最好分开：资产公共性、双方网络中心性、，

上下组合是指在表现最好的十分位进行多头投资而在表现最差的十分位进行空头投资所获得的投资组合。样本期为2007年9月至2010年6月。Q1 Q2 Q3 Q4 Q5 Q6 Q7 Q8 Q9 Q10上下^α5f-14.74-5.17-7.34-5.37-5.70-4.15-5.14-5.27-4.56-5.84 8.90（2.11）（1.04）（1.82）（1.68）（1.76）（1.27）（1.41）（1.51）（1.27）（0.88）（1.07）^α3f-13.10-7.05-7.93-5.38-5.27-4.24-4.79-5.38-3.69-3.34 9.76（2.06）（1.34）（1.91）（1.59）（1.58）（1.27）（1.37）（1.49）（1.22）（0.65）（1.44）ACC5f-7.51-5.41-4.02-4.23-5.61-5.97-4.91-7.56-7.54-6.59-0.92（1.04）（0.97）（1.41）（1.38）（1.58）（1.52）（1.33）（1.95）（1.95）（1.81）（0.13）ACC3f-6.11-4.61-4.07-3.91-5.20-5.76-4.97-7.08-7.42-7.09 0.98（0.86）（0.85）（1.52）（1.35）（1.51）（1.50）（1.37）（1.84）（1.92）（1.94）（0.14）D5f-7.24-6.24 09-5.69-5.34-6.18-5.45-7.50-5.95-5.52-5.93-1.31（1.10）（1.24）（1.64）（1.52）（1.78）（1.50）（2.11）（1.76）（1.70）（1.89）（0.26）D3f-6.53-5.19-5.40-5.08-5.82 -5.47 -7.10 -5.81 -5.46 -6.03 -0.50(0.99) (1.07) (1.58) (1.47) (1.72) (1.54) (2.08) (1.77) (1.72) (1.96) (0.10)^δ*5f-11.01-8.12-6.02-6.47-5.82-5.03-4.70-5.14-4.98-6.66 4.35（1.47）（1.56）（1.58）（1.93）（1.57）（1.45）（1.32）（1.46）（1.43）（0.99）（0.48）^δ*3f-10.93-7.56-6.50-7.37-6.93-4.99-3.92-5.49-3.31-3.76 7.17（1.47）（1.43）（1.62）（2.02）（1.77）（1.34）（1.15）（1.71）（1.02）（0.71）（0.91）排名衡量，ACC或多元化性质我们获得了显著甚至更高的上下年度额外绩效（ACC约为[11.85%；11.36]；多元化约为[10.28%；10.20]）。位置）。此外，作为判断管理技能的替代指标，我们根据Cohen et al.（2005）提出的衡量标准报告了与过去绩效相关的绩效，获得了与其他排名标准相关的类似结果（约为[7.96；10.39]）。

这些结果不仅在经济上而且在统计上都很重要，支持使用这些分类标准来构建投资组合。因此，表2中列出的所有衡量指标似乎都能够在组合成自上而下的投资组合策略时产生未来的额外业绩。2007-08年金融危机的影响恶化了市场表现，并严重影响了共同基金行业。尽管在2007-2010年期间出现了负面结果，但表3所示的顶部-底部投资组合的年化额外表现在使用过去的α或δ时仍然是积极的*作为排序标准，尽管统计性较差。表4：按过往表现对基金进行排序。该表显示了根据过去业绩的各种衡量标准排序的基金回报率。该表报告了OLS对十分位投资组合α的估计（以每年的百分比表示）以及相应的t统计绝对值（括号中）。下标3f和5f代表用于计算α性能的三个和五个因子模型（Fama和French（1993，2015））。为了计算过去的业绩，我们对总回报使用了每日观察的九个月的回顾期，这是通过将基金管理费加到净回报中来确定的。然后，我们使用每日收益率系列计算未来三个月内每一个十分位投资组合的收益，并对每一个十分位的基金进行平均加权。每季度重新定义十分位数投资组合，相应的三个月收益时间序列跨季度连接，以形成每个十分位数投资组合的完整样本期。对于α，我们指的是从三个或五个因素模型中获得的过去α。ACC代表平均公共性系数属性，字母D代表差异。最后，使用^δ*我们参考了Cohen等人（2005年）提出的管理技能增量测量。

上下组合是指在表现最好的十分位进行多头投资而在表现最差的十分位进行空头投资所获得的投资组合。样本期为2004年6月至2010年6月。Q1 Q2 Q3 Q4 Q5 Q6 Q7 Q8 Q9 Q10上下^α5f-5.28-1.38-2.31-1.25-1.21-0.46-0.31-0.33 0.39 3.65 8.93（1.52）（0.58）（1.20）（0.80）（0.78）（0.29）（0.18）（0.19）（0.21）（0.97）（1.94）^α3f-5.14-2.57-3.28-1.25-1.16-0.43-0.51-0.12 1.37 5.12 10.25（1.68）（1.04）（1.67）（0.77）（0.73）（0.27）（0.30）（0.07）（0.84）（1.57）（2.64）ACC5f3.62 1.96 0.24-0.10 0.21-0.82-0.42-2.40-2.85-2.89 6.51（0.92）（0.68）（0.16）（0.06）（0.12）（0.42）（0.23）（1.30）（1.56）（1.66）（1.67）ACC3f4.00 1.95 0.16-0.18 0.20-0.88-0.41-2.09-2.60-2.88 6.88（1.03）（0.68）（0.11）（0.12）（0.12）（0.47）（0.23）（1.15）（1.43）（1.65）（1.77）D5f2.92 1.22-0.02-0.30-0.95-0.97-2.20-1.27-1.30-2.14 5.06（0.78）（0.46）（0.01）（0.18）（0.57）（0.55）（1.28）（0.77）（0.82）（1.43）（1.61）D3f2.85 1.42-0.04-0.25-0.80-0.78-2.14 -1.12 -1.24 -2.24 5.09(0.76) (0.54) (0.02) (0.15) (0.49) (0.45) (1.29) (0.70) (0.81) (1.53) (1.62)^δ*5f-2.19-2.41-2.10-2.32-1.73-1.15-0.66-0.67 0.34 3.59 5.78（0.59）（0.95）（1.13）（1.43）（0.97）（0.69）（0.38）（0.38）（0.19）（0.91）（1.17）^δ*3f-2.99-2.46-2.31-2.62-2.31-1.26-0.56-0.88 1.26 5.28 8.28（0.84）（0.98）（1.21）（1.52）（1.25）（0.71）（0.34）（0.54）（0.73）（1.54）（1.88）显著。相反，我们的拓扑指标似乎无法确定积极的结果，在十分之一的投资组合中也呈现出不明确的单调模式。

因此，2007-2008年的危机破坏了业绩与投资组合拓扑属性之间的关系，而这些拓扑属性在危机之前作为补充信息来源出现。更普遍的是，如表4所示，整个样本期的结果显示出积极且一致的自上而下的额外表现（范围约为5%至10%）。有趣的是，使用过去的α和δ获得的上下组合*排序标准似乎不太受金融危机爆发的影响，而根据拓扑指标进行排序反映了整个危机期间发生的变化，并干扰了与上述绩效的关系。最后，对于每个排序标准，我们确认整个样本期的结果表明，相应的赛马策略在十分种组合中产生额外性能的方式具有明显的单调模式。研究结果对于使用三个或五个因子模型来衡量Alpha的选择非常可靠，在每个时期产生的额外绩效和显著水平方面非常相似。为了限制由于ACC分布中存在异常值而导致的潜在问题，我们最终将这些基金放在尾部，对应于每个十分位投资组合中ACC分布的顶部和底部5%。表5显示了这一核心ACC案例，证实了之前的发现甚至适用于更具内聚性的十分位数分区。表5：按过去业绩对基金进行排序-核心案例。该表显示了基于ACC的十进制投资组合的单向排序性能。对于每个十进制投资组合，我们将这些基金放在尾部，对应于每个十进制投资组合中ACC分布的顶部和底部5%。

该表报告了OLS对十分位投资组合α的估计（以每年的百分比表示）和相应的t统计绝对值（括号中）。下标3fand 5f代表用于计算α绩效的三因素和五因素模型（Fama和French（1993，2015））。为了计算过去的业绩，我们使用了九个月的总回报的每日观察回顾期，这是通过将基金管理费加到净回报中来确定的。然后，我们使用每日收益率序列和每十分位基金的平均权重计算未来三个月内每十分位投资组合的收益。每季度重新定义十分位数投资组合，相应的三个月回报时间序列跨季度连接，形成每个十分位数投资组合的完整样本期。上下组合是指在表现最好的十分位进行多头投资而在表现最差的十分位进行空头投资所获得的投资组合。

A组为2004年6月至2007年6月，B组为2007年9月至2010年6月，C组为2004年6月至2010年6月。Q1 Q2 Q3 Q4 Q5 Q6 Q7 Q8 Q9 Q10顶部底部面板A:2004-2007ACC5f12.24 7.39 4.00 2.95 5.01 2.90 2.83 1.90 0.84 0.05 12.20（3.13）（3.31）（2.22）（3.48）（2.28）（2.62）（2.58）（1.30）（0.08）（3.19）ACC3f11.64 7.69 2.60 4.60 2.63 2.63 1.77 0.74-0.06 11.70（2.06 99）（2.87）（3.17）（2.02）（3.29）（2.11）（2.48）（2.47）（1.18）（0.11）（3.08）面板B:2007-2010ACC5f-7.44-5.53-4.21-4.30-5.53-6.23-5.04-7.39-7.49-6.39-1.05（1.01）（1.00）（1.48）（1.41）（1.53）（1.57）（1.33）（1.91）（1.92）（1.76）（0.14）ACC3f-6.03-4.74-4.29-3.93-5.10-6.02-5.15-6.94-7.38-6.87 0.84（0.82）（0.87）（1.61）（1.37）（1.45）（1.56）（1.39）（1.81）（1.89）（0.89）11）面板C:2004-2010ACC5f3.89 1.85 0.18-0.19 0.27-1.04-0.57-2.32-2.82-2.72 6.61（0.96）（0.64）（0.12）（0.12）（0.15）（0.53）（0.31）（1.26）（1.52）（1.57）（1.64）ACC3f4.30 1.82 0.08-0.25 0.28-1.09-0.60-2.03-2.55-2.72 7.02（1.07）（0.64）（0.06）（0.16）（0.57）（0.33）（1.12）（1.38）（1.57）（1.75）3.2检查ACC指标表现背后的机制之前的分析强调了基金表现与其投资组合专业化水平之间的正相关关系。与投资于更受欢迎资产的基金相比，ACC投资组合低（专业化程度高）的基金似乎获得了更高的额外业绩。这可能是因为这些专门基金可能更了解情况，更能够从这些信息中提取利润。

然而，2007年的金融危机改变了基金和成分之间的关系，从而也改变了ACC指数和过去α之间的关系。我们以更高的时间分辨率研究了危机对基金绩效的影响以及绩效与专业化之间的关系。之前的结果是通过将样本分为两个分时期获得的，即2004年至2007年和2007年至2010年。这种加总避免了将重点放在危机时期，因此，在本小节中，我们将以更细粒度的时间尺度逐季度显示赛马结果。由于我们的主要目标是评估ACC指标是否揭示了一些有关基金业绩的信息，因此我们将重点放在单向排序上。与之前一样，我们使用九个月作为回顾期，但此处仅计算两个投资组合的α值，即高专业化（低ACC）投资组合和低专业化投资组合（高ACC）。作为将基金划分为这两个样本的参考阈值，我们采用ACC的中值。图6：由低ACC（红色）基金和高ACC（蓝色）基金组成的投资组合的年度季度额外绩效（^α）。每个图显示了高ACC与低ACC组合在每个季度计算的年化^α，以及相应的标准差（虚线）。左面板报告三因素模型获得的结果，右面板包含五因素模型计算的额外回报。图6报告了通过采用三因素模型（左）和五因素模型（右）获得的年度季度额外绩效（α）。从图表中可以看出，平均而言，ACC值相对较低的基金比投资于更受欢迎资产的基金表现更好。

红线表示该选择的^α值，防止了数据点较少的估计。结果在质量上与使用三分位数计算ACC分布得到的结果相似。由低ACC基金组成的投资组合几乎总是正面的，因此加强了一个结论，即投资于市场利基的基金更有可能从这些风险敞口中获得信息和利润。另一方面，蓝线表明，投资于更普通资产的基金实际上获得了零α，这意味着它们无法系统地吞噬市场。多年的全球金融危机恶化了所有基金各自的ACC价值表现。然而，在三因素和五因素模型中，ACC值较高的基金似乎更容易受到危机的影响。从投资者的角度来看，基金投资组合的低ACC也是在危机阶段出现的一个重要拓扑属性。事实上，投资于利基资产的专业基金，尽管对2007年年中危机的系统性影响有所缓解，但似乎受第二轮危机的影响较小，在这场危机中，零售业务恶化了大部分共同持有资产的市场价格。3.3双重排序为了更好地了解上述赛马的结果，我们在每十分位数内进行了更深入的分析。特别是，我们有兴趣了解基金的拓扑属性是否包含阿尔法度量中未包含的信息，从而可以利用这些信息预测基金的表现。我们着重于使用更复杂的拓扑度量，即ACC度量，在过去的α五分位数之间采用双倍排序，在这些五分位数内，根据投资组合的ACC水平进一步拆分五分位数中的基金。

然后，将得到的5x5投资组合及时映射，并按季度进行再平衡，以研究AlphaPerformance的分布作为该拓扑特性的函数，但在第一类中给出了相同的五分位水平。表6-8报告了在不同的时间窗口内，5x5投资组合以及购买ACC价值较低的基金和ACC价值较高的空头基金（在给定的过去α五分位）的上下组合的阿尔法表现。最后，表示为平均值的投资组合按行平均投资五分之一投资组合中的每一个，从而代表了我们对ACC指数是否包含额外信息的最清晰衡量。为了为我们的结果提供稳健性，表6-8中的panelsB给出了与ACC核心案例相关的结果，我们基本上将这些基金放在尾部，对应于每个5x5投资组合中ACC分布的顶部和底部5%。表6中的实证结果表明，属于前五分位（即Q5）的基金不仅能够比前五分位（即Q1）的基金产生持续的额外业绩，如第3.1小节所示，而且，在这些前五分位（即Q5）中，我们得到了基于ACC指数水平的不同业绩分布。有趣的是，ACC排名的前五名和后五名在危机之前的平均差异在6%以上，在经济上和统计上都非常显著。因此，这些额外的表现表明，ACC指数包含的信息超过了过去的α排序，可以用来预测基金的回报。ACC属性似乎对前五分位的额外表现有重大影响。

事实上，双重排序程序表明，在过去α（即Q5）较高的基金中，那些拥有更专业的投资组合（低ACC）（即ACC1）的基金比那些拥有更受欢迎的资产（即ACC5）的投资组合更有可能获得更高的额外回报。特别是，投资组合Q5ACC1的年化额外业绩约为[17.10；17.98]，而Q5ACC5的年化额外业绩约为[3.73；5.51]，在Q5内的ACC分布中间呈下降趋势。因此，非常熟练的管理者，即那些具有高过去α和利基投资敞口的管理者，即投资于其他投资组合中不太常见的资产的管理者，更容易产生实质性的积极额外业绩。这一结果表明，在发现和挑选资产方面的管理技能实际上更有效，尤其是对于过去表现更好的经理（即Q5ACC1）。相比之下，处于最底层五分位（即Q1）的基金业绩较低，并且与其投资组合的ACC资产没有明显的关系。对于后者而言，基金经理投资利基或热门资产似乎总体上并没有真正的信息量，而在熟练的经理中，投资较普通资产的人可能会产生更好的未来回报，至少在2007年年中危机之前是这样。相反，危机期间（即2007-2010年）的结果表明，ACC资产在构建业绩更好的投资组合时无法添加有价值的信息（见表7）。在之前根据过去的α划分样本后，ACC指数的较低值似乎比较高值产生更好的结果，但结果通常在统计上并不显著。金融市场爆发后，基金经理似乎无法从利基投资中获益。