共同基金阿尔法收益的异质性可预测性：一种稀疏聚类GMM方法

《Journal of Econometrics》：Heterogeneous predictability on mutual fund alphas: A sparse clustering GMM approach

　　

共同基金经理的技能，通过风险调整后的阿尔法（alpha）衡量，可以利用机器学习识别的基金特征进行预测（例如，Kaniel等，2023，JFE；DeMiguel等，2023，JFE）。然而，阿尔法的预测能力因基金和时期而异，大多数基金表现出可忽略的阿尔法。为了建模这种异质性可预测性，本文引入了稀疏聚类GMM（Sparse Clustering GMM，SCGMM），一种识别潜在基金组的非参数方法。SCGMM利用估计的阿尔法对基金进行聚类，并识别与市场预测因子相关的组特定参数。该方法考虑了截面分组中的异质性以及跨预测因子的时变机制，无需事先的聚类信息或时变设定。研究人员建立了组恢复和时变参数估计的一致性。在实证中，利用美国月度共同基金数据，研究人员发现可预测的阿尔法集中在一小部分基金中，大多数基金表现出接近零、弱可预测的阿尔法。技能集群还表现出较低的基准R²、适中的费用比率和更长的经理任期。

### 论文解读：共同基金阿尔法收益的异质性可预测性：一种稀疏聚类GMM方法

#### 研究背景与问题

在金融经济学中，共同基金业绩评估通常通过市场因子模型中的截距项（阿尔法，alpha）来衡量，反映基金经理通过选股和市场择时超越基准的能力。传统线性回归方法利用基金特征（如历史业绩、换手率）预测阿尔法，但实证研究表明，大多数共同基金的阿尔法接近于零，且预测能力在不同时期和经理技能水平间存在显著变异（Fama and French, 2010; Kacperczyk and Seru, 2007）。尽管存在这种异质性，现有文献多假设同质性业绩评估，依赖线性模型，忽视了阿尔法可预测性中关键的截面和时序变异。此外，机器学习应用虽然提升了预测能力，但通常强调聚合可预测性，忽略基金间的异质性，且因“短面板”问题（基金存续期有限导致个体参数估计方差高）而难以实现基金特定参数估计。因此，亟需一种方法能够同时处理高维面板数据中的异质性、时变性和潜在分组结构，以识别哪些基金具有可预测的阿尔法以及其驱动因素。

#### 研究内容与结论

为应对上述挑战，研究人员提出了稀疏聚类广义矩估计（Sparse Clustering Generalized Method of Moments，SCGMM）框架，用于分析高维面板数据。SCGMM将基金依据阿尔法可预测性进行聚类，同时纳入基金特征（X_i,t）的截面变异，并捕捉市场预测因子（Z_t）驱动的系数时变关系。模型将基金业绩分解为固定成分、由基金特征和聚合状态驱动的可预测成分以及残差成分。通过非参数设定，SCGMM无需预定义聚类数量或函数形式，即可识别潜在基金组和组特定参数。理论上，研究人员建立了组恢复和时变参数估计的一致性，并推导了渐近正态性。实证中，利用1982年至2021年美国国内权益共同基金数据（来源：CRSP生存偏差无偏美国共同基金数据库，并与Thomson Reuters共同基金持仓数据库匹配），SCGMM估计揭示了三种模式：大部分基金（约62%）展现出接近零且弱可预测的阿尔法；一小部分基金（约23%）具有相对稳定、非零的载荷；另一子集（约4%）的载荷随聚合条件变化。技能集群还表现出较低的基准R²、适中的费用比率和更长的经理任期。这些发现表明，可预测的阿尔法集中在一小部分基金中，且受限于有限的市场预测因子（如市场波动性、国库券利率、期限利差和违约收益率）。该论文发表在《Journal of Econometrics》上。

#### 主要关键技术与方法

1. **非参数级数近似**：利用正交基函数（如勒让德多项式）的截断级数展开近似时变系数函数β_i(Z_t)，避免参数假设，适应高维市场预测因子。
2. **双惩罚GMM框架**：结合两个惩罚项——一是对个体系数函数间差异施加融合型惩罚（如SCAD，smoothly clipped absolute deviation），以促进截面稀疏性并恢复潜在分组结构；二是对个体系数函数本身施加稀疏性惩罚，以选择重要预测因子，两者共同实现组识别和变量选择。
3. **加权组Lasso估计（有先验分类时）**：当存在先验分类信息（如按资产规模分组）时，将SCGMM适配为加权组Lasso估计量，利用组大小作为惩罚权重，具备理论一致性保证。

#### 研究结果

**5.3.1 基于基金AUM的先验分组分析**
研究人员按基金月均总净资产（AUM）将基金分为小（<1亿美元，n=728）、中（1亿-10亿美元，n=1201）、大（>10亿美元，n=521）三组，应用SCGMM估计同质组内系数。结果表明，小规模基金对更多特征和市场预测因子敏感，如期限利差（tms）和违约收益率（dfy）在多特征上显著；大规模基金仅对少数预测因子敏感，暗示规模经济可能缓冲宏观经济冲击或限制择时灵活性。

**5.3.2 无先验分类分析**
在不依赖先验分组的情况下，SCGMM内生确定聚类结构。结果发现，仅一小部分基金（约4%）具有可预测的阿尔法，且受限于有限市场预测因子。大多数基金载荷接近零，表明缺乏持久择时能力。技能集群内的系数随时间变化，在衰退期（如1990、2001、2008年）市场β和残差方差载荷下降，12个月动量载荷转为负值，与周期性择时行为一致。

**5.3.3 潜在集群的经济学解释**
通过分析集群间基金和经理特征的差异，研究人员发现技能集群（Skilled）具有更低的基准R²、适中的费用比率和更长的经理任期，表明其反映主动管理风格和累积人力资本，而非统计拟合的机械差异。

**5.4 与替代模型的比较**
SCGMM在样本外预测R²（0.41%）优于简单同质模型（OLS、Ridge、Lasso，约0.26%）和K-means聚类（如K=2时-0.14%），同时保持结构化可解释性，避免过度拟合。

**5.5 稳健性检验**
将样本按2008年3月分割，以及使用不同基函数维度，均保持近零载荷和非零载荷的宽泛模式，表明结果对样本期和设定选择稳健。

#### 讨论与结论

讨论部分强调，SCGMM通过识别异质性可预测性，将平均可预测性分解为少数技能基金的可预测贡献和多数基金的弱可预测性，从而避免同质模型对技能经理的低估和对其他基金的过度预测。研究结论表明，可预测的阿尔法集中于一小部分基金，由有限的市场预测因子驱动，且传统基于规模的分类无法揭示基金类别内的异质性。SCGMM框架为共同基金阿尔法的截面和时序动态提供了结构化识别工具，无需事先聚类信息或时变参数设定，为实证资产定价和基金管理提供了新的方法论支持。