最好分开：资产公共性、双方网络中心性、，

近年来，许多经济和金融系统已根据双边工程进行了描述和建模（参见Tumminello等人（2011年））；Huang等人（2013）；Caccioli等人（2014年）；Barucca和Lillo（2016））。图1：100只基金和成分的二部网络示例。该图显示了2005年最后一个季度前100只基金和前100只组成部分（按字母顺序）之间的关系。请注意连接基金和组成部分的链接之间的异质性。一些成分非常受欢迎（大多数基金持有），而其他成分仅存在于少数投资组合中。同样，一些基金投资于许多资产，而其他基金将其投资组合集中于少数资产。为了关注真正定义每只基金行为的组成部分，需要对投资组合构成进行严格衡量。我们认为，当基金投资组合中成分CJ的市值与整个基金体系中成分CJ的平均市值之比大于某个阈值x时，基金投资组合持有成分CJ的相关风险敞口。这一定义类似于Balassa（1965）提出的揭示比较优势（RCA），之前曾在交易中应用Hidalgo等人的网络（2007年）；伊达尔戈和豪斯曼（2009）。对于每个季度t和基金Fi，我们计算组成部分Cj的相对持股相对湿度如下：RHt（Fi，Cj）=Ht（Fi，Cj）PCjHt（Fi，Cj）PFiHt（Fi，Cj）PFiPCjHt（Fi，Cj）这有助于我们确定每个季度基金持有量的双边网络Mt（Fi，Cj）。如果在时间t时，基金Fi相对于组成部分Cj的相对持有量大于或等于1，则我们将Mt（Fi，Cj）=1，即RHt（Fi，Cj）≥ 1、这一衡量标准反映了一只基金对某个组成部分的持有量是大于还是小于整个银河系基金的平均持有量。

我们还通过让阈值在0到100之间变化来执行一些稳健性分析。图2确实显示了网络密度，即只要阈值不同，网络中实际连接的潜在连接的比例。图2：不同阈值的网络密度。不同阈值的链接百分比的半对数图。灰色虚线表示RHt（Fi.Cj）=1，表示市场平均值。每一行代表一个特定的季度。正如Hidalgo et al.（2007）和Hidalgo and Hausmann（2009）所述，我们现在考虑由邻接矩阵Mt（Fi，Cj）描述的时间二部网络Mt，其中，如果基金Fi连接到成分Cj，Mt（Fi，Cj）=1，否则为零。除去时间限制，反射法考虑迭代计算节点邻居前一级属性的平均值，并定义为一组R，这是关于如何在不同经济领域应用经济复杂性指标的生动辩论（参见Bahar et al.（2014）；Gala等人（2017年）；Hartmann等人（2017年）；Desmarchelier等人（2018年））。此外，最近的出版物也提出了测量二部网络中心度的算法的非线性版本；感兴趣的读者可以参考：Taccella等人（20122013）；Morrison等人（2017）；Alshamsi等人（2018年），等等。可观测值：kFi，N=kFi，0XCjM（Fi，Cj）kCj，N-1kCj，N=kCj，0XFiM（Fi，Cj）kFi，N-1对于N≥ 1、根据基金和控股成分的联系程度或联系数量给出的初始条件：kFi，0=XCjM（Fi，Cj）kCj，0=XFiM（Fi，Cj），我们可以很容易地从经济角度总结反射法所描述变量的解释。实际上，kFi，0代表组成部分的数量，即基金持有的多元化。

kCj，0是在其投资组合（即公共财产）中包含组成部分C的基金数量。基本上，如果kFi为0，则表示基金FI非常集中于少数资产，而kFi为0，则表示基金在众多资产中分散其投资组合；相比之下，低kCj 0表示资产CJ是少数基金持有的利基资产，而高kCj 0表示许多投资组合中的热门资产。在经济复杂性术语中，这一特征指的是网络中节点的共同性属性，在这种情况下，这基本上表明资产在投资组合中很受欢迎/普遍。递归地，变量kFi，1表示基金i投资组合中各成分的平均共性，而kCj，1表示投资组合中各成分CJ的基金的平均多元化。由于我们关注基金经理选股行为，我们将ACC指标表示为kFi，1。因此，通过观察基金投资组合中各组成部分的平均共性，这一衡量标准在投资利基资产的基金与选择更受欢迎资产的基金之间有所不同。准确地说，在分析中，kFi，0表示一只基金持有的成分数量，其持有量大于或等于其他基金平均持有的份额。因此，此处使用的通用性一词与其他金融应用中的用法略有不同（参见Flannery和James（1984）；Allen等人（2012年）；Namvar和Phillips（2013）等）。我们还应用了更高阶的通用性度量，例如kFi，2来计算投资，即如果基金组合中的资产具有平均较低的通用性价值，则基金属于ACC分布的低百分位，而如果其资产受欢迎，则相反。表1：汇总统计数据。

参考量（差异化、ACC和收益）的汇总统计数据在本文中分为两个子阶段，即2004-07和2007-10。对于每个测量和每个子周期，我们报告数量的最小值（min.）、最大值（max.）、平均值（mean）以及标准偏差（std.）、偏度（skew.），以及峰度（kurt.）。多元化会计回报。最大最小值最大最小值最大最小值最大值2004-07 1.000 3027.923 1.187 207.196-0.022 0.0242007-10 1.000 3117.364 1.000 396.776-0.043 0.042平均标准值平均标准值标准值标准值2004-07 110.343 206.530 77.774 44.169 0.001 0.0042007-10 128.373 244.102 139.755 79.521 0.000 0.008偏斜。库尔特。歪曲库尔特。歪曲库尔特。2004-07 7.639 80.404 0.297 2.062 0.189 9.6962007-10 6.257 54.986 0.201 2.208 0.100 9.607表1显示了本文中使用的主要数量的汇总统计数据，即基金的多元化、其ACC指标和总回报。测量值是两个子时段获得的值的平均值。在表中，我们报告了每个数量的最小值、最大值和平均值，以及分布的标准偏差、偏度和峰度。请注意，在（危机后）阶段，所有拓扑度量值的平均值和标准偏差都会增加，而回报显示出更高的标准偏差。另一方面，偏度和峰度在两个亚周期内保持大致稳定。图3显示了Q10十分位（黄色）、Q5十分位（红色）和Q1十分位（蓝色）投资组合内基金ACC平均值的季度时间序列，以及对应于一个标准差（垂直条）的相关离散度。Q10十分位数包括ACC值最高的基金，而Q1十分位数包括ACC值最低的基金。

我们注意到，对于Q10十分位数投资组合，2007年年中金融市场的爆发对应于ACC水平的增长轨迹（相对于Q5十分位数的增长更为明显），这意味着这些基金对最常见/流行资产的敞口更大。相比之下，本文所述的发展战略。由于结果与本文中给出的结果一致，为简洁起见，我们将其排除在工作之外，但可根据要求向作者索取。图3:Q10十分位（黄色）、Q5十分位（红色）和Q1十分位（蓝色）内ACC平均值在样本期内的分布。插图再现了与ACC指标Q1小数位数相关的结果，强调了其随时间的动态变化。一个标准偏差的相关离散度用竖线表示。第一季度十分位数的数据显示，这类基金的投资仍然非常专业化，没有受到危机爆发的影响。3结果在每个季度开始时，我们根据不同的标准将基金分类为十分位：通过标准OLS程序（Fama和French（1993，2015））估计的三因素和五因素模型中的α，平均公共性系数（ACC）和差异化（D）指标，以及管理技能测量（δ*) 由Cohenet al.（2005）提出。后一个度量值计算为：^δ*= WV^α（1）我们使用下标3f和5f分别表示根据三因素和五因素模型计算的α。

投资组合预期回报的估计值计算为r3f=Rf+β（Rm- Rf）+βSMB+βHM L+α，其中市场溢价（Rm- Rf）是指小负大资本（SMB）和高负低账面市盈率（HML）的因素；五因素模型是对前三个因素模型的补充，即稳定性和投资因素。其中，W是表示经理投资组合中股票当前权重的矩阵，V代表持有的股票相对于整个基金世界的比例。我们使用九个月的每日观察作为回顾期。因此，我们在下文中将第一个标准的α排序称为过去α。然后，我们计算未来三个月内每十分之一投资组合的回报率，平均加权每十分之一的基金。最后，我们将2004年6月至2010年6月的季度十分位业绩进行了关联，并为2007年年中金融危机之前（即2004年6月至2007年6月）和危机后（即2007年9月至2010年6月）的观察结果提供了单独的结果。图4：危机前（上图）和危机后（下图）过去α（x轴）与ACC（y轴）的合并分布。每个面板显示ACC测量值与过去α的散点图，以及ACC<ACC3（5）f>和过去α<过去的平均值- ^α >. 蓝色表示与三因素模型（ACC3f）相关的结果，而红色强调采用五因素模型（ACC5f）获得的结果。图4显示了过去α值与各基金投资组合相应ACCvalue的散点图（顶部面板指三因素模型，底部面板指五因素模型）。

在2007年年中的危机之前，三因素模型（ACC3f）的相关分布基本上是钟形的，并且在过去的α中以零值为中心。对于五因素模型案例（ACC5f），除钟形结构外，分布显示出略负的平均过去α。在2007年9月至2010年6月的时间窗口内，这一配置在危机后发生了变化，我们观察到两种模型中的左尾噪音都更大。因此，ACC的高值与过去α值的分散性较小相关，而对于ACC值非常低的基金，我们观察到过去α值的变异性更大。因此，那些可能投资于热门资产的基金不太可能产生巨大的额外业绩，而投资于利基资产的基金可能会获得显著偏离零的额外业绩。因此，投资于较不常见的资产应获得溢价，以弥补与同行投资者资产配置相关的相对绩效分离的风险。图5：逆ACC（G）与^δ的散点图*Cohen等人（2005）-面板（a），与多元化测量-面板（b）和基金规模-面板（c）。在每个小组中，我们还报告了与每个季度ACC指数分布极值相关的结果，即Q1十分位数和Q10十分位数。蓝点表示三因素模型，而红点表示五因素模型。（a） （b）（c）此外，我们也有兴趣研究ACC指标中包含的信息是否也包含在其他指标中。为此，在图5（a）中，我们报告了ACC与Cohen等人（2005）提出的测量值的散点图，在图（b）中，我们显示了ACC与。

多元化，最后在面板（c）中，我们根据基金规模绘制ACC图（计算为组成部分的市场价值之和）。最后，每个面板的插入部分报告了ACC分布的Q1十分位和Q10十分位的结果。显示变量之间低相关性的图表表明，ACC测量中包含的信息是新的，没有嵌入到其他变量中，因此强调了这种拓扑测量在赛马程序中的使用，我们将在下一小节中介绍。3.1单向排序表2：按过去业绩对基金进行排序-危机前。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）和相应的t统计绝对值（括号中）。下标3f和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2007年6月。Q1 Q2 Q3 Q4 Q5 Q6 Q7 Q8 Q9 Q10上下^α5f2.74 1.51 1.56 1.96 2.21 1.96 3.19 3.38 4.01 11.51 8.77（1.31）（1.59）（1.87）（2.22）（2.75）（2.22）（3.21）（2.73）（2.63）（2.83）（2.05）^α3f0.87 0.64 0.19 1.82 1.83 2.25 2.63 3.66 4.94 11.58 10.71（0.53）（0.70）（0.24）（2.40）（2.37）（2.69）（2.93）（2.93）（3.26）（2.84）（2.62）ACC5f11.80 7.53 3.95 3.07 4.99 3.04 3.03 1.91 0.83-0.05 11.85（3.14）（3.05）（3.30）（2.31）（3.46）（2.40）（2.82）（2.59）（1.32）（0.10）（3.23）ACC3f11.22 7.13 3.64 2.70 4.58 2.76 2.82 1.79 0.72-0.13 11.36（3.00）（2.91）（3.16）（2.11）（3.26）（2.23）（2.68）（2.48）（1.19）（0.26）（3.12）D5f10.85 6.80 4.35 3.66 3.11 2.75 1.91 2.42 1.90 0.57 10.28（2.68）（2.72）（3.35）（3.32）（3.45）（2.88）（2.04）（2.84）（2.23）（0.98）（2.67）D3f10.65 6.33 4.00 3.26 2.80 2.52 1.63 2.17 1.68 0.45 10.20（2.62）（2.55） (3.14) (3.06) (3.21) (2.74) (1.79) (2.64) (2.02) (0.80) (2.64)^δ*5f4.44 1.98 1.37 1.23 1.29 1.61 2.15 2.34 4.30 12.40 7.96（2.08）（1.50）（1.42）（1.65）（1.66）（1.84）（2.11）（1.94）（2.83）（2.89）（1.83）^δ*3f2.51 1.12 0.87 1.09 1.02 1.18 1.57 2.36 4.59 12.89 10.39（1.39）（1.10）（1.15）（1.56）（1.43）（1.44）（1.64）（1.97）（3.03）（2.94）（2.47）在本节中，我们根据以往表现的不同衡量标准，报告了每个小数点的字母比较结果，目的是确定危机前后表现最好的字母。表2显示了危机前期间每十分之一投资组合（从最低Q1到最高Q10）的年度化后排名Alpha，使用三因素和五因素模型计算。

Italso还报告了投资组合在表现最好的十分位中的长期表现，以及在表现最差的十分位中的短期表现（即，顶部-底部投资组合）。根据过去α排序建立的上下组合的绩效产生一致（约为[8.77；10.71]）和显著（t-统计[2.05；2.62]）的年度回报，从而支持基于过去α绩效的基金回报可预测性观点。通过使用，对于拓扑特性ACC和多样性，表现最好的十分位数是Q1，而过去的α和δ是Q10*Cohen等人的指标（2005年）。表3：按过去业绩分类的基金——危机。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对十分位投资组合字母的估计（以每年百分比表示）和相应的t统计绝对值（括号中）。下标3f和5f代表用于计算阿尔法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添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。