）作為本文的控制變量。

另外，還參照于瑾等（2018）、羅毅和林樹（2022）等的研究度量方法，選取赫芬達爾-赫希曼指數（HHI）來衡量基金i的持股集中度，并對基金家族旗下所有基金的持股集中度取算術平均值，計算方法如下：

HHI = ∑Ni=1 2N" " " " " " " " " " " " " " " " " " " " " （15）

其中，X表示基金投資所有股票的投資總額，Xi表示持有第i只股票市值，n表示基金持有的前十大重倉股股票的數量，N表示基金家族內旗下基金的數量。各變量及具體定義如表1所示。

（四）模型設計

基于研究假設H1、H2，檢驗網絡結構對基金家族的投資績效的影響，構建如下多元回歸方程：

Sharpeit = ait + b1Structureit + b2Controlsit + eit" "（16）

其中，i代表不同的基金家族，t代表不同年份，a為常數項，b1， b2為各項系數，Sharpe表示夏普比率，Structure表示基金家族內基金共同持股的網絡結構指標，Controls代表控制變量，eit為隨機擾動項。

為了檢驗基金家族投資集中度（Hold）的調節作用，本文在基準回歸模型（16）的基礎上，引入其與網絡結構指標的交互項，設定回歸模型如下：

Sharpeit = ait + b1Structureit + b2Structureit×Holdit +

b3Controlsit + eit" " " " " " " " " " " " " " " "（17）

其中，Structure×Hold為網絡結構指標與投資集中度的交互項。若交互項的系數b2顯著為負，則表明投資集中度在網絡結構與基金家族投資績效的正向關系中發揮顯著負向調節效應。

五、實證分析

（一）描述性統計及模型選擇

對2018—2023年內各變量進行了描述性統計，其結果如表2所示。

從基金家族的投資績效方面來看，Sharpe和Ryear的均值分別為6.583、9.696，說明基金家族投資收益水平表現較好；從網絡結構方面來看，聚類系數（Clu）和加權聚類系數（WeClu）的均值分別為0.757和0.719，這表明基金家族網絡聚類效果較好；節點距離（Dis）的標準差為0.286，表明基金之間的距離差異較小，變化比較穩定；加權節點距離（WeDis）的標準差為0.514，表明考慮了加權因素后基金家族內基金之間的距離差異更大，波動性較為顯著。

本文研究數據為面板數據，對于面板模型的選擇，進行了Hausman檢驗，其結果表明Hausman檢驗統計量的p值為0，拒絕原假設，即不存在隨機效應，采取固定效應模型進行后續計量。

（二）回歸結果分析

1.無向不加權網絡

基于無向不加權網絡，用夏普比率來衡量基金家族的投資績效，列（1）與列（2）中分別以聚類系數與節點距離作為解釋變量，列（3）在回歸中加入聚類系數與節點距離進行固定效應回歸，其回歸結果如表3所示。

從表3列（1）、（2）可以看出，在控制其他影響因素的情況下，基金家族的網絡結構對基金家族的投資績效的影響顯著，基金家族內基金網絡的聚類系數的回歸系數為27.499，且在1%的統計檢驗水平下顯著為正；節點距離的回歸系數為-20.100，且在1%的統計檢驗水平下顯著，實證分析結果符合研究假設H1與H2，這說明基金家族內基金共同持股網絡的網絡結構越緊密，在其他條件不變的情況下，基金家族的投資績效越高。

從列（3）回歸結果可以看出，在控制其他因素不變的情況下，聚類系數與節點距離對基金家族投資績效的影響均與此前回歸結果保持一致，即聚類系數越大，節點距離越小，基金網絡的網絡結構越緊密，基金家族的投資績效也就越高。

2.無向加權網絡

基于無向加權網絡的回歸結果見表4，其中列（1）與列（2）分別以加權聚類系數與加權節點距離作為解釋變量，列（3）在回歸中加入加權聚類系數與加權節點距離來進行固定效應回歸。

從列（1）、（2）中可以看出，在控制其他因素不變的情況下，基金家族加權聚類系數的回歸系數為39.992，且在1%的統計檢驗水平下顯著為正，實證回歸分析結果符合前文研究假設；基金家族加權節點距離的回歸系數為22.412，且在1%的統計檢驗水平下顯著為正，這可能是由于加權節點距離不僅考慮了基金節點之間的聯系，還考慮了它們之間的連接強度。如果基金節點之間的連接強度很強，那么它們之間的信息交流將會更加順暢，效率也會大大提高，從而與基金家族的投資績效呈現正相關關系。

從列（3）的回歸結果可以看出，加權聚類系數與基金家族的投資績效呈正相關，符合研究假設H1，加權節點距離與基金家族的投資績效呈正相關，不符合研究假設H2，這可能也是無向加權網絡考慮了權重的原因。

通過對比表3與表4的回歸結果，可以發現，在考慮了權重之后，無向不加權網絡的網絡結構與無向加權網絡的網絡結構對于基金家族投資績效的影響程度是不同的，相比于無向不加權網絡，無向加權網絡回歸的R2、F值更大，解釋變量的系數也更大，這意味著無向加權網絡的網絡結構對于基金家族的投資績效具有更加顯著的正向關系。

（三）調節效應分析

本文參考廖昕和楊娜（2024）的研究，選取基金家族的投資集中度（Hold）作為調節變量，引入其與網絡結構指標的交互項進行回歸，進一步研究網絡結構對基金家族投資績效的影響，回歸結果如表5所示。

從表5的回歸結果可以看出，在無向不加權網絡和無向加權網絡中，交互項的系數為負，且均在1%的水平下顯著，這說明在網絡結構影響基金家族投資績效的過程中，基金家族的投資集中度對影響過程具有顯著的負向調節效應，較高的投資集中度會削弱網絡結構對基金家族投資績效的正向影響。

（四）穩健性檢驗

為進一步檢驗網絡結構對基金家族投資績效的影響，本文采取替換被解釋變量的方法來檢驗上述結果的穩健性：具體是將衡量基金家族投資績效的夏普比率這一指標，替換為2018—2023年的基金年化收益率。基金年化收益率是衡量基金投資表現的指標，反映了基金在一年內實現的投資回報率，其具體計算方法如式（18）所示。

Ryear =" " " （18）

本文的穩健性檢驗結果如表6所示。

從檢驗結果可以看出，聚類系數（Clu）、節點距離（Dis）、加權聚類系數（WeClu）、加權節點距離（WeDis）與基金家族投資績效指標的關系與上述回歸結果一致，其余各控制變量的回歸分析結果也與前面的回歸分析基本一致，說明實證分析模型與結果具有一定的穩健性。

（五）內生性檢驗

在研究網絡結構對基金家族投資績效的影響時可能存在內生性問題。首先，基金家族投資績效優異的公司會擁有更多業績表現良好的股票，從而導致基金更多地持有那些股票，使得基金家族內基金共同持股網絡更加緊密，即反向因果問題。其次，可能有一些基金層面、基金家族層面、市場層面的因素會導致基金家族擁有較好的共同持股網絡結構，即變量的遺漏問題。借鑒Kacperczyk和Seru（2007）以及黃詒蓉和白羽軒（2021）的研究，本文選取網絡密度（Density）和基金經理的最大年限（Max-age）作為工具變量來緩解可能存在的內生性問題。這兩個工具變量滿足有效工具變量的條件：一是網絡密度和基金經理最大年限與內生變量具有相關性；二是這兩個工具變量并不直接影響基金家族投資績效，具有外生性。其計算方法如下式所示：

Density =" " " " " " " " " " " " " " " " " " " "（19）

其中，E表示基金之間實際存在的邊數，N表示基金網絡中的節點數量。本文的內生性檢驗結果如表7所示。

實證回歸結果表明，在控制其他因素不變的情況下，基金家族聚類系數的回歸系數為87.075，加權聚類系數的回歸系數為72.741，且均在1%的水平下顯著為正；在控制其他因素不變的情況下，基金家族節點距離的回歸系數為-44.093，加權節點距離的回歸系數為17.557，且均在1%的水平下顯著。這表明在緩解了內生性問題后，基本研究結果與前文保持一致。

（六）進一步研究

1.大、小規模基金家族的異質性分析

為進一步研究網絡結構對基金家族投資績效的影響，參照屈源育和吳衛星（2014）對基金家族的劃分方法，將基金家族內存有的基金數量大于所有基金家族基金數量中位數（161只）的家族定義為大規模基金家族，否則為小規模基金家族，以此來進一步研究網絡結構對大規模基金家族與小規模基金家族投資績效的影響是否一致。其回歸檢驗結果及Chow檢驗如表8所示。

從表8可以看出，大、小規模基金家族投資績效的回歸結果與前文的基礎回歸系數關系保持一致，通過比較可以發現在大規模基金家族中，聚類系數與加權聚類系數的回歸系數大于在小規模基金家族中的系數，節點距離的回歸系數小于在小規模基金家族中的系數，加權節點距離的回歸系數大于在小規模基金家族中的系數，但Chow檢驗結果表明分組回歸組間差異系數不顯著。這表明網絡結構對大、小規模基金家族的投資績效的提升作用無明顯差異。

2.新、老基金家族的異質性分析

參照李炳君和鄧斌（2019）對基金家族的劃分方法，將基金家族的成立年限高于總體均值的劃分為老基金家族，低于均值的劃分為新基金家族，以此來進一步研究網絡結構對新、老基金家族投資績效的影響是否一致。其回歸檢驗結果及Chow檢驗結果如表9所示。

從表9可以看出，聚類系數（Clu）、節點距離（Dis）、加權聚類系數（WeClu）、加權節點距離（WeDis）對老、新基金家族投資績效的回歸結果與前文的基礎回歸系數關系保持一致，從（Chow）檢驗結果以及老基金家族與新基金家族的回歸結果，可以發現無向不加權網絡的網絡結構對新基金家族投資績效的正向影響更為顯著，而無向加權網絡的網絡結構對老基金家族的投資績效的提升作用更為明顯。

六、結論與建議

（一）結論

本文采用社會網絡分析法，以2018—2023年各基金前十大重倉股持股數據為樣本，構建基金家族內基金的共同持股網絡，研究網絡結構對基金家族投資績效的影響，主要研究結論如下：無向不加權網絡和無向加權網絡的網絡結構對基金家族投資績效具有顯著的正向影響，并且在集聚的網絡結構提升基金家族投資績效的過程中，還顯著受到基金家族投資集中度的負向調節影響。進一步分析表明，網絡結構對于基金家族投資績效的影響沒有顯著的規模異質性，但存在成立年限異質性，具體表現為無向不加權網絡的網絡結構對新基金家族投資績效的提升作用更為顯著，而無向加權網絡的網絡結構對老基金家族投資績效的提升作用更為明顯。

（二）建議

對于個體投資者而言，首先要樹立正確的投資理念，增強風險防范意識，避免盲目追逐業績優異的股票與被基金經理共同持股的股票，應結合自身投資目標與風險承受能力來進行理性決策，進行必要的分散投資，以降低投資過度集中所引發的風險。同時，投資者需密切關注市場變動，包括宏觀經濟形勢、政策法規變化等，以及基金管理公司發布的公告和信息披露，及時全面地了解基金歷史業績、基金投資組合的調整方向等，以更好地評估基金的投資價值和潛在風險。

對于基金管理公司而言，一是優化治理結構，建立與投資者利益一致的激勵機制，將基金經理的利益與基金業績掛鉤，比如通過基金經理購買自身管理的基金份額，避免委托-代理問題的發生；為進一步強化激勵機制的有效性，還可以通過設置績效考核制度，依據基金長期業績和風險調整后的回報來評估基金經理的表現，從而確保其決策能夠創造長期價值。二是基金管理公司應將內部的共同持股程度控制在一定的范圍內，以避免“黑天鵝”事件以及集中控股持續暴跌造成巨大損失。具體措施為基金管理公司應考慮分散化投資策略，將資金池分配到多個行業、地區和資產類別，從而降低集中投資風險。此外，基金管理公司還應定期進行壓力測試，評估在極端市場情況下基金可能面臨的風險，做好相關應急預案。

對于監管機構而言，一是加強對基金管理公司的監管，進一步完善相關法規和制度，確保其嚴格遵守行業規范與法律法規，規范基金管理公司內部的共同持股行為。二是強化對基金管理公司經營的動態監管。比如，通過大數據和人工智能技術，對基金管理公司的投資行為、流動性管理、資金流向等進行實時監控，并根據市場變化，迅速調整監管策略。三是建立更為健全的風險預警系統，在出現市場動蕩、基金業績下滑等情況時，及時采取干預措施，以最大限度地保護投資者利益并維護市場穩定。

參考文獻：

[1] 陸蓉，李良松.家族共同持股對基金管理公司業績與風險的影響研究[J].金融研究，2008（02）：140-151.

[2] AUGUSTIANI C， CASAVECCHIA L，GRAY J. Managerial sharing， mutual fund connections， and performance[J].International Review of Finance，2015，15（03）：427-455.

[3] 肖繼輝，曹莎莎.報酬激勵、解職風險與基金錦標賽效應研究——新的證據與解釋[J].上海金融，2014（08）：62-67.

[4] 楊勇.基金經理網絡位置與投資績效[J].經濟經緯，2012（05）：157-160.

[5] OZSOYLEV H N， WALDEN J， YAVUZ M D， et al.Investor networks in the stock market[J]. The Review of Financial Studies， 2014， 27（05）：1323-1366.

[6] POUND J.The information effects of takeover bids and" resistance[J].Journal of Financial Economics，1988，22（02）：207-227.

[7] 許年行，于上堯，伊志宏.機構投資者羊群行為與股價崩盤風險[J].管理世界，2013（07）：31-43.

[8] 郭白瀅，李瑾.機構投資者信息共享與股價崩盤風險——基于社會關系網絡的分析[J].經濟管理，2019，41（07）：171-189.

[9] 劉笑彤，張哲，陳雅楠，等.基金合作持股、業績表現與投資者選擇[J].金融論壇，2023，28（06）：70-80.

[10] NANDA V， WANG Z J， ZHENG L. Family values and the star phenomenon： Strategies of mutual fund families[J].The Review of Financial Studies， 2004，17（03）：667-698.

[11] 屈源育，吳衛星.基金家族的造星策略——基于共同持股股票收益率差異視角[J].財經研究，2014，40（04）：103-116.

[12] 王華兵.基金家族相關問題研究文獻綜述[J].生產力研究，2009（24）：243-244.

[13] 肖繼輝，彭文平，陳書啟.基金家族利益輸送：基于業績差異的研究[J].經濟學家，2012（09）：71-80.

[14] 李科，陸蓉，夏翊.基金家族共同持股：意見分歧與股票收益[J].經濟研究，2015，50（10）：64-75.

[15] 于瑾，侯偉相，江萍.重倉家族重倉股對基金業績、凈值暴跌風險的影響——基于股票型基金的研究[J].經濟評論，2018（01）：150-166.

[16] 崔茹.社會網絡與基金經理績效及基金收益研究[D].天津：天津大學，2019.

[17] 董恕娜.我國開放式偏股基金持股的二分網絡結構研究[D]南寧：廣西大學，2016.

[18] 陳勝藍，李璟.基金網絡能夠提高投資績效嗎？[J].金融研究，2021（06）：170-188.

[19] 牛曉健，魏瑋.主動權益型基金抱團投資與股價崩盤風險[J].貴州商學院學報，2023，36（01）：23-36.

[20] 廖昕，楊娜.基金網絡、基金業績與投資組合集中度[J].生產力研究，2024（02）：140-144.

[21] 張琳琳，沈紅波，范劍青.證券投資基金規模適度性研究——基于中國市場的證據[J].金融研究，2022（03）：189-206.

[22] 劉家誠，趙文珍.持股集中度和持股期限對基金業績的影響[J].云南財經大學學報，2021，37（12）：35-51.

[23] QIN N， WANG Y.Does portfolio concentration affect"performance？ Evidence from corporate bond mutual funds[J].Journal of Banking amp; Finance，2021，123：106033.

[24] 王鴻圖.股票型基金持股集中度對基金業績持續性的影響研究[D].上海：上海外國語大學，2023.

[25] 解洪濤，周少甫.股票型基金資產配置集中度與投資績效研究[J].證券市場導報，2008（05）：52-56.

[26] 孔東民，李捷瑜，邢精平，等.投資組合的行業集中度與基金業績研究[J].管理評論，2010，22（04）：17-25.

[27] 廖長友.基金資產配置的行業選擇與基金業績——基金經理投資能力的新證據[J].重慶大學學報（社會科學版），2013，19（04）：53-60+86.

[28] 曾余妮，楊朝軍，楊晃.行業配置積極度與基金業績的相關性研究——信息優勢還是冒險信號？ [J].投資研究，2020，39（01）：92-104.

[29] 蘇恒葉，戴亮.基金經理共同持股對基金業績的影響研究[J].中國管理信息化，2022，25（17）：167-170.

[30] 蔣天虹.基金個體特性、家族特征與基金業績的關系研究[J].中央財經大學學報，2009（02）：46-50.

[31] 郭春松，蔡慶豐，湯旸玚.基金家族的業績關聯與溢出效應——基于共同技能效應與共同噪聲效應的實證研究[J].金融研究，2015（05）：162-177.

[32] 蘇治，賀旭，張永冀.基金“抱團”：凈值增長與暴跌風險[J].管理評論，2024，36（03）：30-44+145.

[33] 羅毅，林樹.社會網絡分析法視角下的基金經理投資行為研究[J].現代財經（天津財經大學學報），2022，42（04）：79-95.

[34] KACPERCZYK M，SERU A.Fund manager use of public information： New evidence on the importance of experience [J].The Journal of Finance，2007，62（02）：485-528.

[35] 黃詒蓉，白羽軒.網絡傳染是“真羊群”還是“偽羊群”？——網絡傳染程度對資本市場定價效率的影響[J].中國管理科學，2021，29（09）：12-24.

[36] 李炳君，鄧斌.中國基金家族內部利益輸送行為研究[J].現代經濟探討，2019（06）：49-57.

（責任編輯：唐詩柔）

The Impact of Network Structure on Fund Family

Investment Performance

TAN Linna， HOU Jianping

（ School of Economics Management， Xi'an Technological University）

Abstract： With the growth in the scale and number of securities investment funds， the co-holding behavior of fund families has attracted widespread attention. This paper takes the top ten largest holdings of actively-managed investment funds of securities investment fund management companies in China as the research object， constructs a co-holding network of fund families， and studies the impact of unweighted and weighted network structures on the investment performance of fund families. The research finds that both unweighted and weighted

network structures have a significant positive impact on the investment performance of fund families， and the investment concentration of fund families weakens the positive impact of network structure on the investment performance of fund families. Heterogeneity analysis shows that the network structures of unweighted

and weighted networks have no significant difference in improving the investment performance of large and small fund families， but there are differences in the impact on the investment performance of new and old fund families. Based on the above research results， this paper provides empirical evidence for a deeper understanding of the co-holding behavior of fund families and its impact on investment performance， and thus provides important practical guidance for optimizing investment decisions and improving fund management efficiency.

Keywords： Fund family; Network structure; Investment performance; Complex network