[Table_StockNameRptType]

金融工程
专题报告

被动投资对共同基金管理能力和市场效率的影响
——“学海拾珠”系列之一百零九
报告日期：2022-09-21
[Table_RptDate] 主要观点：
[Table_Author] [Table_Summary]
本篇是“学海拾珠”系列第一百零九篇，作者研究了被动投资与基金
分析师：严佳炜
执业证书号：S0010520070001 经理管理水平及市场效率之间的关系。研究发现，业绩表现不佳是基金经
邮箱：yanjw@hazq.com 理管理水平不精的可靠信号，而被动投资的勃兴正加速淘汰技艺不精的基
金经理，降低水平较高的基金经理所需要承担的风险，并缩小主动管理基
联系人：吴正宇 金行业的业绩分化。同时，被动投资的勃兴还可以提高市场效率。回到 A
执业证书号：S0010120080052
股市场，当前指数基金规模逐步攀升，投资者可通过多元化的被动指数基
邮箱：wuzy@hazq.com
金满足配置需求，了解指数化投资对主动管理及市场定价效率的影响有助
于投资者更全面、深入得了解市场规律。

⚫ 被动投资规模的增加会加速淘汰业绩不佳的主动型基金
随着被动投资规模的增长，主动基金更容易跑赢行业均值。当被动投
资规模较高时，业绩表现不佳能反映出基金经理管理水平较低。因此，业
绩表现不佳的基金(这些基金由技艺不精的基金经理管理)被业绩表现出
相关报告 色的基金取代，主动管理基金行业整体的投资能力变得更强。
1. 《无形资产对因子表现的影响——
“学海拾珠”系列之一百零一》 ⚫ 被动投资规模的增加会降低能力较强的基金经理所承担的风险
2. 《“聪明钱”、“糊涂钱”与资本市场异 投资能力较强的基金经理通过降低风险并带来持续的业绩表现来建
象——“学海拾珠”系列之一百零二》 立他们的护城河，从而使投资者快速了解到他们。这一发现为一些看似违
3. 《如何预测动量因子的表现？—— 反直觉的现象提供了合理解释，包括投资者放弃主动管理、主动基金的仿
“学海拾珠”系列之一百零三》 效被动指数配置现象等。
4. 《基金交易分歧与业绩影响——“学
海拾珠”系列之一百零四》 ⚫ 主动管理基金行业的业绩分化会随着被动投资规模的增加而缩小
5. 《隐藏在日历异象背后的市值效应 被动投资降低了主动管理基金行业的业绩分化。一方面，技艺不精的
——“学海拾珠”系列之一百零五》 经理会因所承担的高风险被快速淘汰掉；另一方面，技艺精湛的基金经理
6. 《基金公司内部的竞争与合作—— 所需要承担的风险更小。综合来看，主动型的基金变得更加同质化，业绩
“学海拾珠”系列之一百零六》 分化也随之下降。
7.《不同的回撤指标之间存在差异性
吗？——“学海拾珠”系列之一百零七》 ⚫ 风险提示
8.《低频交易的主动基金业绩表现如 文献结论基于历史数据与海外文献进行总结；不构成任何投资建议。
何？——“学海拾珠”系列之一百零八》

敬请参阅末页重要声明及评级说明
证券研究报告
 [Table_CommonRptType] 金融工程

正文目录
1 引言 ....................................................................................................................................................................................................... 4

2 文献综述............................................................................................................................................................................................... 6

3 模型 ....................................................................................................................................................................................................... 6

3.1 均衡模型 ............................................................................................................................................................................................................. 8

3.2 静态比较分析 .................................................................................................................................................................................................... 8

4 变量与策略构建 ................................................................................................................................................................................ 10

4.1 变量构建 .......................................................................................................................................................................................................... 10

4.2 策略构建 ......................................................................................................................................................................................................... 11

5 实证分析............................................................................................................................................................................................. 12

6 讨论 ..................................................................................................................................................................................................... 14

7 总结 ..................................................................................................................................................................................................... 15

风险提示： ............................................................................................................................................................................................. 15

敬请参阅末页重要声明及评级说明 2 / 16 证券研究报告
 [Table_CommonRptType] 金融工程

图表目录
图表 1 基金经理对技能掌握程度的贝叶斯推断 .............................................................................................................................................. 9
图表 2 基金经理的最佳风险承担水平 .............................................................................................................................................................. 10
图表 3 不同基金风格的竞争格局 ........................................................................................................................................................................ 11
图表 4 被动投资与主动型基金的生命期 .......................................................................................................................................................... 12
图表 5 被动投资和主动基金的风险承担水平................................................................................................................................................. 13
图表 6 主动管理基金行业的被动投资和业绩分化情况 .............................................................................................................................. 14

敬请参阅末页重要声明及评级说明 3 / 16 证券研究报告

nMpMqQpMyQmPpNtNoOoOqN6MbP9PnPmMsQsQlOnNvMlOpNmN7NoPqMNZsQvMvPoNmP
[Table_CommonRptType] 金融工程

1 引言
共同基金经理拥有选股能力（Berk 和 van Binsbergen，2015）。实际上，随着
时间的推移，主动管理基金的投资能力似乎变得更强（P´astor，Stambaugh 和 Taylor,
2015)。然而在过去的二十年里，许多投资者放弃了主动管理转向被动投资。截至到
2021 年，美股中的被动投资规模几近超过主动投资规模，从 2004 年的 20%行业占
比大幅增长到了近 60%。在本文中，作者认为被动投资的勃兴是共同基金业更注重
投资技巧之因，而非其果。这主要是因为大规模的被动投资促使投资者去了解基金
经理对技能的掌握程度。作者有证据表明，被动投资勃兴正加速淘汰投资能力相对
不精的基金经理，降低能力较强的基金经理所承担的风险，并缩小了主动管理基金
行业的业绩分化。作者还发现，高水平的被动投资可提高股市效率，这与共同基金行
业的投资能力日益增强的现象是一致的。
作者在 P´astor 和 Stambaugh (2012) 研究的基础上开发了一个简约的贝叶
斯模型，通过模型投资者可以基于基金经理过去的业绩表现来判断基金经理的技能
水平。研究表明，在被动投资比例较高的情况下，业绩表现不佳是基金经理技艺不精
的可靠信号。因此，通过模型可以预测：业绩不佳的基金经理离职速度加快会使主动
管理基金行业更加注重能力；投资能力更强的基金经理可以利用其精湛的技术，通
过降低风险并带来持续的业绩表现来建立他们的“护城河” ，从而使投资者快速了解
到他们。这也给“为什么主动基金的持股类型与指数基金相似”表现提供了一个合理
的解释，与 K. C. Brown、Harlow 和 Starks (1996) 的研究一致。第三个预测是，
随着被动投资规模的增长，主动管理基金的业绩分化程度会下降。该模型还发现由
于主动管理基金行业的投资能力日渐成熟，被动投资规模的扩大可能会提高市场效
率。
作者通过设计偏离份额工具变量(SSIV)来检验这些预测。SSIV 由基础份额和冲
击构成——SSIV 基础份额指的是基金家族的风格层面的资产配置；冲击是基金家族
资产的增长。SSIV 基于与潜在内生变量正交的外生性基础份额，通过隔离被动投资
规模的变化来建立因果推断（Goldsmith-Pinkham，Sorkin 和 Swift，2020 年）。笔
者发现实证证据与模型预测一致。作者还发现大规模被动投资可以提高市场效率，
这与更加注重投资技巧的主动管理基金行业是一致的。
本文的主要贡献点有两个。首先，作者发现被动投资通过独特的学习渠道可以
系统性地影响主动管理基金——被动投资勃兴促使投资者去了解基金经理对技能的
掌握程度。这个发现为一些看似违反直觉的现象提供了合理的解释，包括投资者放
弃主动管理、主动基金的模仿被动指数表现及主动基金的业绩分化降低。其次，本文
探讨了一个重要问题——市场被动投资的最佳规模是多少？作者的研究表明，从市
场效率的角度来看，当前的被动投资规模可能低于最优规模。
主动型共同基金在基金层面和行业层面上都呈现出规模收益递减趋势 (Berk 和
Green, 2004; P´astor 和 Stambaugh, 2012; P´astor 等等, 2015; D. C. Brown 和
Davies, 2017b)，原因包括资金规模增加导致的流动性成本上升(Nanda, Narayanan
和 Warther, 2000)及最优生产策略(Grossman 和 Stiglitz,1980)等。作者基于行业层
面的规模收益递减趋势开发了一个模型，并就被动投资如何影响主动管理给出了三
个预测。
首先，大规模的被动投资会加速淘汰业绩不佳的主动基金。随着被动投资的增
长，即主动管理基金的规模缩小，主动基金更容易跑赢行业均值。在贝叶斯学习框架
中，当基金的业绩表现低于行业均值时，投资者会更新他们的先验信息并形成后验

敬请参阅末页重要声明及评级说明 4 / 16 证券研究报告
[Table_CommonRptType] 金融工程

信念，即认为基金经理技艺不精。当投资者基于后验信念认为基金经理无法达到预
期，就会撤走资金并最终导致基金经理黯然离场。被动投资规模水平越高，用于形成
后验信念的贝叶斯因子值越大。换句话说，当被动投资规模较高时，业绩表现不佳是
基金经理技艺不精的可靠信号。结果，业绩表现不佳的基金(这些基金由技艺不精的
基金经理管理)被业绩表现出色的基金取代，主动管理行业的投资能力变得更强。
其次，大规模被动投资会降低技术精湛的基金经理所承担的风险。这是因为高
风险即基金回报的高方差，会放慢投资者了解基金经理技能的速度。因此，技艺精湛
的基金经理会选择承担低风险来让投资者快速的了解他。直觉上，技艺精湛的基金
经理选择了低回报来减少业绩表现不佳的可能性，并使投资者快速了解到她。相反，
技艺不精的基金经理会选择高风险来最大限度地增加超越行业均值的机会。这一发
现与 K. C. Brown 等人（1996）记录的锦标赛激励一致，并为近年来主动基金表现
出的“壁橱指数”表现提供了合理的解释。
第三，主动管理基金行业的业绩分化会随着被动投资规模的增加而缩小。它是
主动基金基金更加注重技能的结果——从广度边际来看，技艺不精的经理会因所承
担的高风险被快速淘汰掉；从密集边际来看，技艺精湛的基金经理所承担的风险更
小。综合来看，主动管理基金行业所承担的风险水平整体得到了下降，业绩分化也随
之缩小。
作者使用一组美股中的共同基金数据对上述预测进行了实证检验。以每种投资
方式的被动管理资产占总资产的比例来衡量相对被动投资的规模。尽管被动投资呈
现出稳定的增长趋势，但随着时间的推移，它在不同投资风格中以不同的速度不对
称地增长。被动投资水平的横截面异质性减轻了因被动投资潜在的非平稳性所导致
的伪相关担忧（Phillips & Moon，2000） 。
研究的主要挑战在于有遗漏变量的问题，这些变量会同时驱动被动投资规模和
结果变量，例如投资风格的风靡度冲击。举个例子，如果某种风格变得更受欢迎并吸
引了大量的资金流入，则该风格内的所有主动型基金会因规模回报率降低而获得较
低的收益，这使得被动投资更具吸引力，并推高了相对被动投资的规模。同时，这种
风格的主动型基金因很受投资者欢迎获得更长的生命期。在这个例子中，被动投资
与基金生命周期存在着相关性，但它不是因果关系。
为了解决遗漏变量偏差，作者为主动管理基金的增长率设计了一套偏离份额工
具变量（SSIV） ，它改变了相对被动投资的规模水平。SSIV 以同一基金家族的所有
滞后性月度主动资产配置作为基础份额，以主动资产的增长率作为冲击构建。具体
来说，SSIV 为一家基金公司每种风格的股票向量与增长率向量的内积。直观地说，
SSIV 是同一基金家族所有投资风格的综合增长率。假设月度基金份额满足外生性
条件（Goldsmith-Pinkham 等，2020），SSIV 通过隔离与内生变量不相关的被动规
模变化来允许使用两阶段最小二乘法估计量 (2SLS) 进行因果关系识别。
不满足外生性假设的可能性不大。不满足意味着共同基金家族的资产配置在不
同的月份会因风靡度冲击而发生变化。从共同基金家族和投资者的角度来看，由于
制度原因，这种片面追求基金份额的模式是行不通的。作者根据以往研究找到了基
金份额满足外生性条件的证据——在一定时期内同一基金家族的每种投资风格的资
产配置基本没有发生变化，这表明基金份额与特定风格的月度遗漏变量不相关。
与模型的第一个预测一致，作者发现相对被动投资规模和滞后超额收益的相互
作用对基金生命期的预测具有反向作用。以业绩不佳导致的清盘风险为条件，被动
规模每增加一个标准差会使此类基金的清盘风险平均增加 21.1%。这个结果表明大
规模被动投资可以加速淘汰技艺不精的基金经理并使他们管理的基金更快的被清盘。

敬请参阅末页重要声明及评级说明 5 / 16 证券研究报告
[Table_CommonRptType] 金融工程

结果，由于被动投资的勃兴，主动管理基金的投资能力随着时间的推移变得更佳。
作者通过研究发现大规模被动投资规模会降低技术精湛的基金经理所承担的风
险，佐证了模型的第二个预测。作者使用基金超额收益的远期波动率和下一年的投
资组合换手率来衡量所需承担的风险。被动规模每增加一个标准差会导致远期波动
率降低 0.23 个标准差，下一年投资组合换手率会降低 0.14 个标准差。这与前面的
结论是一致的——技艺精湛的基金经理通过降低风险并带来持续的业绩表现来建立
他们的护城河，从而使投资者快速了解到他们。这个结果为主动基金的壁橱指数表
现提供了合理的解释，与 Basak 和 Pavlova(2013) 的研究一致，但经济渠道是不同
的——被动投资的兴起。
作者通过研究佐证了第三个假设，即主动管理基金行业的业绩分化会随着被动
投资规模的增加而缩小。作者使用每种投资风格的所有主动基金超额收益的标准差
来表示业绩分化。被动规模每增加一个标准差，在接下来的 3 个月到 12 个月内，业
绩分化平均会缩小 0.25 个标准差。结果表明，由于被动投资的兴盛，主动基金的回
报变得更加均匀。
最后，作者研究了被动投资对整个市场的影响。技艺不精的共同基金经理可能
会给股价带来负面影响，因为他们不具备选股技能，同时要承担为寻找机会所带来
的高风险。被动投资的增长正加速淘汰技艺不精的基金经理，使得主动管理基金整
体能力变得更强，这导致股票定价效率更高。作者找到了佐证这一假设的方法。按照
Brogaard、Nguyen、Putni¸nˇs 和 Wu (2022) 的方法衡量价格效率，相对被动规模
每增加 1 个标准差可使相应风格股票的价格效率提高约 0.2 个标准差。结果表明，
技艺不精的基金经理通过利用股票价格噪音来损害市场效率，而技艺精湛的基金经
理并不能完全抵消这种噪音。被动投资的增长正加速淘汰技艺不精的基金经理从而
使主动管理基金更加注重技能。随着噪音的增加，股票市场会变得更加高效。结果表
明，从市场效率的角度来看，当前的被动投资水平可能低于最佳水平。

2 文献综述
本文发现被动投资通过一种新的渠道影响市场效率，并研究了大量有关 ETF 兴
起对资本市场的影响的文献。Ben-David、Franzoni 和 Moussawi (2018)证明，由于
ETF 层面存在套利交易，高 ETF 持有比例的股票波动较高。 Glosten、Nallareddy
和 Zou（2021）发现，股票被 ETF 持有比例越高，信息效率越高。由于交易行为的
共性，Greenwood (2007) 发现指数权重与股票联动之间存在正向关系，而 Da 和
Shive (2018)将此归因于套利活动。作者对该文献的贡献是，通过投资者对基金经理
技能掌握程度的了解，确定了一个独特的经济渠道。因此，被动投资（主要通过 ETF）
的兴起提高了市场效率。然而，本文中的经济渠道并不是专门针对 ETF 制度设计，
它可以大范围的用在被动投资的勃兴。

3 模型
作者构建了一个主动和被动投资模型，投资者可以根据 P´astor 和 Stambaugh
(2012)的研究去了解主动型基金经理对技能的掌握程度。主要见解为：被动投资促使
投资者去了解基金经理对技能的掌握程度，这会影响到基金的生命期、基金经理的
所需承担的风险，并最终影响到行业层面的业绩分化。
参与者：主要有主动基金经理、主动投资者、被动投资者这三类参与者。M 个
基金经理管理 M 个主动型共同基金，i 为索引。基金经理的投资组合管理技能为 ai，

敬请参阅末页重要声明及评级说明 6 / 16 证券研究报告
[Table_CommonRptType] 金融工程

技艺精湛的基金经理可以带来 ai = a 的超额回报，然而技艺不精的基金经理会带来
ai = -a（a > 0）的超额回报。技艺精湛的基金经理和技艺不精的基金经理的数量为
1−q 和 q，其中 q∈(0, 1)。
异质性基金经理的设置是对 P´astor 和 Stambaugh（2012）
的同质性基金经理的扩展。N 个主动投资者，在 1 个被动基金与 M 个主动基金之间
分配他们拥有的财富 W，j 为索引。被动投资者总是将他们拥有的财富 Wp 投资给被
动基金。
策略：基金经理 i 对投资组合收取的费用为 fi，风险承担水平为 σi，回报率如下：

P 
其中 ri ,t 是 基金 i 的总回 报， rP,t ~ N u，
2
P 是基 准在时间 t 的回报 。

xt ~ N (0,  x2 ) 是主动型共同基金间的公因子，  x,t ~ N (0,  x2 ) 是每个基金的特质性

回报（idiosyncratic return）
。si 是主动型基金 i 管理的资产，  s 是主动型管理基
i i

金行业的规模，单位为美元，
si i
是主动型管理基金行业的相对规模。
W + WP

−b
si i
反映了主动管理基金行业的规模收益递减（b > 0）性质（P´astor 和
W + WP
Stambaugh，2012；P´astor 等，2015；D. C. Brown 和 Davies，2017a）
。作者假
设技艺精湛的基金经理总是能够在预期中超越被动基金行业均值，即 a - b > 0。无
论是基金经理还是投资者一开始都不了解有关技能，而是通过其历史业绩来了解。

主动投资者 j 选择一个权重向量  j = [ j ,1 , ,  j ,m ] 并将资金投资于 M 个主动

基金。作者假设被动基金不可能沽空，也就是说，  jM  1j 。

收益：主动型基金经理 i 通过选择最佳费率和最小风险承担水平来获取最大化
管理费（单位为美元）：

主动型投资者 j 通过在主动型基金间选择最优化投资来使预期的净费用组合收

益最大化，并将资金 1 −  jM 投资于被动基金。其中 D 是投资者 j 可以获得的信息

集。
信念：投资者和管理者使用贝叶斯来了解基金经理对技能的掌握程度。他们通
过盈利能力（公共知识）、主动管理基金业的相对规模（公共信号）以及他们对基金
经理技能的事先认知（个人信号）来推断基金经理对技能的掌握程度。例如，如果一

个基金的回报 ri 不如被动基金行业均值，投资者对经理人技能低下的事后认知被更

新为：

敬请参阅末页重要声明及评级说明 7 / 16 证券研究报告
[Table_CommonRptType] 金融工程

其中 P(ri  rP | ai = −a) 是给定业绩不佳的贝叶斯系数，P(ai = −a)是投资者对

技艺不精的基金经理的事先认知。

为了简化公式，将主动管理基金行业
si i
的相对规模表示为 y，事后认知可
W + WP
写为：

其中 1 (.) 是正态分布累积函数（CDF），平均值为零，标准差为  x2 +  i2 。
模型隐含着信息不对称。基金经理选择 σi 的技能水平，而投资者并无法直接观
察到 σi，只能从历史业绩去推断其技能水平。这意味着公式(4) 的学习过程相对于投
资者，基金经理更了解自己的技能水平，这与 Berk、van Binsbergen 和 Liu (2017)
以及 D. C. Brown 和 Davies (2017a) 一致 。如果投资者和基金经理拥有相同的信
息集，基金经理对 σi 的选择将不会产生影响。

3.1 均衡模型
这里所指的均衡是 {{ j ,i }, f i ,  i } 集合，可以解决有关投资者和主动基金经理的

优化问题。
当 Wp = 0 时，P´astor 和 Stambaugh(2012)发现的均衡点会失去均衡。这是因
为随着时间的推移，由于业绩不佳或基金清盘，基金经理对技能的掌握程度会暴露
给投资者。在每个阶段，投资者会根据掌握的信息对基金经理形成新的认识，即主观
概率（subjective probability），并对基金回报率形成新的主观预判。当投资者预判回
报率低于被动基金行业的均值时，投资者就会撤资并导致基金被清盘。当 t → ∞ 时，
所有技艺不精的基金经理被完全暴露给投资者并导致他们管理的基金被清盘。因此，
主动型基金经理是同质的，P´astor 和 Stambaugh (2012) 发现的均衡点达到均衡。
出于实证分析需要，作者关注的是投资者事后认知的静态比较，而不是 t → ∞
时的均衡结果。当 Wp > 0 时，该模型满足了外生性条件，为作者的实证分析提供
了关键预测。

3.2 静态比较分析
在本节中，作者假设了三个可实证检验的预测。被动基金行业相对规模的外生
性变化对主动基金的生命期、主动性基金基金的所承担的风险和主动基金管理行业
都有影响。
命题 1. 大规模的被动投资会加速淘汰业绩表现不佳的基金

图表 1 说明了大规模的相对被动投资如何加速淘汰业绩不佳的基金经理。绿色
和红色曲线分别表示由技艺精湛和技艺不精基金经理所管理基金的超额收益分布。

敬请参阅末页重要声明及评级说明 8 / 16 证券研究报告
[Table_CommonRptType] 金融工程

想象一个糟糕的场景（图中例子的超额收益为-4%） ，投资者会认为基金经理技能水
平低下，其贝叶斯系数等于红点（L）的高度与绿点（H）的高度之比。图 1-a 描述
了小规模被动投资的变化过程，图 1-b 描述了大规模被动投资的变化过程。由于规
模收益递减，两个分布都向右移动。结果贝叶斯系数增加。直观地说，由于大规模相
对被动投资可以使技艺精湛的基金经理获得超越收益（超过行业均值），投资者会将
业绩不佳视为基金经理技能水平低下的可靠信号。因此，大规模的相对被动投资可
以加速淘汰业绩不佳的基金经理，这与 P´astor 等人（2015）的研究结果一致。
图表 1 基金经理对技能掌握程度的贝叶斯推断

资料来源：《Passive Investing, Mutual Fund Skill, and Market Efficiency》，华安证券研究所

命题 2.大规模被动投资会降低技术精湛的基金经理所承担的风险，因为高风险
减缓了投资者去了解基金经理对技能的掌握程度：

图表 2 说明了风险承担水平是如何影响基金经理。图 2-a 给出了不同风险承担

水平的技艺不精基金经理的超额收益分布。绿色区域代表超越被动基金行业均值的
概率。由于技艺不精基金经理需要承担高风险，以最大可能获得更多的机会，推迟暴
露其技能水平不足的时间。图 2-b 给出了技艺精湛的基金经理的情况，他们更喜欢
低风险，这样投资者可以更快了解他们的高技能水平。随着被动投资的增长，技艺精
湛的基金经理变得更加注重技能，因此他们会选择风险更小的投资组合，这也为“壁
橱指数”提供了一个合理的解释。与 Basak 和 Pavlova（2013）的研究一致，但方
法不同。这一预测也与 K.C.Brown 等人（1996）记载的锦标赛激励理论相一致--表
现出色的基金更有动力去减少所需要承担的风险，反之亦然。在作者的模型中，主动
型共同基金的表现与此类似。
命题 3. 主动管理基金行业的业绩分化会随着被动投资规模的增加而缩小。
被动投资在广泛边际和密集边际上都降低了主动管理基金行业的业绩分化。从
广度边际来看，技艺不精的经理会因所承担的高风险被快速淘汰掉；从密集边际来
看，技艺精湛的基金经理所承担的风险更小。综合来看，主动型的基金变得更加同质
化，业绩分化随着时间的推移而下降，这与更加注重技巧的主动型共同基金行业一
致。
接下来作者使用一组美股中的共同基金数据对上述预测进行了实证检验。

敬请参阅末页重要声明及评级说明 9 / 16 证券研究报告
[Table_CommonRptType] 金融工程

图表 2 基金经理的最佳风险承担水平

资料来源：《Passive Investing, Mutual Fund Skill, and Market Efficiency》，华安证券研究所

4 变量与策略构建
4.1 变量构建
在本节中将描述用来构建基金层面和风格层面变量的数据。这些变量需要测试
前面第三章提到的三个命题。作者还使用股票层面的变量来检验上述三个命题。
1 基金层面变量
主动型基金的月度超额收益计算方法为主动型基金的总收益减去相应风格的被
动型基金的平均收益。作者用两个变量来衡量主动型基金的风险承担情况--远期回报
波动率（未来六个月超额回报的标准差）和未来投资组合换手率（下一年的 MFDB
变量换手率） 。
2 股票层面变量
作者参照 Brogaard 等人（2022）的方法计算两个市场效率。具体来说，作者使
用了一个向量自回归模型（VAR），包括股票收益率、股票资金流和市场收益率，并
将股票收益率的变化分别分解为公有企业的特定信息、私人企业的特定信息和市场
信息。VAR 中的创新是股票收益的噪音。作者使用两个公司的特定信息来衡量实证
检验，这与技艺精湛基金经理有能力识别好（坏）公司并将资本分配给这些公司或从
这些公司撤资的观点一致，这就将公司特定信息隐含在股票价格中。
3 风格层面变量
每种风格的业绩分化计算方法为为该风格的所有主动型基金在未来 3 个月、6 个
月和 12 个月窗口内的超额回报的标准偏差。
主要的自变量为被动规模，即每种基金风格的被动基金所管理的资产（AUM）
占总 AUM 的比例，公式如下。其中 k 表示基金风格，t 表示月份。图 3 显示了所有
样本基金风格在一段时间内的被动规模和主动基金的数量。

敬请参阅末页重要声明及评级说明 10 / 16 证券研究报告
[Table_CommonRptType] 金融工程

图表 3 不同基金风格的竞争格局

资料来源：《Passive Investing, Mutual Fund Skill, and Market Efficiency》，华安证券研究所

4.2 策略构建
1 偏离份额工具变量
一个潜在的挑战是遗漏变量偏差。这种偏差属于某一种特定风格且逐月变化。
如果一个未观察到的变量同时与被动规模和结果变量正相关，OLS 的估计值就会有
向上的偏差。作者使用偏离份额工具变量来确定共同基金风格的相对被动规模的外
生变化以解决未观察到的遗漏变量问题（GoldsmithPinkham 等，2020；Borusyak,

Hull 和 Jaravel, 2022），公式(8)如下。其中 gˆ k ,t 是第一阶段使用该工具的主动投资增

长率的拟合值。SSIV， Bk ,t 以基金家族的风格资产配置为基础份额，基金家族资产

的增长为冲击。

2 SSIV 的有效性
相关性。两阶段最小二乘法估计量（2SLS）的方差如下。其中，gk,t 是 t 月份
风格 k 的主动投资增长率，Bk,t 是 SSIV。 κk 和 τt 是风格和月份的固定效应。β 的点
估计值为 0.039，在 1%的水平上有统计学意义，表明该工具是相关的。

外生性和排斥性限制。遗漏变量偏差来自特定风格的未观察到的逐月变量（如
人气冲击） 。SSIV 解决这个问题的关键假设是，事前基础份额 zk,f,t−1 与遗漏变量的
外生性较为接近，这也支持了工具的排斥性限制 (Goldsmith-Pinkham 等人, 2020）。
违反外生性份额假设的可能性不大。作者找到了支持外生性份额假设的实证证
据。虽然由于潜在的混合变量是不可观察的（人气冲击） ，无法直接按照 Goldsmith-
Pinkham 等人（2020）提出的测试方法进行测试，但我们确实观察到基本份额是缓

敬请参阅末页重要声明及评级说明 11 / 16 证券研究报告
[Table_CommonRptType] 金融工程

慢变化的，如果不是恒定的话，也是随时间变化的。

5 实证分析
在本节中，作者对模型的预测进行了实证检验。
1. 主动型基金的生命期
大规模的被动投资使业绩不佳的基金更有可能被清盘（命题 1） 。这是因为随着
被动投资的持续增长，规模收益也逐渐减少，超越行业均值变得更加容易。认识到这
一点，投资者将业绩不佳视为基金经理技能低下的一个可靠信号。
作者用半参数化的 COX 比例风险模型来检验这一预测。COX 模型估计风险函
数中的参数，以最大限度地提高基金在横截面上依次被清盘的可能性。具体来说，基
金 i 在时间 t 的清盘风险。其中 h0(t)是基准风险，Xi 是解释变量的向量，包括主动型
基金过去的超额收益，风格类别中的被动型基金规模，以及两者的交互作用。COX
模型对基准风险 h0(t)不做任何参数化的假设，不对其进行估计。

图表 4 显示了大规模的被动投资会加速淘汰业绩表现不佳的基金。被动投资使
得该风格的所有主动型基金清盘的可能性降低了 13.6%，因为在高被动投资水平下，
所有主动型基金都有望产生更高的回报，这与规模效益递减是一致的。主要的关注
变量为滞后超额收益和被动规模之间的相互作用。基金的超额收益为每减少 1 个标
准差，被动规模增加 1 个标准差，基金就会面临额外的 4.8%的清盘风险，这与模型
的预测一致，即大规模的被动投资会加速淘汰业绩表现不佳的基金。在第 1 列中，
以业绩不佳导致的清盘风险为条件，被动投资每增加一个标准差，清盘风险就会增
加 21.1%。第 2 列和第 3 列使用了过去 2 年和 3 年的超额收益并产生了质量上相似
的结果。
图表 4 被动投资与主动型基金的生命期

资料来源：《Passive Investing, Mutual Fund Skill, and Market Efficiency》，华安证券研究所

第 4 到 6 列使用 SSIV 重复第 1 到 3 列中的分析，结果是一致的。我们看

到，在 SSIV 估计中，来自被动投资的影响略低，但与 OLS 相比，幅度相似，这表
明未观察到的特定风格的逐月冲击（如流行度）推动了被动规模和基金生命期的同
向变化。SSIV 的设计通过从基金家庭层面的事前资产配置中识别出主动资产增长的
外生变化，从而缓解了遗漏变量偏差的影响。影响的因果效应（从第 4 列到第 6 列）
平均幅度约为 21%。

敬请参阅末页重要声明及评级说明 12 / 16 证券研究报告
[Table_CommonRptType] 金融工程

2. 主动型基金的风险承担水平
大规模相对被动投资会降低技术精湛的基金经理所承担的风险(命题 2)，因为投
资者可以快速了解到他们对技能的掌握程度。作者用两个指标来衡量主动型基金的
风险承担--未来 6 个月超额收益的远期波动率和下一年的投资组合换手率。公式如
下。其中 Yi,t 是远期回报波动率或投资组合换手率，ζi 和 τt 是基金统计年月的固定效
应。基金固定效应扫除了任何基金特定的时间变量效应，如基金所属的家族、建立时
的声誉情况等等。为便于解释，连续变量--回报波动率、投资组合换手率和被动规模
--都按标准差 1 的比例计算。

图表 5 给出了方程（12）的回归结果，表明大规模被动投资会降低技术精湛的
基金经理所承担的风险。第 1 列和第 2 列描述了 OLS 估计值，第 3 列和第 4 列描
述了 SSIV 估计值。SSIV 估计表明，被动规模每增加一个标准差会导致风险承担减
少 0.17 个标准差，这与模型预测一致，即大规模被动投资会降低技术精湛的基金经
理所承担的风险，因为投资者可以快速的了解到他们对技能的掌握程度。 SSIV 的
因果效应接近 OLS 估计值，表明遗漏变量偏差最小。
图表 5 被动投资和主动基金的风险承担水平

资料来源：《Passive Investing, Mutual Fund Skill, and Market Efficiency》，华安证券研究所

3. 主动管理基金行业的业绩分化
主动管理基金行业的业绩分化会随着被动投资规模的增加而缩小（命题 3） 。回
归模型如下。其中 Dispersionk,t+j 是基金风格 k 中从 t+j 月到 t+j+5 月开始的所有
主动型基金的业绩分化，即一个长度为 6 个月的远期滚动窗口。 κk 是基金风格 k 的
修正效应，它消除了所有特定风格的时间固定效应，例如投资者在不同基金风格中
的固有偏好和缓慢变化的偏好。τt 是统计年月的固定效应，它控制了广泛的经济条件，
适用于基金风格的所有横截面，例如投资者因金融危机而造成的损失。为了便于解
释，连续变量--分化和被动规模--被缩放到标准偏差 1。

图表 6 展示了方程（13）的回归结果，结果表明被动投资缩小了主动管理基金
行业的业绩分化。面板 A 显示了 OLS 的估计值，面板 B 显示了 SSIV 的估计值。基
金风格的被动规模可以反向预测该风格在滚动窗口不同时期的未来分化。SSIV 的结
果表明，被动规模每增加一个标准差会使近期内的收益分化减少 0.25 个标准差。

敬请参阅末页重要声明及评级说明 13 / 16 证券研究报告
[Table_CommonRptType] 金融工程

图表 6 主动管理基金行业的被动投资和业绩分化情况

资料来源：《Passive Investing, Mutual Fund Skill, and Market Efficiency》，华安证券研究所

6 讨论
作者在本节主要研究了被动投资的兴起对主动基金的未来业绩和市场效率的影
响。作者还做了额外的分析以验证工具变量和实证结果的稳健性。
1. 被动投资与主动基金的业绩
被动投资的兴起导致主动型基金在广义和密集边际上都有更好的超额收益。从
广度边际来看，技艺不精的经理会因所承担的高风险被快速淘汰掉；从密集边际来
看，由于行业水平的规模效益递减，大规模的被动投资使所有基金获得了更高的回
报，回归模型见公式（14） 。其中 Yi,t 是风格 k 的主动型基金 i 的未来 1 年、2 年和
3 年超额回报。 ζi 和 τt 是基金和年月固定效应。为了便于解释，被动规模被缩放到
标准偏差 1。

2. 被动投资与市场效率
技艺不精的基金经理往往无法识别好股票，不得不承担高风险。因此，他们通过
交易给股票价格增加噪音，损害市场效率。然而这些技艺不精的基金经理最终会因
被动投资规模的增加而被淘汰，因此，被动投资有可能提高市场效率。
原因主要有两条。首先，股票市场并不处于均衡状态——事实并非如此，否则所
有主动型基金的 alpha 值将为零。此时，均衡点（技艺精湛的基金经理总是反作用
于技艺不精的基金经理）并不适用。其次，共同基金经理面临着流动性约束及卖空约
束等制约，这使得他们无法完全消除技艺不精基金经理在股票价格上带来的噪音。
因此，将带来噪音的低技能基金经理淘汰掉是否可以改善、恶化或者对市场效率没
有影响，这是一个实证问题。回归模型见公式（15） 。

敬请参阅末页重要声明及评级说明 14 / 16 证券研究报告
[Table_CommonRptType] 金融工程

3. SSIV 的稳健性
禁忌回归。当第二阶段的内生变量是由第一阶段回归的拟合值通过非线性转换
得到时，就会出现禁忌回归（Wooldridge，2010） 。禁忌回归可能会导致 2SLS 估计
量不一致，因为非线性变换的线性投影（从第一阶段到第二阶段） （例如，公式（8））
与线性投影的非线性变换不一致。
弱工具变量。作者按照 Chernozhukov 和 Hansen(2008)的做法，通过简化估计
形式来解决潜在的弱工具变量问题。他们认为，简化估计形式中的拒绝原假设是
2SLS 估计第二阶段拒绝无效假设的充分条件，只要满足排除限制，即使工具很弱。
SSIV 冲击的共同趋势。对 SSIV 有效性的另一个潜在担忧是，冲击可能表现出
共同的时间趋势（Borusyak 等人，2022）。如果属实意味着基础份额满足外生性条
件，SSIV 可以直接从冲击中获取时间趋势，从而导致 SSIV 失效。这种担忧在典型
的劳动密集型行业尤为重要，因为大多数行业的表现与经济周期一致。然而，在共同
基金所处的环境中，冲击的共同趋势不可能出现，因为在任何时候，不可能所有基金
企业都不发展业务。

7 总结
本文主要研究了被动投资的兴起对主动基金行业的影响。作者开发了一个贝叶
斯学习模型，实证表明大规模的被动投资加速了投资者去了解基金经理对技能的掌
握程度，从而加速淘汰技艺不精的基金经理，使主动管理基金行业投资能力更强。结
果导致技艺精湛的基金经理所承担的风险更小，主动管理基金的业绩分化的下降。
同时作者设计的 SSIV 为一些看似违反直觉的实证现象提供了合理的解释，包括投
资者放弃主动管理、主动基金的模仿指数表现等。

文献来源：
核心内容摘选自 Da Huang 在 SSRN 上的论文《Passive Investing, Mutual Fund
Skill, and Market Efficiency》

风险提示：
文献结论基于历史数据与海外文献进行总结；不构成任何投资建议。

敬请参阅末页重要声明及评级说明 15 / 16 证券研究报告
 [Table_CommonRptType] 金融工程

重要声明
[Table_Reputation]
分析师声明
本报告署名分析师具有 PRC 证券业协会授予的证券投资咨询执业资格，以勤勉的执业态度、专业审慎的研究方
法，使用合法合规的信息，独立、客观地出具本报告，本报告所采用的数据和信息均来自市场公开信息，本人对
这些信息的准确性或完整性不做任何保证，也不保证所包含的信息和建议不会发生任何变更。报告中的信息和意
见仅供参考。本人过去不曾与、现在不与、未来也将不会因本报告中的具体推荐意见或观点而直接或间接收任何
形式的补偿，分析结论不受任何第三方的授意或影响，特此声明。
免责声明
华安证券股份有限公司经 PRC 证券监督管理委员会批准，已具备证券投资咨询业务资格。本报告中的信息均来源
于合规途径，华安证券研究所力求准确、可靠，但对这些信息的准确性及完整性均不做任何保证。在任何情况下，
本报告中的信息或表述的意见均不构成对任何人的投资建议。在任何情况下，本公司、本公司员工或者关联机构
不承诺投资者一定获利，不与投资者分享投资回报，也不对任何人因使用本报告中的任何内容所引致的任何损失
负任何责任。投资者务必注意，其据此做出的任何投资决策与本公司、本公司员工或者关联机构无关。华安证券
及其所属关联机构可能会持股报告中提到的公司所发行的证券并进行交易，还可能为这些公司提供投资银行服务
或其他服务。
本报告仅向特定客户传送，未经华安证券研究所书面授权，本研究报告的任何部分均不得以任何方式制作任何形
式的拷贝、复印件或复制品，或再次分发给任何其他人，或以任何侵犯本公司版权的其他方式使用。如欲引用或
转载文献内容，务必联络华安证券研究所并获得许可，并需注明出处为华安证券研究所，且不得对文献进行有悖
原意的引用和删改。如未经本公司授权，私自转载或者转发本报告，所引起的一切后果及法律责任由私自转载或
转发者承担。本公司并保留追究其法律责任的权利。

投资评级说明
[Table_RankIntroduction]
以本报告发布之日起 6 个月内，证券（或行业指数）相对于同期沪深 300 指数的涨回撤为标准，定义如下：
行业评级体系
增持—未来 6 个月的投资回报领先沪深 300 指数 5%以上;
中性—未来 6 个月的投资回报与沪深 300 指数的变动幅度相差-5%至 5%;
减持—未来 6 个月的投资回报落后沪深 300 指数 5%以上;
公司评级体系
买入—未来 6-12 个月的投资回报领先市场基准指数 15%以上；
增持—未来 6-12 个月的投资回报领先市场基准指数 5%至 15%；
中性—未来 6-12 个月的投资回报与市场基准指数的变动幅度相差-5%至 5%；
减持—未来 6-12 个月的投资回报落后市场基准指数 5%至；
卖出—未来 6-12 个月的投资回报落后市场基准指数 15%以上；
无评级—因无法获取必要的资料，或者公司面临无法预见结果的重大不确定性事件，或者其他原因，致使无
法给出明确的投资评级。市场基准指数为沪深 300 指数。

敬请参阅末页重要声明及评级说明 16 / 16 证券研究报告