آیا تحلیلگران رتبه بندی اعتباری در مدیریت صندوق اوراق قرضه عملکرد بهتری دارند؟

خلاصه

این مقاله بررسی می‌کند که آیا مدیران صندوق‌های اوراق قرضه با تجربه رتبه‌بندی اعتبار بهتر از همتایان خود عمل می‌کنند یا خیر. ما مستند می‌کنیم که مدیران صندوق‌های اوراق قرضه که قبلاً در آژانس‌های رتبه‌بندی اعتباری کار می‌کردند، به‌طور میانگین بازدهی تعدیل‌شده با ریسک بالاتری را نسبت به سایر همتایان خود با 11 تا 16 bps در هر ماه، با انتخاب امنیت و مهارت‌های زمان‌بندی بازار بهتر ایجاد می‌کنند. ما همچنین تأیید می کنیم که این عملکرد بهتر از دانش خاص صنعت آنها که از طریق تجربه رتبه بندی (تخصص) به دست آمده است، به جای مزیت اطلاعاتی ارائه شده توسط همکاران قبلی (شبکه) منشأ می گیرد. در آخر، ما ورودی‌های خالص به وجوهی که توسط مدیران عامل مدیریت می‌شوند را مستند می‌کنیم، که نشان‌دهنده آگاهی سرمایه‌گذار از مهارت مدیران تحلیلگر است.

طبقه بندی JEL

G11

G14

G23

G24

J24

کلید واژه ها

مدیران صندوق های سرمایه گذاری با درآمد ثابت

رتبه اعتباری

مشاغل گذشته

شبکه های اجتماعی

مهارت های سرمایه گذاری

1 . معرفی

عوامل تعیین کننده تصمیمات سرمایه گذاری و عملکرد مدیران پورتفولیو یکی از اصول اصلی تحقیقات دانشگاهی در مدیریت دارایی بوده است. تعدادی از مطالعات این سوال را بر اساس انگیزه های قراردادی مدیران (به عنوان مثال، براون و همکاران، 1996 ) یا/و نگرانی های توسعه شغلی بررسی می کنند (به عنوان مثال، شوالیه و الیسون، 1999b ؛ گوریری و کندور، 2012 ). با تکیه بر نظریه های اقتصادی سرمایه انسانی (به عنوان مثال، بکر، 1964 )، مجموعه رو به رشدی از کار، عملکرد صندوق را به تجربیات کاری مدیران مرتبط می کند که در حین کار به دست می آیند (به عنوان مثال، گولک، 1996 ؛ شوالیه و الیسون، 1999b ؛ گرین وود . و Nagel، 2009 ؛ Kempf و همکاران، 2017 ) یا از مشاغل قبلی (مانند Cici و همکاران، 2018 ؛ Chen و همکاران، 2018 ؛ Cochardt و همکاران، 2022 ). بیشتر این مطالعات بر روی صندوق های سهامی که به طور فعال مدیریت می شوند، تمرکز دارند. ¹ صندوق با درآمد ثابت علیرغم بزرگی آن تا حد زیادی از توجه دانشگاهی دور مانده است. ² علاوه بر این، در امتداد خط تجربه گذشته، در حالی که بسیاری از مطالعات عملکرد برتر را به مهارت‌های مدیران در انتخاب سهام و زمان‌بندی بازار نسبت می‌دهند، توجه کمتری به روابط بین‌فردی با همکاران (شبکه) شکل‌گرفته در محل کار می‌شود، که ممکن است تأثیر قابل‌توجهی نیز داشته باشد. تخصیص پورتفولیو و عملکرد (به عنوان مثال، کوهن و همکاران، 2008 ؛ هوانگ و همکاران، 2018 ؛ گو و همکاران، 2019 ). در این مطالعه، ارزش مهارت‌های ویژه در مدیریت صندوق‌های سرمایه‌گذاری مشترک را بررسی می‌کنیم. به طور خاص، ما مهارت‌های کسب‌شده از فعالیت‌های رتبه‌بندی اعتباری را بررسی می‌کنیم تا (1) دریابیم که آیا یک تحلیلگر رتبه‌بندی اعتباری سابق می‌تواند در مدیریت یک صندوق اوراق قرضه از همتایان خود بهتر عمل کند، و (ب) عملکرد برتر (در صورت وجود) ایجاد شده توسط تخصص را از آن جدا کند. توسط شبکه

ما معتقدیم که اشتغال گذشته تا حد زیادی دانش حرفه ای و شبکه های اجتماعی مدیران سرمایه گذاری را شکل می دهد – همه به نوبه خود بر تصمیمات مدیریت پورتفولیو و در نتیجه بازده آنها تأثیر می گذارد. از آنجایی که عملکرد صندوق به طور اساسی به مدیر صندوق بستگی دارد (به عنوان مثال، باکس، 2002 )، بسیار مهم است که مدیر دارای بینش بازار برتر از اوراق بهادار اساسی یا اطلاعات برتر از رویدادهای آینده باشد. مطالعه ما بر روی تحلیلگران رتبه بندی اعتباری متمرکز است که کارمندان آژانس های رتبه بندی اعتباری (CRA) هستند و به اوراق بدهی رتبه بندی می کنند. اگرچه CRA ها متهم هستند که خطرات بالقوه ناشران اوراق قرضه را به موقع آشکار نکرده اند، به ویژه پس از بحران وام مسکن در ایالات متحده ( ماتیس و همکاران، 2009 ؛ بولتون و همکاران، 2012 )، ما ناهمگونی مهارت ها را در بین افراد تصدیق می کنیم. تحلیلگران رتبه بندی اعتباری ( کمپف، 2020 ؛ کیسگن و همکاران، 2020 ). ما فرض می‌کنیم که پیشینه تحلیل‌گر رتبه‌بندی اعتباری مدیران صندوق‌های اوراق قرضه با تجربه و مهارت‌های آنها نسبت به همتایان غیر عامل خود در اجرای وجوه اوراق قرضه بیشتر پاداش می‌گیرد. ³ برای یک چیز، تحلیلگران رتبه بندی از طریق قرار گرفتن در معرض معیارهای رتبه بندی اعتباری، بینش هایی را در مورد طیف گسترده ای از عوامل کلان اقتصادی و صنعتی به دست می آورند که پیش بینی های آنها را در مورد پویایی بازار تسهیل می کند. از سوی دیگر، انتظار می‌رود که به‌عنوان «خودی» در مقایسه با افراد خارج از CRA، درک بهتری از رتبه‌بندی‌های صادر شده توسط CRA داشته باشند به سه دلیل: اول، تحلیلگران رتبه‌بندی به احتمال زیاد ریسک اعتباری «واقعی» را درک می‌کنند. شرکت، به ویژه در یک محیط رتبه بندی بسیار متورم (به عنوان مثال، بولتون و همکاران، 2012 ؛ بقای و بکر، 2018 ). دوم، در حالی که رتبه‌بندی‌های اعتباری معیارهای مجزا از اعتبار ناشران رتبه‌بندی‌شده هستند، توزیع ریسک نکول ناشران می‌تواند پیوسته باشد ( آگاروال و همکاران، 2016 ). بنابراین، تحلیلگران رتبه‌بندی ممکن است اطلاعاتی در مورد احتمال پیش‌فرض و نرخ بازیابی در سطحی دقیق‌تر داشته باشند. سوم، CRAها تجزیه و تحلیل کمی و کیفی عمیقی را در فرآیند رتبه‌بندی خود انجام می‌دهند، به‌روزرسانی‌ها و تنظیمات را در طول مسیر انجام می‌دهند ( Kraft, 2015 ؛ Bonsall IV et al., 2017 ). به این ترتیب، تحلیلگران رتبه‌بندی تمایل دارند در تفسیر رتبه‌بندی‌ها و درک روش‌های رتبه‌بندی بیزانسی به دلیل آموزش و تمرینی که در CRA انجام می‌دهند، پیشرفت کنند. بر اساس این دلایل، ما از تحلیلگران رتبه‌بندی انتظار داریم که مهارت‌های رتبه‌بندی خود را به مدیریت صندوق‌های اوراق قرضه منتقل کنند.

ما پیش بینی خود را با استفاده از مجموعه داده های جامع سابقه اشتغال مدیران صندوق اوراق قرضه فعال چینی آزمایش می کنیم. پیشینه سازمانی منحصر به فرد چینی زمینه مشخصی را برای مطالعه این موضوع فراهم می کند. برخلاف ایالات متحده که اطلاعات پیشینه مدیران اغلب از منابع افشا شده داوطلبانه (مثلاً رسانه های اجتماعی) به دست می آید، برای شرکت های سرمایه گذاری در چین اجباری است که سابقه استخدام مدیران صندوق را افشا کنند. به این ترتیب، دید کاملی از مشاغل قبلی مدیران در دسترس است. ⁴ که اهمیت بیشتری به این موضوع می‌افزاید، رشد فزاینده بازار صندوق‌های سرمایه‌گذاری مشترک و همچنین بازار اوراق قرضه در چین است. از زمانی که اولین صندوق سرمایه گذاری باز در سال 2001 راه اندازی شد، این صنعت به یکی از سریع ترین اجزای در حال رشد بازار سرمایه چین تبدیل شده است. تا پایان ماه مه 2020، 6616 صندوق سرمایه گذاری مشترک با کل دارایی خالص (TNA) 16.88 یوان (2.60 دلار آمریکا) تریلیون وجود دارد که وجوه بازار پول 49.88٪، صندوق های سهام 7.71٪، وجوه اوراق قرضه 27.03٪ هستند . ، صندوق های هیبریدی 14.44 درصد و سایرین 0.94 درصد. این بازار بین سال‌های 2001 تا 2020 رشد سالانه 33.59 درصدی را تجربه می‌کند. در همین حال، بازار اوراق قرضه چین از تقریباً عدم وجود در دهه 1990 به بازاری با حجم انتشار 37.75 تریلیون یوان (تقریباً 5.81 دلار آمریکا) در سال 2020 رسیده است. از سال 2017، دومین بزرگ‌ترین در جهان است. به این ترتیب، حجم عظیم بازار صندوق‌های سرمایه‌گذاری مشترک چین و بازار اوراق قرضه اهمیت درک پیشینه، عملکرد و منبع مهارت‌های مدیران صندوق‌های با درآمد ثابت را نشان می‌دهد. علاوه بر این، مطالعات بازار چین تجربه ارزشمندی را به سایر بازارهای نوظهور می دهد و به این موضوع علاقه می بخشد. آخرین اما نه کم‌اهمیت، شبکه اجتماعی یا «گوانشی» به ویژه در کشورهای آسیای شرقی مانند چین رایج و مهم است (به عنوان مثال، گو و همکاران، 2019 ؛ چن و همکاران، 2020 ؛ لی و همکاران، 2020 )، و چین معمولاً به عنوان کشوری با نهادهای قانونی ضعیف و مقررات افشای اطلاعات تلقی می شود ( آلن و همکاران، 2005 ). بنابراین، درست است که سنجیده شود که آیا مدیران تحلیلگر و همکاران سابق آنها که هنوز در CRAها کار می کنند – با هدف مبادله یا/یا رانت جویی (سو و لیتلفیلد، 2001) – اطلاعاتی در مورد شرایط کسب و کار تبادل می کنند یا خیر . تغییرات بالقوه رتبه بندی ناشران اوراق قرضه، که به نوبه خود بر تصمیمات تجاری مدیران عامل تأثیر می گذارد. چنین محیطی در چین که انتقال اطلاعات از طریق شبکه های اجتماعی را پرورش می دهد، قدرت آماری مطالعه ما را بهبود می بخشد.

برای پاسخ به سوال اول که آیا یک تحلیلگر رتبه‌بندی اعتباری سابق می‌تواند در مدیریت یک صندوق اوراق قرضه از همتایان خود بهتر عمل کند، ما 112,312 مشاهدات ماهانه صندوق از 3016 صندوق متقابل اوراق مشارکت فعال بین سال‌های 2007 و 2020 جمع‌آوری می‌کنیم . نشان‌دهنده اینکه آیا صندوق توسط یک تحلیلگر سابق CRA اداره می‌شود، همراه با مجموعه‌ای از مدیران، صندوق‌ها و کنترل‌های خانواده صندوق، نتایج پایه ما عملکرد بهتری از 11 تا 16 واحد در ثانیه را به طور میانگین بر اساس ماهانه مدیران عامل نشان می‌دهد. همتایان غیر عامل آنها پس از رفع نگرانی‌های درون‌زایی از طریق اثرات ثابت صندوق و زمان، رویکرد متغیر ابزاری و تجزیه و تحلیل نمونه همسان، نتایج ما همچنان باقی می‌ماند. اثر سرریز سرمایه انسانی CRA توسط تجزیه و تحلیل تعدیل ما حمایت می شود که مدیران تحلیلگری که مدت طولانی تری به عنوان تحلیلگر رتبه بندی داشتند، صنایع تخصصی خود را برای مدت زمان طولانی تری رتبه بندی کردند، یا در CRA های دارای رتبه برتر کار می کردند حتی بهتر عمل می کردند. برای درک بهتر عملکرد بهتر آنها، بررسی می کنیم که آیا مدیران عامل در انتخاب اوراق قرضه و زمان بندی بازار نسبت به همتایان غیر عامل خود بهتر هستند یا خیر. با پیروی از ادبیات (به عنوان مثال، Treynor و Mazuy، 1966 ؛ Henriksson و Merton، 1981 )، ما اقدامات مبتنی بر بازده را برای به دست آوردن مهارت‌های انتخاب اوراق قرضه و زمان‌بندی بازار ایجاد می‌کنیم و هر دوی آنها به عملکرد بهتر مدیران تحلیلگر کمک می‌کنند. توضیحات جایگزین مانند جابجایی مدیریت، سوابق تحصیلی، سایر تجربه کاری و استعداد مدیر در آزمون های استحکام حذف نمی شوند. بنابراین، یک اثر درمانی قوی و ثابت برای مدیران تحلیلگر مشاهده می‌شود و این تأثیر به‌ویژه به مهارت‌های کسب‌شده از مؤسسات رتبه‌بندی اعتباری مربوط می‌شود. آنها نه تنها انتخاب‌کنندگان بهتر اوراق قرضه هستند که درک عمیقی از ویژگی‌های اوراق قرضه و همچنین ریسک‌های بازار اوراق قرضه شرکتی از تجربه کاری CRA به دست آورده‌اند، بلکه زمان‌سنج‌های بهتری در بازار دارند، زیرا آنها بینش‌هایی را در مورد طیف وسیعی از عوامل اقتصاد کلان جمع‌آوری کرده‌اند، که این امر تسهیل می‌کند. پیش بینی های آنها در مورد پویایی بازار

دومین سوال پژوهشی این مطالعه بررسی این است که آیا عملکرد فوق مستند شده در بالا ناشی از تخصص برتر نمایندگان است که در CRA ها با رتبه بندی تعداد زیادی از اوراق بهادار و شرکت های بدهی به دست آمده است (White, 2010)، یا از مزیت اطلاعاتی دریافتی آنها از طریق شبکه با همکاران سابق در CRA. تفکیک دو کانال فوق از نظر تجربی چالش برانگیز است، بنابراین یک روش نوآورانه برای تعریف تخصص و اتصال در این مطالعه معرفی شده است. به طور خاص، ما ابتدا به صورت دستی مدیران تحلیلگر را به شرکت‌هایی که هنگام کار در CRA رتبه‌بندی می‌کردند، بر اساس گزارش‌های رتبه‌بندی اعتباری فاش شده بین سال‌های 2007 و 2020 ترسیم می‌کنیم. صنایعی را که یک مدیر عامل بیشترین رتبه‌بندی را به‌عنوان صنایع تخصصی خود تعریف کرده است، تعریف می‌کنیم. دوم، با استفاده از داده‌های موجودی صندوق، اوراق قرضه صادر شده توسط شرکت‌های این صنایع را به عنوان دارایی‌های تخصصی مدیران عامل طبقه‌بندی می‌کنیم . ما همچنین اوراق قرضه‌ای را که صادرکنندگان آن توسط CRA کارفرمای سابق مدیر رتبه‌بندی شده‌اند، به‌عنوان دارایی‌های مرتبط تعریف می‌کنیم . سپس دو نمونه فرعی به منظور جداسازی تخصص از شبکه ایجاد می کنیم. یعنی، هنگام مطالعه تصمیم سرمایه‌گذاری و عملکرد برای هلدینگ‌های تخصصی ، همه هلدینگ‌های متصل را حذف می‌کنیم و بالعکس برای جلوگیری از همپوشانی. فرضیه های ما و نتایج تجربی مورد انتظار مربوطه در زیر توضیح داده شده است.

تجربه رتبه بندی اعتباری در صنایع خاص می تواند تخصص و شایستگی را در ارزیابی اوراق قرضه در این صنایع ایجاد کند. به این ترتیب، از مدیران تحلیلگر انتظار می رود که به طور فعال تخصیص پرتفوی را تغییر دهند و بازده غیرعادی مثبتی را از صنایع تخصصی خود ایجاد کنند ( فرضیه تخصصی ). با این حال، دانش موجود ممکن است سوگیری آشنایی، اعتماد بیش از حد و تجارت بیش از حد را نیز معرفی کند ( Døskeland and Hvide, 2011 ) که لزوماً بازده غیرعادی مثبت ایجاد نمی کند. اگر چنین است، ما یک تخصیص جانبدارانه (بیش از حد یا کم وزنی) در اوراق بهادار تخصصی را مشاهده خواهیم کرد در حالی که یک تأثیر غیرمثبت بر عملکرد مدیران عامل ( فرضیه آشنایی ). در همین حال، تخصص تنها شایستگی نیست که افراد از مشاغل گذشته کسب می کنند. ارتباطات شخصی با همکارانی که در CRAها تشکیل شده‌اند نیز ممکن است مدیران تحلیلگر را در موقعیت بهتری برای دسترسی به اطلاعات اختصاصی شرکت (مثلاً مطلع شدن غیررسمی از اقدامات رتبه‌بندی آتی) قرار دهد، بنابراین منجر به عملکرد برتر می‌شود (مثلاً گو و همکاران، 2019) . ) ( فرضیه شبکه ). دو دلیل قابل قبول وجود دارد که چرا همکاران سابق که هنوز در CRA کار می کنند مایلند اطلاعات ارزشمندی را با مدیران تحلیلگر سابق تحت فرضیه شبکه به اشتراک بگذارند : (1) رابطه دوستی/کلیویتی ایجاد شده در محل کار می تواند باعث شود افراد به طور متقابل احساس وابستگی، اعتماد و اعتماد کنند. متعهد ( سو و لیتلفیلد، 2001 )، که معمولاً به سمت مبادله مستمر لطف هدایت می شود ( Pye, 1992 ). بنابراین، اشتراک‌گذاری اطلاعات با مدیران تحلیل‌گر سابق، می‌تواند یک فعالیت خیرخواهانه باشد که در آن تحلیل‌گران فعلی با امید به مزایای آینده (مثلاً ارجاع فرصت‌های شغلی) درگیر می‌شوند. (2) به اشتراک گذاری اطلاعات همچنین می تواند نوعی فعالیت رانت جویانه باشد که در آن منافع مالی دخیل است. با به اشتراک گذاری اطلاعات داخلی، همکاران سابق می توانند با اشکال مختلف رشوه یا بازدهی از سرمایه گذاری در وجوهی که توسط مدیران تحلیلگر مدیریت می شود، پاداش دریافت کنند. ⁵ با این حال، دسترسی به اطلاعات داخلی از طریق شبکه ها لزوماً به این معنی نیست که مدیران تحلیلگر به طور کامل از این مزیت استفاده کنند ( گریفین و همکاران، 2012 ؛ لی و همکاران، 2011 ). به جای اقدام بر اساس اطلاعات داخلی به قیمت نقض قانون، اکثریت جمعیت ممکن است ترجیح دهند در حاشیه بایستند. ⁶ علاوه بر این، بسیاری از تحلیلگران رتبه‌بندی و مدیران صندوق، که خود را با اصول اخلاقی حرفه‌ای یا با نگرانی‌های مربوط به شهرت هماهنگ می‌کنند ، ممکن است از به اشتراک گذاشتن/تعامله اطلاعات داخلی خودداری کنند. به این ترتیب، ما ممکن است به طور متوسط یک بازده غیرعادی توسط مدیران تحلیلگر از طریق کانال شبکه مشاهده نکنیم.

برای آزمون فرضیه های فوق، از داده های رتبه بندی و نگهداری استفاده می کنیم. ما مقدار نگهداری اوراق قرضه فردی را در مدت تعامل بین ساختگی نماینده و تخصصی ( متصل ) پس می‌زنیم تا ببینیم آیا مدیران عامل تمایل دارند که به طور فعال دارایی‌های تخصصی/متصل خود را مجدداً متعادل کنند. ما همچنین بازده پرتفوی را در شاخص‌های عامل و تخصص ( متصل ) تخمین می‌زنیم. ما متوجه شدیم که مدیران عامل وزن بیشتری (4.47٪ از TNA) به دارایی های تخصصی خود اختصاص می دهند و عملکرد بهتری در پرتفوی این اوراق دارند (یعنی بازده پرتفوی بالاتر 36 واحد در هر ماه) نسبت به موارد غیرتخصصی. در همین حال، مدیران عامل بر اوراق قرضه متصل خود برتری ندارند و در دارایی های متصل خود نیز عملکرد بهتری ندارند. این یافته ها به جای فرضیه آشنایی یا فرضیه شبکه، از فرضیه تخصص حمایت می کنند .

سپس یک تحلیل میانجی دو مرحله‌ای دنبال می‌شود تا پیوندی بین انتخاب پورتفولیوی عامل-مدیران به محض ورودشان و بازده بالاتر پرتفوی حاصل ایجاد شود. در مرحله اول، یک متغیر شاخص، Top10 را تعریف می‌کنیم تا افزایش تمایل یک صندوق عامل شامل اوراق خاص/مرتبط عامل در فهرست 10 دارایی برتر خود را پس از تغییر ساختگی نماینده به مقدار یک تخمین بزنیم. ما یک رابطه مثبت معنادار بین ورود مدیران عامل و امکان گنجاندن اوراق قرضه تخصصی آنها در فهرست ده هلدینگ برتر پیدا کردیم، اما چنین ارتباطی برای اوراق قرضه متصل مستند نشده است. در مرحله دوم، ما یک مدل معادله ساختاری، شامل رگرسیون آلفای صندوق بر روی ساختگی عامل و Top10 و رگرسیون Top10 روی ساختگی عامل ، همراه با سایر کنترل‌ها را برآورد می‌کنیم. اثر غیرمستقیم ساختگی عامل بر آلفای صندوق حاصلضرب اثر ساختگی عامل بر افزایش بالای 10 و تأثیر گنجاندن اوراق بهادار تخصصی در فهرست ده دارایی برتر بر عملکرد صندوق است. ما اثرات مستقیم و غیرمستقیم قوی و قابل توجه مدیران عامل بر عملکرد صندوق را از طریق نگهداری اوراق قرضه تخصصی ثبت می کنیم. این نتایج نشان می دهد که یک مدیر تحلیلگر سهم مثبت کلی در عملکرد بازده صندوق دارد، که تا حدی از طریق گنجاندن اوراق قرضه تخصصی آنها به فهرست 10 دارایی برتر واسطه می شود. ما هیچ تاثیر غیرمستقیم آماری قابل توجهی از مدیران عامل از طریق تغییر تخصیص به اوراق قرضه متصل مشاهده نمی کنیم. نتایج فوق به طور مداوم نشان می‌دهد که عملکرد بهتر پورتفولیوی مدیران تحلیلگر وجوه در حال اجرا به جای موارد مرتبط، به هلدینگ‌های تخصصی نسبت داده می‌شود و سهم ما را در مقابله با چالش تجربی جداسازی دو کانال درهم‌تنیده تقویت می‌کند.

از آنجایی که شبکه بین مدیران عامل و کارکنان CRA می‌تواند قالب‌های متعددی داشته باشد، ما انواع دیگر ارتباطات اجتماعی را نیز بررسی می‌کنیم تا از درک جامع‌تری از میزان ارتباط اطمینان حاصل کنیم. با استفاده از داده‌های جمع‌آوری‌شده دستی، پراکسی‌های شبکه زیر را بررسی می‌کنیم: نزدیکی جغرافیایی بین مدیران عامل و همکاران قبلی آنها. رویدادهای اجتماعی که هم مدیران عامل و هم کارکنان CRA احتمالاً در آنها شرکت خواهند کرد. همپوشانی کاری بین مدیران عامل و همکاران سابق آنها در CRA. و ارتباط آموزشی بین مدیران عامل و کارکنان از CRA. ما بهبود قابل توجهی در عملکرد صندوق از طریق شبکه های فوق مشاهده نمی کنیم، بنابراین نقش غالب کانال تخصصی را تایید می کنیم.

در نهایت، ما به رابطه بین مدیران تحلیلگر، عملکرد صندوق و جریان خالص صندوق علاقه مندیم که نشان دهنده ارزش سرمایه انسانی پیشینه رتبه بندی اعتباری برای یک مدیر صندوق اوراق قرضه است. با استفاده از تحلیل میانجی‌گری، ما تأثیرات مثبت مستقیم و غیرمستقیم (از طریق عملکرد گذشته صندوق) مدیران تحلیلگر بر جریان ورودی صندوق را مستند می‌کنیم. به عبارت دیگر، استخدام مدیران تحلیلگر نه تنها می تواند برای سرمایه گذاران سودمند باشد، بلکه با جذب جریان های ورودی بیشتر به صندوق نیز پاداش می دهد و بر ارزش تجربه CRA مدیران صندوق های اوراق قرضه تاکید بیشتری می کند.

مطالعه ما از سه طریق به ادبیات کمک می کند. ابتدا، ادبیات بررسی تأثیر تجربه گذشته بر تصمیمات سرمایه گذاری و عملکرد مدیران صندوق سرمایه گذاری مشترک را غنی می کند (به عنوان مثال، هوانگ و وانگ، 2015 ؛ هوانگ و همکاران، 2015 ؛ سیسی و همکاران، 2018 ؛ چن و همکاران، 2018). ؛ کوچارد و همکاران، 2022 ). در میان ادبیات مدیریت دارایی، یک موضوع کلیدی که علاقه تحصیلی فزاینده ای را به خود جلب می کند، ویژگی های شخصی مدیران سرمایه گذاری است که توسط انگیزه های ذاتی و عوامل خارجی در ارتباط با توانایی آنها برای عملکرد بهتر مقطعی شکل می گیرد. شواهد اولیه به اواسط دهه 1990 بازمی‌گردد و عملکرد پرتفوی و ریسک را با ویژگی‌های مدیران صندوق‌های سرمایه‌گذاری مشترک مرتبط می‌کند که ممکن است نشان‌دهنده هوش، دانش یا تلاش‌ها باشد، مانند سن، امتیاز SAT، سطح تحصیلات و دوره تصدی (به عنوان مثال، گولک، 1996 ؛ شوالیه و الیسون، 1999b ). به لطف بهبود در دسترس بودن داده‌های سطح مدیر، مطالعات مدرن توانسته‌اند ویژگی‌های مدیر را در سطوح دقیق‌تر و در ابعاد غنی‌تر بررسی کنند. مشخصاً، انتخاب پورتفولیو تحت تأثیر موقعیت جغرافیایی مدیران قرار می گیرد (مثلاً پول و همکاران، 2012 )، ایدئولوژی سیاسی (مانند هانگ و کوستووتسکی، 2012 )، روابط اجتماعی مدیران با اعضای هیئت مدیره شرکت یا تحلیلگران طرف فروش. (به عنوان مثال، کوهن و همکاران، 2008 ؛ گو و همکاران، 2019 )، تجربیات منحصر به فرد اولیه زندگی ( کوچارد و همکاران، 2022 ) و تخصص در بخش های خاص و همچنین دانش عمومی در سراسر بخش ها ( زامبرانا و زاپاترو، 2021 ) . در میان آنها، با وجود آن، تعدادی از مطالعات به این موضوع می پردازند که آیا تجربه مدیر به دست آمده در صنعت سرمایه گذاری به عملکرد برتر پورتفولیو تبدیل می شود (به عنوان مثال، شوالیه و الیسون، 1999b ؛ Golec، 1996 ؛ Gottesman و Morey، 2006 ؛ لی و همکاران، 2011 . فانگ و همکاران، 2014 ؛ کمپف و همکاران، 2017 ؛ زامبرانا و زاپاترو، 2021 )، تحقیقات کمی در مورد تجربه مدیران به‌دست‌آمده در خارج از صنعت مدیریت صندوق، عمدتاً به دلیل دشواری در دست‌یابی به تاریخچه استخدام دقیق، وجود دارد . نزدیکترین کار به ما اثر سیسی و همکاران است. (2018) که نشان می دهد مدیران صندوق های سهام ایالات متحده با تجربه صنعت مهارت های بهتری در انتخاب سهام و زمان بندی بازار از خود نشان می دهند. چن و همکاران (2018)با استفاده از داده‌های مربوط به مدیران صندوق سرمایه‌گذاری، سابقه استخدام قبلی مدیر صندوق مشترک چینی را مطالعه می‌کند. به ویژه، آنها نشان می‌دهند که مدیران تحلیلگر سابق امنیت، انتخاب‌کنندگان سهام بهتری دارند، در حالی که مدیران تحلیل‌گر اقتصاد کلان سابق، زمان‌سنج‌های بهتری در بازار دارند. مطالعه ما از دو جهت با موارد فوق متفاوت است: (1) ما اولین کسی هستیم که عملکرد مدیران صندوق با درآمد ثابت را با سابقه شغلی گذشته آنها (یعنی تجربه تحلیلگر رتبه بندی اعتبار) مرتبط می کنیم. (2) به جای بررسی تجربه به دست آمده در صنعت سرمایه گذاری که در آن مدیران با انجام کار یاد می گیرند، این مطالعه شواهد تجربی را به بحث در مورد تجربه خارج از صنعت سرمایه گذاری اضافه می کند ( Cici et al., 2018 ).

دوم، مطالعه ما به ادبیاتی مربوط می‌شود که به تأثیر شبکه‌های اجتماعی بر انتخاب پورتفولیو و عملکرد مدیران صندوق‌های سرمایه‌گذاری متقابل و به طور کلی‌تر، بر نتایج عملکرد متخصصان مالی می‌پردازد. از آنجایی که کار اصلی هونگ و همکاران. (2005) ، مطالعات نشان داده اند که چگونه ارتباطات دهان به دهان بر تصمیم مدیران صندوق های مشترک تأثیر می گذارد (به عنوان مثال، کوهن و همکاران، 2008 ؛ روسی و همکاران، 2018 ). این یافته ها توسط یک چارچوب نظری در Stein (2008) منطقی شده اند . فراتر از بخش صندوق‌های مشترک، شبکه‌های بهتر شرکت‌های سرمایه‌گذاری خطرپذیر را برای دستیابی به خروج موفق‌تر تسهیل می‌کنند ( هوچبرگ و همکاران، 2007 )، مدیران صندوق‌های تامینی برای انجام معاملات سودآور از طریق لابی‌گران متصل ( گائو و هوانگ، 2016 )، تحلیلگران طرف فروش برای تولید. تحقیقات با کیفیت بالا از طریق تحلیلگران مرتبط با طرف خرید ( Cici et al., 2019 )، و تحلیلگران برای بهبود دقت پیش بینی درآمد از طریق مدیران اجرایی شرکت متصل ( Bradley et al., 2017 ). با این حال، مطالعات قبلی هنوز مشخص نکرده اند که آیا مزیت اطلاعاتی این متخصصان از تخصص مرتبط یا روابط شخصی ناشی می شود. ما بر روی یک نوع شبکه تمرکز می کنیم که از طریق محل کار شکل می گیرد و با جدا کردن تأثیر شبکه از تخصص کاری به این رشته ادبیات کمک می کنیم. در محدوده بازار صندوق اوراق قرضه چین، یافته‌های ما شواهدی را نشان می‌دهد که مدیران تحلیلگر CRA از طریق تخصص به جای شبکه به عملکرد بهتری دست می‌یابند.

در آخر، ما مطالعات مربوط به مسیرهای شغلی تحلیلگران رتبه‌بندی اعتبار را تکمیل می‌کنیم. بحث فعلی در مورد مشاغل تحلیلگران رتبه بندی بر تضاد منافع بالقوه بین تحلیلگران و کارفرمایان آینده آنها (که به عنوان “اثرات درهای گردان” مشخص می شود) یا بر ناهمگونی بین تحلیلگران رتبه بندی در CRA متمرکز است. برای مثال، بار-ایزاک و شاپیرو (2011) اذعان می‌کنند که در حالی که تحلیلگران رتبه‌بندی گردان ممکن است به ناشران کمک کنند تا «نظام رتبه‌بندی» را انجام دهند، کیفیت کلی اوراق بهادار رتبه‌بندی‌شده ممکن است بهبود یابد اگر ناشران «تحلیل‌گران بیشتر و بهتر» را استخدام کنند. کورناگیا و همکاران (2016) اسنادی را نشان می دهد که تحلیلگران رتبه بندی اعتباری تمایل دارند رتبه بندی شرکت هایی را که بعداً توسط آنها استخدام می شوند افزایش دهند. به طور مشابه، با بررسی بازار اوراق بهادار، جیانگ و همکاران. (2018) دریافته است که هر چه ناشران بیشتر تحلیلگران رتبه بندی اعتباری را به کار گیرند، احتمال بیشتری دارد که رتبه بندی انتشارات MBS و ABS جدید ناشران متورم شود. با این حال، Kempf (2020) رابطه مثبتی بین دقت رتبه بندی تحلیلگران و احتمال استخدام آنها توسط بانک های پذیره نویس پیدا می کند. در آژانس رتبه بندی اعتباری، کیسگن و همکاران. (2020) دریافته است که تحلیلگران دقیق احتمال ترفیع بیشتری دارند و احتمال ترک آن کمتر است. برعکس برای تحلیلگرانی که مرتباً رتبه خود را کاهش می دهند صادق است. مطالعه ما این رشته از ادبیات را با تمرکز بر عملکرد مدیران تحلیلگر سابق پس از خروج آنها از CRA و مقایسه آنها با همتایان غیر تحلیلگر خود در صنعت مدیریت صندوق گسترش می دهد.

بقیه مقاله به شرح زیر سازماندهی شده است. در بخش 2، پیشینه سازمانی را ارائه می دهیم. در بخش 3، داده های خود را شرح می دهیم و آمار خلاصه ارائه می دهیم. ما فرضیه اولیه خود را در بخش 4 آزمایش می‌کنیم که وجوه اوراق قرضه که توسط مدیران عامل اداره می‌شوند در تجزیه و تحلیل پایه، تجزیه و تحلیل متغیرهای ابزاری، تجزیه و تحلیل‌های نمونه منطبق و تعدادی از آزمایش‌های اضافی عملکرد بهتری دارند و در مورد انتخاب امنیت و زمان‌بندی بازار بحث می‌کنیم. بخش 5 توضیح غالب برای عملکرد بهتر مدیران عامل بین کانال های تخصصی و شبکه را بررسی می کند. بخش 6 نگاه دقیق تری به رابطه جریان مدیر عامل و صندوق می اندازد و بخش 7 نتیجه گیری می کند.

2 . صنعت صندوق سرمایه گذاری مشترک در چین

آغاز به کار اولین صندوق سرمایه گذاری مشترک “Huaan Chuangxin” در سال 2001 نشان دهنده منشأ رسمی صنعت صندوق های مشترک چینی است . از آن زمان، این صنعت رشد تصاعدی را تجربه کرده است. اولین صندوق سرمایه گذاری مشترک با درآمد ثابت در سپتامبر 2002 راه اندازی شد. در سال 2003، تنها 110 صندوق سرمایه گذاری آزاد وجود داشت که 11 مورد آن در بخش صندوق با درآمد ثابت بود. تا ماه مه 2020، 6616 صندوق سرمایه گذاری مشترک از 150 شرکت مدیریت صندوق وجود دارد که TNA آن 16.88 یوان (2.60 دلار آمریکا) تریلیون است. در حالی که اندازه کلی بازار ممکن است با ایالات متحده قابل مقایسه نباشد (حدود 30 تریلیون دلار آمریکا تا سال 2020)، شکاف بین بزرگترین صندوق های سرمایه گذاری فردی در این دو بازار در سال های اخیر به شدت کاهش یافته است. به عنوان مثال، بیستمین صندوق بزرگ ایالات متحده تا جولای 2021 دارای TNA تقریباً 143 میلیارد دلار است. این نشان می‌دهد که یک صندوق متوسط که توسط ” E -Funds” یکی از شرکت‌های صندوق بزرگ در چین اداره می‌شود، باید برای این فهرست با TNA 927.8 یوان (تقریبا 143.2 دلار آمریکا) تا مارس 2021 واجد شرایط باشد.

تا پایان ماه مه 2020، بخش درآمد ثابت شامل 2105 صندوق با TNA 4563 یوان (704 دلار آمریکا) میلیارد است که 27.03٪ از کل بازار صندوق های سرمایه گذاری مشترک در چین را تشکیل می دهد. از این میان، 1986 به صورت فعال و 119 به صورت غیرفعال مدیریت می شوند. در عین حال، 1190 صندوق سرمایه گذاری مشترک وجود دارد که 478 صندوق با مدیریت فعال و 712 صندوق با مدیریت غیرفعال هستند. از سوی دیگر، بخش صندوق هیبریدی شامل 2749 صندوق با TNA 2438 یوان (حدود 376 دلار آمریکا) میلیارد است و 14.44 درصد از سهم بازار را به خود اختصاص می دهد. از این میان 963 مورد سهام محور و 309 مورد اوراق مشارکت هستند. پانل A از شکل 1 اندازه بازار شش بخش صندوق (یعنی سهام فعال، سهام غیرفعال، سهام محور، اوراق قرضه فعال، اوراق قرضه منفعل و اوراق قرضه محور) و تعداد وجوه در هر یک را بین ژانویه 2002 و مه ترسیم می کند. 2020. ما تا سال 2014، با اختلال بحران مالی جهانی 2008-2009، روند افزایشی قوی را برای همه انواع صندوق‌های سهام مشاهده می‌کنیم. در میان تمام بخش‌ها، صندوق‌های سهام فعال به شدت تحت تأثیر سقوط بازار سهام چین در جولای 2015 قرار گرفتند، همانطور که در پانل B شکل 1 نشان داده شده است . از آن زمان، صندوق‌های سهام منفعل، صندوق‌های سرمایه‌محور و همچنین صندوق‌های اوراق قرضه فعال از صندوق‌های سهام فعال در چین بیشتر شده‌اند. در بخش صندوق‌های سرمایه‌گذاری با درآمد ثابت، صندوق‌هایی که به طور فعال مدیریت می‌شوند، به طور مداوم بر بازار تسلط دارند و از سال 2015 به شدت افزایش یافته‌اند. در مقاله ما، بر روی صندوق‌های سرمایه‌گذاری باز با درآمد ثابت با مدیریت فعال و همچنین صندوق‌های اوراق قرضه تمرکز می‌کنیم. در مجموع به عنوان صندوق های مشترک با درآمد ثابت یا صرفاً صندوق های اوراق قرضه از این پس نامیده می شوند. ⁷

تحت مکانیزم مشوقی مشابه با بازار صندوق‌های سرمایه‌گذاری مشترک ایالات متحده، مدیران صندوق‌های چینی بازده پرتفوی با ریسک مثبت را دنبال می‌کنند. هزینه های مدیریت معمولاً بخش ثابتی از دارایی های تحت مدیریت (AUM) است. این نشان می‌دهد که هرچه AUM بزرگ‌تر باشد، مجموع هزینه‌های مدیریتی که شرکت‌های صندوق می‌توانند جمع‌آوری کنند، بیشتر می‌شود و مدیران صندوق می‌توانند از غرامت بیشتری برخوردار شوند. جدا از انگیزه های پولی، مدیران صندوق دارای نگرانی هایی برای شهرت هستند ( کمپف و همکاران، 2009 ). آنها هر ساله توسط بازار یا حتی توسط کارفرمایانشان در هر سه ماهه بر اساس عملکردشان رتبه بندی می شوند. بنابراین، مدیران صندوق به شدت انگیزه دارند تا از همتایان خود بهتر عمل کنند.

3 . نمونه، متغیرها و آمار خلاصه

3.1 . نمونه و متغیرها

ما اطلاعات مدیر صندوق اوراق قرضه، ویژگی‌های شرکت صندوق، و همچنین ویژگی‌های اوراق قرضه و صادرکننده برای دارایی‌های وجوه را از وب‌سایت‌های Wind Information Co. Ltd. (Wind) و CRAs برای دوره بین سپتامبر 2002 و مه 2020 منبع می‌کنیم. ما همچنین تجربه کاری مدیر صندوق با تحقیقات بازار سهام و حسابداری چین (CSMAR)، انجمن اوراق بهادار چین (SAC) و انجمن مدیریت دارایی چین (AMAC) را بررسی کنید. ویژگی ها و عملکرد صندوق از Wind، CSMAR و Rozetta تهیه شده است.

به طور خاص، ما یک نمونه صندوق ماهانه ایجاد می کنیم که شامل 134091 مشاهدات از 3679 صندوق با درآمد ثابت متمایز است. ⁸ ما بازده خالص کارمزد صندوق را با استفاده از مقادیر خالص دارایی انباشته ( بازده خالص صندوق ) محاسبه می کنیم و یک دوازدهم نسبت هزینه سالانه را به بازده ماهانه خالص از کارمزد اضافه می کنیم تا بازده ناخالص ( بازده صندوق ) را بدست آوریم. سایر ویژگی های صندوق عبارتند از سن صندوق ( عصر صندوق )، کل دارایی خالص صندوق (اندازه صندوق )، هزینه مدیریت ( کارمزد صندوق )، تعداد مدیرانی که صندوق را اداره می کنند ( اندازه تیم )، کل دارایی خالص تمام صندوق های اوراق قرضه. مدیریت شده توسط یک خانواده صندوق ( اندازه خانواده BF )، و اندازه کل صندوق خانواده صندوق ( اندازه خانواده ).

هدف اصلی ما این است که بررسی کنیم که آیا وجوه اوراق قرضه که توسط مدیران عامل اداره می شوند بهتر از سرمایه های اداره شده توسط مدیران غیر عامل هستند. برای آزمایش فرضیه خود، از بازده تعدیل شده با ریسک، آلفا ، به عنوان پروکسی برای عملکرد استفاده می کنیم. ما آلفاهای صندوق را با استفاده از عوامل ریسک پیش فرض ( DEF ) و ریسک مدت ( TERM ) از گبهارت و همکاران تخمین می زنیم. مدل (2005) . DEF تفاوت بین بازده ماهانه اوراق قرضه اعتباری بلندمدت (اندازه گیری شده توسط بازده شاخص اوراق قرضه اعتباری CSI) و بازده ماهانه اوراق قرضه خزانه داری بلند مدت (اندازه گیری شده توسط بازده شاخص اوراق قرضه خزانه داری CSI) است، در حالی که TERM تفاوت بین بازده ماهانه است . بازده اوراق قرضه بلندمدت خزانه داری (که با بازده شاخص اوراق قرضه خزانه داری CSI اندازه گیری می شود) و نرخ سپرده یک ساله. ما مدل را با گنجاندن یک عامل ریسک نزولی ( DRF )، یک عامل ریسک اعتباری ( CRF )، یک عامل ریسک نقدینگی ( LRF ) و یک عامل برگشت بازده ( REV ) با انگیزه بای و همکاران، تقویت می‌کنیم. (2019) (از این پس مدل GHS-Bai). برای اختصار، ما یک بحث مفصل در مورد این عوامل خطر اوراق قرضه در جدول A1 ارائه می دهیم . برای ایجاد این عوامل، ما اطلاعات میانگین موزون ماهانه قیمت معاملات، حجم معاملات، زمان تا سررسید و رتبه اعتباری را برای تمام اوراق بدهی شرکت‌های دولتی متوسط و بلندمدت منتشر شده توسط شرکت‌های غیرمالی از سال 2007 تا مه 2020 استخراج می‌کنیم. ⁹ پس از غربالگری نمونه به دنبال آلتمن و همکاران. (2021) ، 228248 مشاهدات ماهانه اوراق قرضه برای 13963 اوراق قرضه صادر شده توسط 4084 ناشر بین دسامبر 2007 تا مه 2020 برای ایجاد عوامل خطر به دست آمده است.

به طور خاص، ابتدا بارهای عاملی را با استفاده از مدل GHS-Bai ¹⁰ تعیین می کنیم : ${ExcessReturn}_{i, t} = α_{i} + β_{1, i} {DEF}_{t} + β_{2, i} {TERM}_{t} + β_{3, i} {REV}_{t}$ (1) $+ β_{4, i} {DRF}_{t} + β_{5, i} {LRF}_{t} + β_{6, i} {CRF}_{t} + ε_{i, t} .$ جایی که ${ExcessReturn}_{i, t}$ تفاوت بین بازده ناخالص (بازده خالص کارمزد) برای مدیر i در ماه t و نرخ بازده بدون ریسک که توسط نرخ سپرده یک ساله تقریبی شده است. تعریف همه عوامل خطر را می توان در جدول A1 یافت . ما بارگذاری‌ها را برای هر مدیر صندوق تخمین می‌زنیم، با این فرض ضمنی که همان وجوه تحت مسئولیت مدیران مختلف باید پروفایل‌های ریسک متفاوتی داشته باشند. ¹¹ سپس عبارت ثابت تخمینی را بدست می آوریم $α_{i}$ برای هر مدیر صندوق و باقیمانده ها را اضافه کنید $ε_{i, t}$ برای بدست آوردن آلفاهای ماهانه، که به ترتیب با آلفا g و آلفا n مشخص می شوند ( برنان و همکاران، 1998 ).

وظيفه اصلي ديگر اين مقاله بررسي ذخاير صندوق و عملكرد آنهاست. برای این منظور، دارایی های فصلی مفصل برای هر صندوق را استخراج می کنیم. Wind اطلاعاتی در مورد اوراق قرضه ارائه می دهد که 10 دارایی برتر هر صندوق را رتبه بندی می کند، از جمله نام اوراق، نام صادرکننده اوراق، سهام دارایی ها ( سهام )، ارزش بازار دارایی ها ( ارزش )، و وزن هر اوراق در صندوق. کل دارایی خالص ( وزن ). برای گردآوری مجموعه داده ماهانه نگهداری اوراق قرضه، از ارزش پایان سه ماهه به عنوان دارایی های دو ماه قبل استفاده می کنیم، با این فرض که دارایی ها در یک چهارم ثابت می مانند و در پایان سه ماهه گزارش می شوند.

ما سابقه استخدام مدیران را بدست می آوریم و متغیر مستقل مورد علاقه خود، Agent را به عنوان یک متغیر ساختگی تعریف می کنیم که اگر صندوقی توسط مدیر عامل در یک ماه معین اداره شود برابر با یک است، در غیر این صورت صفر است. ¹² با بررسی دستی مسیر شغلی مدیر صندوق بین Wind و سایر منابع، می‌توانیم 57 تحلیلگر و 977 مدیر صندوق اوراق قرضه غیر تحلیلگر را شناسایی کنیم. ما تاریخ پیوستن و ترک یک CRA (برای مدیران تحلیلگر)، تعداد سال‌های کار در صنعت مدیریت صندوق ( Tenure FM )، تعداد سال‌هایی که یک صندوق خاص را اداره می‌کنند ( Tenure )، جنسیت آنها ( جنسیت) را به دست می‌آوریم. ) و همچنین سوابق تحصیلی آنها ( Degree ). علاوه بر این، برای هر مدیر تحلیلگر، ما به‌صورت دستی اطلاعات مربوط به گزارش‌های رتبه‌بندی اعتباری را که صادر کرده‌اند جمع‌آوری می‌کنیم تا صنایعی را که تحت پوشش قرار می‌دهند شناسایی کنیم و بنابراین اعتقاد بر این است که تخصص‌هایی کسب کرده‌اند. ما همچنین دو متغیر را برای اتصال یک مدیر تحلیلگر به دارایی‌های اوراق قرضه خود تعریف می‌کنیم: Connected ، یک متغیر ساختگی که در صورتی که صادرکننده اوراق توسط کارفرمای سابق CRA مدیر رتبه‌بندی شده باشد، برابر با یک و در غیر این صورت صفر است. و Specialization ، یک متغیر ساختگی است که اگر صادرکننده اوراق قرضه از صنعتی باشد که بیشترین رتبه را در سوابق رتبه‌بندی مدیر عامل دارد یا در بیش از 35 درصد گزارش‌های رتبه‌بندی او دیده می‌شود، برابر با یک است. ¹³ تمام متغیرها به تفصیل در جدول A1 توضیح داده شده اند .

3.2 . آمار خلاصه

ما مشاهدات ماهانه صندوق را با پیشینه مدیران صندوق ادغام می کنیم. با حذف وجوه و صندوق های ETF با مدیریت منفعلانه، ما با 131376 مشاهدات ماهانه صندوق برای 3502 صندوق با درآمد ثابت بین سپتامبر 2002 و مه 2020 باقی می مانیم. پس از ادغام با عوامل ریسک بازار اوراق قرضه و حذف وجوه بدون مشاهدات کافی، نمونه نهایی ما شامل: 112,312 مشاهدات ماهانه صندوق، شامل 3016 صندوق اوراق قرضه با مدیریت فعال و 114 خانواده صندوق از دسامبر 2007 تا مه 2020. در سطح مدیر صندوق، ما قادریم 1000 مدیر صندوق اوراق قرضه متمایز را شناسایی کنیم که 37 نفر (3.7٪) کار کرده اند. در یک CRA این 37 مدیر تحلیلگر، همانطور که در جدول 1 نشان داده شده است، 224 (7.4٪) صندوق را در نمونه ما اجرا کرده اند . مدیران تحلیلگر سابق به طور متوسط 2.8 سال در CRAها کار کردند که 20 نفر از آنها تحلیلگر جوان و 17 تحلیلگر ارشد پس از ترک CRA بودند.

جدول 1 . توزیع سالانه نمونه

سال	صندوق خانواده ها	صندوق های اوراق قرضه	مدیران	وجوه عامل	مدیران عامل	مدیران در هر صندوق	# اوراق قرضه در 10 دارایی برتر
2007	25	38	30	0	0	1.2	90
2008	39	77	63	0	0	1.3	240
2009	51	122	84	0	0	1.4	367
2010	52	137	97	0	0	1.4	379
2011	54	183	110	0	0	1.3	519
2012	59	246	143	0	0	1.2	813
2013	65	414	188	2	1	1.2	1343
2014	73	507	219	2	1	1.3	1906
2015	81	597	246	10	5	1.3	2330
2016	89	959	301	32	6	1.3	3654
2017	96	1522	387	68	15	1.4	5831
2018	105	1949	506	104	23	1.5	5741
2019	107	2603	627	151	33	1.5	5925
2020	114	3016	626	188	36	1.4	3515
جمع	114	3016	1000	224	37	–	19,194
منظور داشتن	72	884	259	40	9	1.3	2332

این جدول توزیع سالانه تعداد خانواده‌های صندوق، صندوق‌های اوراق قرضه، مدیران، صندوق‌های عامل، مدیران عامل، مدیران هر صندوق و تعداد اوراق قرضه در 10 دارایی برتر در نمونه ما را برای صندوق‌های سرمایه‌گذاری با درآمد ثابت باز در سال نشان می‌دهد. چین در بازه زمانی دسامبر 2007 تا مه 2020.

جدول 1 توزیع سالانه نمونه ما را ارائه می دهد. در دوره نمونه، تعداد شرکت‌های صندوقی که صندوق‌های اوراق قرضه را مدیریت می‌کنند از 25 به 114 افزایش می‌یابد که تعداد صندوق‌های با درآمد ثابت از 38 به 3016 و تعداد مدیران صندوق از 30 به 626 افزایش یافته است. تعداد صندوق‌های مدیریت شده توسط عوامل از صفر به 188 افزایش می یابد همراه با افزایش تعداد مدیران عامل در طول زمان. به طور متوسط، هر صندوق 1.3 مدیر صندوق را استخدام می کند، که مشابه آنچه برای صندوق های سهام مستند شده است ( گو و همکاران، 2019 ). با گذشت سالها، تعداد اوراق افشا شده به عنوان در 10 دارایی برتر از 90 به 3515 افزایش یافته است.

جدول OA1 پیوست آنلاین توزیع CRA از 37 مدیر عامل در نمونه ما را ارائه می دهد. آنها توسط هفت CRA داخلی (37 CRA)، یک CRA با سرمایه گذار داخلی (4) و یک CRA خارجی (1) به کار گرفته شدند. در بین این مدیران، 5 نفر از آنها قبل از پیوستن به صنعت سرمایه گذاری صندوق در بیش از یک CRA کار کرده اند. اکثر مدیران تحلیلگر از چهار CRA بزرگ در چین (یعنی داگونگ، چنگسین-مودی، برلیانس و لیانه) هستند.

جدول 2 آمار توصیفی صندوق های اوراق قرضه و مدیران صندوق را در نمونه گزارش می دهد . پانل A آمار خلاصه برای نمونه کامل را نشان می دهد. برای کاهش اثر عوامل پرت، همه متغیرهای پیوسته را در هر دو درصد بالا و پایین در تحلیل رگرسیون winsorize می کنیم . میانگین آلفاهای ماهانه برآورد شده بر اساس بازده ناخالص و بازده خالص کارمزد به ترتیب 0.247٪ و 0.204٪ است. وجوه مدیریت شده توسط عامل 3.5 درصد از مشاهدات نمونه را تشکیل می دهد. صندوق‌های اوراق قرضه در چین معمولاً جوان هستند و میانگین سنی صندوق‌ها 36 ماه است و هر ماه 4.3 واحد در ثانیه برای هزینه‌های مدیریت دریافت می‌کنند. TNA متوسط یک صندوق 1.4 میلیارد یوان (تقریباً 217 میلیون دلار آمریکا) است، در حالی که میانگین TNA خانواده های صندوق 193 یوان (حدود 30 دلار آمریکا) میلیارد است. اکثریت صندوق‌ها را مدیران انفرادی تشکیل می‌دهند و 70 درصد مدیران را مردان با مدرک کارشناسی ارشد تشکیل می‌دهند. به طور متوسط، مدیران صندوق دارای یک دوره 2 ساله در اداره صندوق های فعلی و 4.6 سال سابقه کار در صنعت مدیریت صندوق هستند. پانل B جدول 2 ویژگی های صندوق و مدیر را بین گروه های مدیریت صندوق تحلیلگر و غیر تحلیلگر مقایسه می کند. به طور متوسط، مدیران عامل و غیر عامل، از نظر بسیاری از جنبه ها به جز اندازه صندوق، صندوق های مختلفی را اداره می کنند. به طور خاص، مدیران عامل صندوق‌های جوان‌تر را اداره می‌کنند، هزینه‌های مدیریتی کمتری دریافت می‌کنند و برای شرکت‌های مدیریتی بزرگ‌تر با دارایی‌های بیشتر تحت مدیریت صندوق‌های اوراق قرضه کار می‌کنند. مردان بیشتری در بین مدیران عامل وجود دارد که تمایل دارند مدت تصدی کوتاه تری در صنعت مدیریت صندوق داشته باشند.

جدول 2 . آمار خلاصه.

پانل A: نمونه کامل
سلول خالی	منظور داشتن	SD	p10	میانه	p90	Obs
آلفا جی	0.247	1.192	0.687-	0.183	1.266	112,312
آلفا n	0.204	1.192	0.735-	0.145	1.217	112,312
عصر صندوق	35.737	32.787	4000	26000	82000	112,312
اندازه صندوق	1.399	2.100	0.068	0.575	3.600	112,312
کارمزد صندوق	0.043	0.017	0.025	0.050	0.058	112,312
اندازه تیم	1.384	0.582	1000	1000	2000	112,312
اندازه BF خانواده	51.466	60.774	2.369	26.435	144.045	112,312
سایز خانواده	192.537	195.207	15.986	102.131	507.988	112,312
عامل	0.035	0.185	0.000	0.000	0.000	112,312
تصدی	1.902	1.734	0.250	1.417	4.250	112,312
تصدی FM	4.345	3.105	1000	3.583	9000	112,312
جنسیت	0.692	0.462	0.000	1000	1000	112,312
درجه	2.023	0.382	2000	2000	2000	112,312

پانل B: صندوق عامل و غیر عامل
سلول خالی	منظور داشتن		میانه		میانگین تفاوت	میانه تفاوت
سلول خالی	نماینده (1)	غیر نماینده (2)	نماینده (3)	غیر نماینده (4)	(1) – (2)	(3) – (4)
عصر صندوق	29.706	35.958	20000	26000	−6.252***	−6000***
اندازه صندوق	1.364	1.400	0.546	0.576	0.036	0.030-
کارمزد صندوق	0.038	0.044	0.025	0.050	−0.006***	−0.025***
اندازه تیم	1.743	1.371	2000	1000	0.372***	1000***
اندازه BF خانواده	60.335	51.142	32.043	26.291	9.193***	5.752***
سایز خانواده	213.404	191.774	153.829	101.607	21.630***	52.222***
تصدی	1.147	1.930	0.833	1.417	−0.783***	−0.584***
تصدی FM	2.863	4.399	2.417	3.667	−1.536***	−1.250***
جنسیت	0.773	0.689	1000	1000	0.084***	0.000
درجه	2.079	2.021	2000	2000	0.058***	0.000
Obs.	3964	108,348	3964	108,348

پانل A این جدول مقادیر میانگین (میانگین)، انحراف معیار (SD)، صدک دهم (p10)، میانه (میانگین)، صدک 90 (p90) ویژگی های مختلف صندوق و مدیر را برای 112312 مشاهدات ماهانه صندوق برای 3016 باز ارائه می دهد. -پایان صندوق های سرمایه گذاری مشترک با درآمد ثابت از دسامبر 2007 تا مه 2020. پانل B مقادیر میانگین و میانه صندوق و ویژگی های مدیر را بین مدیران عامل و غیر عامل ارائه می دهد. ما آزمون‌های t را برای تفاوت میانگین‌ها و آزمون‌های Wilcoxon برای تفاوت در میانگین‌ها برای مقایسه بین مدیران عامل و غیر عامل در دو ستون آخر انجام می‌دهیم. متغیرهای مشخصه صندوق عبارتند از: بازده صندوق تعدیل شده با ریسک ( Alpha g, Alpha n )، سن صندوق ( سن صندوق )، کل خالص دارایی‌های صندوق ( اندازه صندوق )، هزینه مدیریت ( کارمزدهای صندوق )، تعداد مدیرانی که صندوق را اداره می‌کنند. اندازه تیم )، کل دارایی‌های خالص صندوق‌های اوراق قرضه مدیریت شده توسط خانواده صندوق ( اندازه خانواده BF )، و اندازه کل صندوق خانواده صندوق ( اندازه خانواده ). متغیرهای مشخصه مدیر عبارتند از: تجربه کاری ( نماینده )، تعداد سال‌هایی که یک صندوق خاص را اداره می‌کنند ( تصمیم )، تعداد سال‌هایی که در صنعت مدیریت صندوق ( Tenure FM )، اطلاعات مربوط به جنسیت ( جنسیت ) و سوابق تحصیلی ( مدرک تحصیلی ). همه متغیرها در جدول A1 تعریف شده اند . *، ** و *** به ترتیب در سطح 10%، 5% و 1% معناداری را نشان می دهند.

4 . مدیران عامل و عملکرد صندوق اوراق قرضه

در این بخش، هدف ما این است که به سوال تحقیق اولیه خود پاسخ دهیم، یعنی اینکه آیا یک تحلیلگر رتبه اعتباری سابق می تواند در مدیریت یک صندوق اوراق قرضه از همتایان خود بهتر عمل کند؟ ما ابتدا یک آزمایش پایه بر روی نمونه کاملی که در بخش 3.2 به دست می آوریم انجام می دهیم. سپس از تحلیل متغیر ابزاری و دو رویکرد تطبیق برای کاهش نگرانی‌های درون‌زایی بالقوه استفاده می‌کنیم. ما همچنین مجموعه‌ای از تست‌های استحکام را برای تأیید یافته‌های اولیه خود اضافه می‌کنیم. در پایان این بخش، عملکرد بهتر مدیران تحلیلگر را با بررسی توانایی‌های انتخاب امنیت و زمان‌بندی بازار تجزیه می‌کنیم.

4.1 . نتایج پایه

برای تجزیه و تحلیل عملکرد مدیران تحلیلگر، از مشخصات رگرسیون زیر استفاده می کنیم:(2) ${Alpha}_{f, i, t} = β_{0} + β_{1} {Agent}_{f, i, t} + β_{2} {Controls}_{t - 1} + α_{f} + α_{t} + ε_{f, i, t}$ جایی که عملکرد صندوق، ${Alpha}_{f, i, t}$ ، عملکرد صندوق f اجرا شده توسط مدیر i را در ماه t اندازه گیری می کند . ${Agent}_{f, i, t}$ شاخصی است که اگر صندوق f توسط مدیر عامل i در ماه t اداره شود برابر با یک است . در غیر این صورت صفر ${Controls}_{t - 1}$ مجموعه ای از متغیرهای کنترلی است، از جمله سن صندوق، اندازه صندوق، کارمزد مدیریت، TNA خانواده صندوق های اوراق قرضه، TNA خانواده همه صندوق ها، تعداد مدیرانی که همان صندوق را اداره می کنند، جنسیت مدیر، مدرک تحصیلی، مدت تصدی اداره صندوق و دوره تصدی از زمان ورود به صنعت مدیریت صندوق. شامل می کنیم $α_{f}$ و $α_{t}$ در معادله (2) برای کنترل اثرات ثابت صندوق و اثرات ثابت ماهانه، با هدف در نظر گرفتن ناهمگونی‌های ثابت زمان مشاهده نشده در بین صندوق‌ها و برای متغیرهایی که در بین صندوق‌ها ثابت هستند اما به ترتیب در طول زمان تغییر می‌کنند. خطاهای استاندارد در سطح صندوق خوشه بندی می شوند.

جدول 3 تخمین معادله را نشان می دهد. (2) . ستون های 1، 3، 5 و 7 نتایج را با استفاده از Alpha g به عنوان متغیر وابسته گزارش می کنند، در حالی که ستون های 2، 4، 6 و 8 نتایج را با استفاده از Alpha n گزارش می کنند . به طور کلی، مدیران عامل عملکرد بهتری از همتایان غیر عامل دارند که توسط ضرایب یکنواخت و مثبت معنی‌دار در متغیر ساختگی عامل بدون در نظر گرفتن مشخصات مدل ثبت شده است. از نظر اقتصادی، انتصاب یک تحلیلگر رتبه‌بندی سابق برای اداره یک صندوق اوراق قرضه، عملکرد صندوق را به طور متوسط 11 تا 12 واحد در ثانیه برای دوره دسامبر 2007 تا مه 2020، همانطور که در ستون‌های 5 تا 6 نشان داده شده است، بهبود می‌بخشد. ما دوره نمونه را به ژانویه 2013 – مه 2020 در ستون‌های 3-4 و 7-8 کوتاه می‌کنیم، زیرا هیچ مشاهداتی برای مدیران تحلیلگر قبل از سال 2013 وجود ندارد. یافته‌های ما ثابت می‌ماند و مشخص‌تر می‌شود (14-16 bps). نتایج برای سایر متغیرها تا حد زیادی با موارد قبلی سازگار است. به عنوان مثال، بازده صندوق با سن صندوق (به عنوان مثال، ایوانز و همکاران، 2020 ؛ چن و همکاران، 2020 )، کارمزدهای صندوق (به عنوان مثال، فانگ و همکاران، 2014 ؛ زامبرانا و زاپاترو، 2021 )، اندازه صندوقهمبستگی منفی دارند.(به عنوان مثال، چن و همکاران، 2004 ؛ گو و همکاران، 2019 ؛ زامبرانا و زاپاترو، 2021 ) و اندازه خانواده (مانند پاتل و سرکیسیان، 2017 ). ما همچنین عملکرد بهتر مدیران زن را نسبت به مردان مستند می کنیم. دوره تصدی مدیران به طور مثبت به عملکرد صندوق کمک نمی کند (به عنوان مثال، فانگ و همکاران، 2014 ).

جدول 3 . مدیران عامل و عملکرد صندوق اوراق قرضه.

سلول خالی	(1)	(2)	(3)	(4)	(5)	(6)	(7)	(8)
سلول خالی	آلفا جی	آلفا n	آلفا جی	آلفا n	آلفا جی	آلفا n	آلفا جی	آلفا n
عامل	0.149***	0.153***	0.143***	0.147***	0.113***	0.117***	0.155***	0.159***
سلول خالی	(5.030)	(5.159)	(4.885)	(5.014)	(3.739)	(3.864)	(5.158)	(5.281)
عصر صندوق					−0.007***	−0.007***	0.002-	0.002-
سلول خالی					(-5.005)	(-5.028)	(-1.135)	(-1.170)
اندازه صندوق					−0.011***	−0.011***	−0.015***	−0.015***
سلول خالی					(-4.464)	(-4.481)	(-5.902)	(-5.924)
کارمزد صندوق					−7.780***	−8.588***	−7.796***	−8.601***
سلول خالی					(-24.583)	(-27.136)	(-25.126)	(-27.724)
اندازه تیم					0.005	0.005	−0.021***	−0.022***
سلول خالی					(0.708)	(0.663)	(-2.737)	(-2.780)
اندازه BF خانواده					−0.000*	0.000*	0.000**	0.000**
سلول خالی					(1.810)	(1.795)	(2.252)	(2.242)
سایز خانواده					−0.000***	−0.000***	−0.000**	−0.000**
سلول خالی					(-3.602)	(-3.626)	(-1.961)	(-2.006)
تصدی					−0.037***	−0.037***	−0.029***	−0.029***
سلول خالی					(-11.041)	(-11.047)	(-8.085)	(-8.111)
تصدی FM					−0.000	−0.000	0.004**	0.004**
سلول خالی					(-0.175)	(-0.147)	(2.121)	(2.149)
جنسیت					−0.093***	−0.093***	−0.127***	−0.127***
سلول خالی					(-7.960)	(-7.960)	(-10.478)	(-10.473)
درجه					0.002-	0.002-	0.005	0.005
سلول خالی					(-0.126)	(-0.145)	(0.336)	(0.316)
سلول خالی
Obs.	112,312	112,312	104,382	104,382	112,312	112,312	104,382	104,382
صفت Rsq	0.306	0.305	0.294	0.293	0.312	0.312	0.300	0.300
زمان / صندوق FE	آره	آره	آره	آره	آره	آره	آره	آره
سال ها	2007–2020	2007–2020	2013–2020	2013–2020	2007–2020	2007–2020	2013–2020	2013–2020

این جدول برآوردهای ماهانه عملکرد صندوق در مدیران عامل را گزارش می دهد. نمونه شامل 112,312 و 104,382 مشاهدات ماهانه صندوق در طول دسامبر 2007 تا مه 2020 در ستون های 1-2 و 5-6 و 2013- مه 2020 در ستون های 3-4 و 7-8 است. متغیرهای وابسته عبارتند از بازده صندوق تعدیل شده با ریسک، آلفا g و آلفا n که بر اساس بازده ناخالص و بازده خالص کارمزد محاسبه می‌شوند، به ترتیب در ستون‌های 1، 3، 5 و 7 و ستون‌های 2، 4، 6 و 8. . Agent یک متغیر ساختگی است که اگر صندوقی توسط مدیر عامل در یک ماه اداره شود برابر یک و در غیر این صورت صفر است. کنترل ها یک دوره تاخیر دارند و در جدول A1 تعریف شده اند . صندوق و اثرات ثابت ماهانه نیز گنجانده شده است. متغیرهای پیوسته در بالا و پایین 1% توزیع نمونه winsorized می شوند. خطاهای استاندارد قوی در سطح صندوق دسته بندی می شوند. آمار t در داخل پرانتز گزارش شده است. *، ** و *** به ترتیب در سطح 10%، 5% و 1% معناداری را نشان می دهند.

نتایج در جدول 3 عملکرد بهتر مدیران عامل را در حالی که فهرستی طولانی از ویژگی های صندوق و مدیر را کنترل می کنند، نشان می دهد. هنوز ممکن است این نگرانی وجود داشته باشد که مدیران عامل قبلاً قبل از پیوستن به CRAها به مهارت های برجسته مجهز شده بودند و CRA ها آنها را برای این مهارت ها استخدام کرده بودند. بنابراین، بارگذاری مثبت روی ساختگی عامل ، به جای ارزش تجربه کاری آنها در CRA، برتری افراد را به تصویر می‌کشد. برای کاهش نگرانی، یک سری تجزیه و تحلیل اعتدال انجام می دهیم. ما ابتدا اطلاعات بیشتری در مورد مسیر شغلی تحلیلگران در CRA از گزارش های رتبه بندی اعتباری که آنها تهیه کرده اند بازیابی می کنیم. ¹⁴ این اطلاعات شامل (1) دوره تصدی تحلیلگر در CRA و (2) مدت زمانی است که آنها صنایع تخصصی خود را پوشش می دهند. به طور کلی، انتظار می‌رود تحلیلگرانی که دوره تصدی طولانی‌تری دارند و تجربه طولانی‌تری برای پوشش یک صنعت در CRA دارند، هنگام انتقال به مدیریت صندوق‌های اوراق قرضه، برای ارزیابی شرکت‌ها مجهزتر باشند. در مرحله بعد، ما متغیرهای ساختگی زیر را تعریف می کنیم: LongTenure CRA ، LongTenure Specialization و LongTenure All Specialization برای به تصویر کشیدن تجربه خاص CRA در بالا. تعاریف تفصیلی را می توان در جدول A1 یافت .

برای ارائه ابعاد بیشتر در تجربه مرتبط با CRA تحلیلگر، ما همچنین داده‌هایی را در مورد رتبه‌بندی CRAها جمع‌آوری می‌کنیم تا اعتبار آنها را مشخص کنیم. انتظار می رود CRA های معتبرتر به دلیل شهرت بالاتر و سهم بازار بیشتر، آموزش های دقیق تری ارائه دهند و وظایف رتبه بندی بیشتری را به تحلیلگران نسبت به آنهایی که اعتبار کمتری دارند، محول کنند. بنابراین، قابل قبول است که مدیران عاملی که قبلاً توسط این CRAهای معتبر استخدام شده‌اند، مهارت‌های بهتری برای انتقال به شغل آینده خود در مدیریت صندوق اوراق قرضه داشته باشند. برای شناسایی CRAهای معتبر، ما رتبه‌بندی‌های CRA اعلام شده توسط انجمن ملی سرمایه‌گذاران نهادی بازار مالی (NAFMII)، انجمن اوراق بهادار چین (SAC) و انجمن بیمه چین (IAC) را جمع‌آوری می‌کنیم. بر اساس این رتبه‌بندی‌ها، ما یک اندازه‌گیری اعتبار ایجاد می‌کنیم، Top CRA ، که یک متغیر ساختگی برابر با یک است اگر مدیر عامل قبلاً توسط یک آژانس رتبه‌بندی رتبه‌بندی بالا استخدام شده باشد، در غیر این صورت صفر است (مقدار متوسط رتبه‌بندی CRA چهار است).

سپس معادله را مجدداً تخمین می زنیم. (2) با معرفی اصطلاحات تعامل بین Agent و هر یک از متغیرهای ساختگی فوق که تجربه کاری خاص مدیر عامل را در CRA نشان می دهد. در جدول 4 ، ما برآوردهای مثبت یکنواخت ضرایب را در شرایط تعامل مستند می کنیم. به طور خاص، مدیران عامل از همتایان غیر عامل خود بهتر عمل می کنند، اما این عملکرد بهتر در میان کسانی که مدت طولانی تری در CRA ها کار کرده اند (پانل A) قابل توجه تر است. در همین حال، به نظر می رسد پوشش طولانی تر در صنایع تخصصی (پانل های B و C) یا داشتن تجربه کاری در CRA های برتر (پانل های D و E) بیشتر عملکرد بهتر را در بین مدیران عامل توضیح می دهد. مدیران عاملی که برای مدت زمان قابل توجهی در هنگام کار در CRA پوشش تخصصی ایجاد نکرده‌اند، یا برای یک CRA معتبر کار نکرده‌اند، عملکرد مشابهی با همتایان غیر نماینده دارند. این شواهد از اثر سرریز سرمایه انسانی ویژه CRA پشتیبانی می‌کند، جایی که مدیران صندوق‌هایی که سابقه یادگیری در CRA (کسب مهارت‌های خاص بازار با درآمد ثابت) دارند، در اجرای صندوق‌های با درآمد ثابت بهتر از کسانی که این کار را ندارند، انجام می‌دهند. .

جدول 4 . مدیران عامل و عملکرد صندوق اوراق قرضه – تجربه تحلیلگر در CRA.

سلول خالی	(1)	(2)	(3)	(4)
سلول خالی	آلفا جی	آلفا n	آلفا جی	آلفا n
پانل A. تصدی در CRA
عامل x LongTenure CRA	0.230***	0.230***	0.217***	0.216***
سلول خالی	(3.017)	(3.007)	(2.895)	(2.887)
عامل	0.070**	0.073**	0.113***	0.117***
سلول خالی	(2.074)	(2.191)	(3.378)	(3.493)
پانل ب. دوره تصدی پوشش تخصصی
Agent x LongTenure Specialization	0.474***	0.478***	0.488***	0.492***
سلول خالی	(6.930)	(6.981)	(7.236)	(7.288)
عامل	0.145-	0.144-	−0.111	−0.110
سلول خالی	(-0.089)	(-0.069)	(-0.588)	(-0.570)
پانل ج. تصدی تمام پوشش های تخصصی
Agent x LongTenure All Specialization	0.427***	0.430***	0.447***	0.450***
سلول خالی	(5.809)	(5.844)	(6.168)	(6.204)
عامل	0.128-	0.126-	−0.101	0.099-
سلول خالی	(-1.450)	(-1.424)	(-0.084)	(-0.059)
پنل D. تجربه کاری برتر CRA
Agent x Top CRA (NAFMII و SAC)	0.507***	0.512***	0.469***	0.474***
سلول خالی	(9.028)	(9.113)	(8.412)	(8.501)
عامل	0.092-	0.090-	0.030-	0.028-
سلول خالی	(-1.426)	(-1.376)	(-0.798)	(-0.751)
پنل E. تجربه کاری CRA برتر 2
Agent x Top CRA (IAC)	0.270***	0.270***	0.241***	0.242***
سلول خالی	(4.793)	(4.805)	(4.339)	(4.353)
عامل	0.047-	0.044-	0.011	0.014
سلول خالی	(-1.050)	(-0.975)	(0.249)	(0.322)
سلول خالی
Obs.	112,312	112,312	104,382	104,382
Ctrls صندوق/مدیر	آره	آره	آره	آره
زمان / صندوق FE	آره	آره	آره	آره
سال ها	2007–2020	2007–2020	2013–2020	2013–2020

این جدول برآوردهای ماهانه عملکرد صندوق را بر روی مدیران عامل، مشروط به دوره تصدی، دوره تصدی پوشش ناشر/صنعت تحلیلگران و اعتبار CRAها گزارش می کند. نمونه شامل 112,312 و 104,382 مشاهدات ماهانه صندوق در طول دسامبر 2007 تا مه 2020 در ستون های 1-2 و 2013- مه 2020 در ستون های 3-4 است. متغیرهای وابسته، بازده صندوق تعدیل شده با ریسک، آلفا g و آلفا n هستند که بر اساس بازده ناخالص و بازده خالص کارمزد، به ترتیب در ستون‌های 1 و 3 و ستون‌های 2 و 4 محاسبه می‌شوند. Agent یک متغیر ساختگی است که اگر صندوقی توسط مدیر عامل در یک ماه اداره شود برابر یک و در غیر این صورت صفر است. LongTenure CRA یک متغیر ساختگی است که اگر تعداد ماه‌هایی که یک مدیر صندوق در CRA کار کرده بالاتر از میانگین نمونه باشد و در غیر این صورت صفر باشد، برابر با یک است. LongTenure Specialization یک متغیر ساختگی است که اگر طولانی‌ترین دوره تصدی در بین صنایع تخصصی تحت پوشش یک مدیر تحلیلگر بالاتر از میانگین نمونه باشد، در غیر این صورت صفر است. LongTenure All Specialization یک متغیر ساختگی است که اگر مدت تصدی تمام صنایع تخصصی توسط یک مدیر تحلیلگر بالاتر از میانگین نمونه باشد، برابر با یک است، در غیر این صورت صفر است. Top CRA (NAFMII SAC) (IAC) یک متغیر ساختگی است که اگر مدیر عامل قبلاً توسط 4 CRA برتر رتبه‌بندی شده توسط NAFMII و SAC (IAC) استخدام شده باشد، برابر با یک است، در غیر این صورت صفر است. جدول ضرایب شرایط تعامل را نشان می دهد. متغیرهای کنترلی صندوق و مدیر جدول‌بندی نشده عبارتند از عامل ، سن صندوق ، اندازه صندوق ، هزینه‌های صندوق ، اندازه تیم ، اندازه خانواده BF ، اندازه خانواده ، دوره تصدی ، دوره خدمت ، جنسیت و مدرک . کنترل ها یک دوره تاخیر دارند و همه متغیرها در جدول A1 تعریف شده اند . صندوق و اثرات ثابت ماهانه نیز گنجانده شده است. متغیرهای پیوسته در بالا و پایین 1% توزیع نمونه winsorized می شوند. خطاهای استاندارد قوی در سطح صندوق دسته بندی می شوند. آمار t در داخل پرانتز گزارش شده است. *، ** و *** به ترتیب در سطح 10%، 5% و 1% معناداری را نشان می دهند.

علاوه بر تجزیه و تحلیل تعدیل بالا، ما اقدامات بیشتری را برای رد این توضیح قابل قبول انجام می دهیم که مدیران تحلیلگر به دلیل مهارت های قبلا مجهز خود قبل از پیوستن به CRA ها عملکرد بهتری دارند. «مهارت‌هایی» که مدیران ممکن است قبل از استخدام توسط CRA به دست آورده باشند می‌تواند ناشی از: (1) پیشینه تحصیلی، که ما در طول تجزیه و تحلیل خود آن را کنترل می‌کنیم، و/یا (2) تجربه کاری قبل از پیوستن به CRAها. ما بررسی دقیق‌تری از نمونه خود انجام می‌دهیم و متوجه می‌شویم که 70.3٪ از 37 مدیر تحلیلگر کار خود را در CRA آغاز کرده‌اند و تجربه کاری قبلی نداشته‌اند. سپس با حذف نمونه‌ای متشکل از 11 مدیر تحلیل‌گر که قبل از پیوستن به CRA تجربه کاری قبلی داشتند، تحلیل پایه خود را مجدداً اجرا می‌کنیم. نتایج (جدول‌نشده) با یافته‌های اصلی ما مطابقت دارند و نشان می‌دهند که مدیران عاملی که قبل از پیوستن به CRA در هیچ جای دیگری کار نکرده‌اند، هنوز هم از همتایان خود بهتر عمل می‌کنند. این امر از این ایده حمایت می‌کند که عملکرد بهتر مدیران تحلیلگر در مدیریت وجوه متقابل اوراق قرضه، به جای سایر شایستگی‌های فردی، به تجربه کاری مرتبط با CRA نسبت داده می‌شود. این همچنین سهم ما را در ادبیات موجود در مورد اثر سرریز سرمایه انسانی تحلیلگران رتبه‌بندی اعتباری تقویت می‌کند.

توضیح قابل قبول دیگر این است که تجربه کاری مدیران تحلیلگر در دوره بین خروج آنها از CRA و پیوستن به صنعت مدیریت صندوق است که بیشتر به عملکرد بهتر آنها کمک می کند تا مزایایی که در CRA به دست آورده اند. برای رفع این نگرانی، ما اثرات ثابتی را برای مؤسسه کنترل می‌کنیم که شاخص‌های باینری برای انواع سازمان‌هایی هستند که مدیران صندوق قبلاً برای آنها کار کرده‌اند، یعنی بانک‌های تجاری، بیمه، شرکت کارگزار و غیره. نتایج در جدول OA2 از آنلاین ضمیمه نشان می دهد که حتی پس از در نظر گرفتن انواع دیگر تجربه کاری، مدیران تحلیلگر سابق همچنان عملکرد برتری از خود نشان می دهند.

همچنین ممکن است این نگرانی وجود داشته باشد که مدیران تحلیلگر استعداد بیشتری نسبت به همتایان خود دارند و بنابراین کار در CRA ها به طور خاص به دلیل عملکرد بهتر آنها در مدیریت صندوق نیست. با توجه به این واقعیت که آنها مدرک تحصیلی بالاتری ندارند و تحلیلگران رتبه اعتباری حقوق به طور قابل توجهی بالاتر از سایرین دریافت نمی کنند ( White, 2010 ; Bar-Isaac and Shapiro, 2011 )، قانع کننده نیست که فرض کنیم آنها هستند. در مقایسه با همتایان خود در صنعت مالی با غرامت نسبتاً با استعدادتر .

می توان بحث کرد که نتایج ما ناشی از مهارت های برتر مدیران تحلیلگر نیست، بلکه به دلیل این واقعیت است که آنها تلاش بیشتری را برای مدیریت صندوق انجام می دهند، که احتمالاً انگیزه کارمزدهای تشویقی است. در واقع، تنها 550 مشاهدات ماهانه صندوق برای 11 صندوق در نمونه ما با کارمزدهای مدیریت شناور وجود دارد، در حالی که 2 مورد از آنها توسط مدیران تحلیلگر سابق مدیریت می شوند. با این وجود، ما این سرمایه ها را حذف می کنیم و مدل های خود را دوباره اجرا می کنیم. یافته های ما هنوز پابرجاست.

نگرانی بالقوه دیگر این است که در نمونه ما، یک سوم (11/37) از مدیران تحلیلگر سابق در داگونگ کار می کردند، از این رو ممکن است برخی از ویژگی های مشاهده نشده این CRA خاص نتایج فعلی را هدایت کند. بنابراین، ما وجوه عامل را حفظ می کنیم و عملکرد را بین تحلیلگران داگونگ و تحلیلگران غیرداگونگ مقایسه می کنیم. ما هیچ تفاوتی بین آنها نمی یابیم.

ما همچنین عملکرد بین مدیران تحلیلگر و مدیران صندوق را که در بانک های سرمایه گذاری برتر در چین کار می کردند، مقایسه می کنیم. ما 5 بانک برتر داخلی را که بر اساس درآمد کسب و کار بانکداری سرمایه‌گذاری بین سال‌های 2018 تا 2020 رتبه‌بندی شده‌اند، و دو بانک با مالکیت خارجی توسط JP Morgan و Goldman Sachs را در نظر می‌گیریم. در نتایج جدول‌بندی نشده، ما همچنان عملکرد بهتری را از مدیران تحلیلگر می‌یابیم. این یافته پیشنهاد ما را تقویت می کند که این تجربه کاری در CRA است، به جای مهارت های برتر و در عین حال بی ربط که در موسسات مالی رده بالای کسب شده است ، که باعث بهبود عملکرد مدیریتی در بخش صندوق اوراق قرضه می شود.

4.2 . درون زایی و آزمایشات اضافی

4.2.1 . درون زایی

برای کاهش نگرانی در مورد رابطه کاذب بین پیشینه تحلیلگر سابق و عملکرد صندوق، که به طور بالقوه ناشی از سوگیری انتخاب خود بر اساس موارد غیرقابل مشاهده یا تعیین نادرست فرم عملکرد است (Shipman et al., 2017)، از یک متغیر ابزاری (IV) استفاده می کنیم. ) نزدیک شوید و دو روش تطبیق را انجام دهید. رویکرد IV این نگرانی را برطرف می کند که وجود عملکرد بهتر صندوق در میان مدیران تحلیلگر ممکن است توسط تعدادی از عوامل غیرقابل مشاهده مخدوش شود. در همین حال، رویکردهای تطبیقی تلاش می‌کنند تا خصوصیات نمونه صندوق‌های غیر عامل (گروه کنترل) را تا حد امکان به ویژگی‌های صندوق‌های در حال اجرا (گروه درمان)، بر اساس ویژگی‌های قابل مشاهده مشابه نزدیک کنند.

4.2.1.1 . تحلیل متغیرهای ابزاری

تجزیه و تحلیل IV، علیت بین مدیران تحلیلگر و عملکرد صندوق را ایجاد می کند. به دنبال ادبیات قبلی (مانند چن و همکاران، 2013 ؛ هان و همکاران، 2017 ؛ آگاروال و ژائو، 2019 )، ما از نسبت تعداد وجوه اوراق قرضه بر تعداد کل صندوق در یک خانواده صندوق در زمانی استفاده می‌کنیم که یک صندوق توسط یک تحلیلگر سابق به عنوان متغیر ابزاری انتخاب می شود ( نسبت صندوق اوراق قرضه ). انتظار می رود نسبت صندوق اوراق قرضه بر استخدام یک تحلیلگر سابق CRA به عنوان مدیر صندوق تأثیر بگذارد، اما مسلماً با عملکرد مورد انتظار صندوق ارتباطی ندارد. بر این فرض استوار است که وجوه زمانی با محدودیت‌های ظرفیت مواجه می‌شوند که باید وجوه اوراق قرضه زیادی را ارائه دهند و از این رو نیاز به کسب منابع انسانی بیشتری برای تجزیه و تحلیل و مدیریت پرتفوی اوراق قرضه دارند (به عنوان مثال، چن و همکاران، 2013 ) . علاوه بر این، دلایل خوبی داریم که باور کنیم تعداد نسبی صندوق‌های اوراق قرضه برون‌زا است، زیرا به احتمال زیاد توسط ملاحظات سازمانی خانواده‌های صندوق تعیین می‌شود تا تمایل آنها برای جذب مدیران از نوع خاصی.

برای اطمینان از اینکه متغیر ابزاری ما از کیفیت بالایی برخوردار است، باید به شدت با Agent dummy از رگرسیون مرحله اول همبستگی داشته باشد. علاوه بر این، IV فقط می تواند از طریق استخدام مدیر عامل بر عملکرد صندوق تأثیر بگذارد. ما برای بررسی رابطه بین IV و متغیرهای مورد علاقه، یک آزمون ابطال انجام می دهیم ( فیلیپس و همکاران، 2018 ). به طور خاص، نمونه را بر اساس IV به 5 پنجک مرتب می‌کنیم، مقادیر میانگین عامل ساختگی و آلفاهای صندوق را برای هر پنجک می‌گیریم، اختلاف میانگین (Q5-Q1) بین پنجک بالا و پایین را محاسبه می‌کنیم و آمار t را بررسی می‌کنیم. (یا p -value). نتایج جدول OA3 پیوست آنلاین نشان می‌دهد که تفاوت‌های میانگین برای آلفای صندوق ناچیز اما برای ساختگی عامل معنی‌دار است ، و نشان می‌دهد که IV ما با ساختگی عامل مرتبط است اما با عملکرد صندوق ارتباطی ندارد. این نتایج از محدودیت حذف حمایت می کند.

جدول 5 نتایج را برای رگرسیون IV 2 مرحله ای خلاصه می کند. ستون 1 (4) رگرسیون مرحله اول و همچنین تست های قدرت روی متغیر ابزاری را ارائه می دهد، در حالی که ستون های 2-3 (5-6) نتایج تخمینی مرحله دوم را با استفاده از ساختگی عامل ابزاری به عنوان متغیر مستقل برای دوره نمونه کامل 2007-مه 2020 (دوره نمونه فرعی 2013-مه 2020). Instrumented Agent مقدار پیش بینی شده ساختگی عامل از رگرسیون مرحله اول است. نتایج مرحله اول نشان دهنده رابطه قوی بین IV و انتصاب مدیر عامل است. ضرایب نسبت صندوق اوراق قرضه مثبت و از نظر آماری معنی دار است، که نشان می دهد وجوه ایجاد شده توسط خانواده هایی با صندوق های اوراق قرضه موجود بیشتر احتمال دارد یک مدیر تحلیلگر سابق را استخدام کنند. برای هر رگرسیون، مقادیر زیاد و معنی دار آزمون عدم شناسایی (آمار Kleibergen-Paap rk LM) و آزمون شناسایی ضعیف (آمار Kleibergen-Paap rk Wald F-آمار) نشان می دهد که متغیر ابزار با متغیر درون زا همبستگی دارد و اینکه ضعیف نیست ¹⁵

جدول 5 . 2SLS – رگرسیون IV.

سلول خالی	(1)	(2)	(3)	(4)	(5)	(6)
سلول خالی	مرحله اول	مرحله دوم		مرحله اول	مرحله دوم
سلول خالی	عامل	آلفا جی	آلفا n	عامل	آلفا جی	آلفا n
نسبت صندوق اوراق قرضه	0.106***			0.111***
سلول خالی	(20.820)			(20.532)
عامل ابزار		1.709***	1.712***		1.932***	1.934***
سلول خالی		(5.741)	(5.741)		(2.901)	(2.900)
تحت آزمایش های شناسایی:
آماره Kleibergen-Paap rk LM	43.313			42.789
مقدار p	0.000			0.000
تست های شناسایی ضعیف:
آمار Cragg–Donald Wald F	433.469			421.581
مقدار p	0.000			0.000
آمار Kleibergen–Paap rk Wald F	44.536			43.926
مقدار p	0.000			0.000
Ctrls صندوق/مدیر	آره	آره	آره	آره	آره	آره
زمان / صندوق FE	آره	آره	آره	آره	آره	آره
سال ها	2007–2020	2007–2020	2007–2020	2013–2020	2013–2020	2013–2020

این جدول برآوردهای ماهانه عملکرد صندوق را بر روی مدیران عامل برای رگرسیون IV دو مرحله ای گزارش می کند. نمونه شامل 112,312 و 104,382 مشاهدات ماهانه صندوق در طول دسامبر 2007 تا مه 2020 در ستون های 1-3 و 2013- مه 2020 در ستون های 4-6 است. متغیرهای وابسته عامل در رگرسیون مرحله اول هستند. در رگرسیون مرحله دوم، متغیرهای وابسته بازده صندوق تعدیل شده با ریسک، آلفا g و آلفا n هستند که بر اساس بازده ناخالص و بازده خالص کارمزد محاسبه می‌شوند. Instrumented Agent مقدار پیش بینی شده ساختگی عامل از رگرسیون مرحله اول است. متغیر ابزاری ( نسبت صندوق اوراق قرضه ) نسبت تعداد وجوه اوراق قرضه به تعداد کل وجوه در یک خانواده صندوق است. متغیرهای کنترل صندوق و مدیر جدول‌بندی‌نشده شامل سن صندوق ، اندازه صندوق ، هزینه‌های صندوق ، اندازه تیم ، اندازه خانواده BF ، اندازه خانواده ، دوره تصدی ، مسئولیت FM ، جنسیت و مدرک هستند . کنترل ها یک دوره تاخیر دارند و همه متغیرها در جدول A1 تعریف شده اند . صندوق و اثرات ثابت ماهانه نیز گنجانده شده است. متغیرهای پیوسته در بالا و پایین 1% توزیع نمونه winsorized می شوند. خطاهای استاندارد قوی در سطح صندوق دسته بندی می شوند. آمار t در داخل پرانتز گزارش شده است. *، ** و *** به ترتیب در سطح 10%، 5% و 1% معناداری را نشان می دهند.

سپس از ساختگی Instrumented Agent برای انجام تحلیل رگرسیون مرحله دوم استفاده می کنیم . نتایج ما که در ستون‌های 2-3 و 5-6 جدول 5 نشان داده شده است ، ضرایب آماری معنی‌داری را روی عامل ابزاری با سطح اطمینان 1% مستند می‌کند. این نتایج، که نگرانی‌های مربوط به سوگیری انتخاب خود را بر اساس ویژگی‌های مشاهده نشده صندوق/مدیر نشان می‌دهد، از یافته‌های ما در بخش 4.1 حمایت می‌کند که مدیران عامل در اجرای وجوه اوراق قرضه از همتایان خود بهتر عمل می‌کنند.

ضرایب ساختگی عامل ابزاری بسیار بزرگتر از ضرایب ساختگی عامل در رگرسیون OLS است. تفاوت به ظاهر بزرگ با میانگین ادبیات (حدود نه برابر) که توسط جیانگ (2017) بررسی شده است، سازگار است . انتظار می‌رود که ساختگی Agen t درون‌زا در مطالعه ما همبستگی منفی (یعنی درون‌زایی اصلاحی) با عبارات خطا در معادله داشته باشد. (2) . فرضاً، وجوهی که قبلاً بازدهی کمتری داشتند، به دنبال گردش مالی مدیریتی هستند، بنابراین شانس آنها برای استخدام مدیران تحلیلگر بیشتر است. با این حال، به دلیل تداوم عملکرد صندوق‌های سرمایه‌گذاری مشترک، صندوق‌های سرمایه‌گذاری با بدترین عملکرد به احتمال زیاد ضعیف عمل می‌کنند ( گرینبلات و تیتمن، 1992 ؛ کارهارت، 1997 ). در این مورد، ضرایب OLS سود استخدام یک مدیر تحلیلگر را دست کم می گیرند. بنابراین، برآوردگرهای بزرگتر IV این سوگیری رو به پایین را تا حدودی تصحیح می کنند. علاوه بر این، این امکان وجود دارد که میانگین اثر درمانی محلی برای پیروان ابزار ممکن است بزرگتر از اثر درمان میانگین جمعیت باشد. همانطور که جیانگ (2017) توضیح می دهد، این می تواند به یک اثر IV بزرگتر منجر شود، حتی اگر محدودیت حذف برآورده شود. در شرایط ما، به نظر می رسد که برخی از صندوق ها عملکرد تاریخی بسیار خوب یا بدی داشته باشند و بر این اساس بدون توجه به اینکه مدیران عامل را استخدام می کنند یا خیر، بازدهی خوب یا بد آینده داشته باشند. IV وجوه حاشیه ای را در بر می گیرد که تصمیم استخدام آنها به نسبت صندوق اوراق قرضه در خانواده صندوق بسیار حساس است. بازگشت آتی این وجوه بیشتر به مهارت هایی بستگی دارد که مدیران تحلیلگر بر آنها نظارت می کنند. ما همچنین از پیشنهاد جیانگ (2017)^{برای محاسبه R 2} جزئی از متغیرهای ابزاری حذف شده پیروی می کنیم که در مدل ما 12٪ است و جزئی نیست. ما محدودیت رویکرد IV را تصدیق می‌کنیم و تجزیه و تحلیل‌های بیشتری را برای کاهش بیشتر مسئله درون‌زایی انجام می‌دهیم.

4.2.1.2 . مطابقت با ورود و خروج نماینده

برای اطمینان از قابل مقایسه بودن وجوه مدیریت شده توسط نماینده و غیرنماینده، هم برای ورود و هم برای خروج نماینده مطابقت می کنیم. ما ابتدا ماهی را مشخص می کنیم که در آن مدیر عامل یک صندوق را بر عهده می گیرد یا آن را ترک می کند (ماه رویداد = 0). ما 25 مشاهدات ماهانه صندوق را در اطراف رویداد نگه می داریم (یعنی یک پنجره ماه [-12، +12] در اطراف ورود/خروج). برای جلوگیری از اثرات مخدوش‌کننده، وجوه کنترلی با گردش مالی مدیریتی در پنجره رویداد را حذف می‌کنیم. دوم، ما از تطابق امتیاز تمایل (PSM) برای یافتن نزدیک‌ترین تطابق ممکن برای هر صندوق در گروه درمان استفاده می‌کنیم. به طور خاص، با رگرسیون ساختگی عامل بر روی آلفا ، سن صندوق ، کارمزد صندوق ، اندازه صندوق ، اندازه BF خانواده و اندازه خانواده در ماه قبل از رویداد، یک امتیاز تمایل برای هر صندوق درمان شده ایجاد می‌کنیم . بر اساس اصل نزدیک‌ترین همسایه، برای هر صندوق عامل، ما سه نزدیک‌ترین وجوه همسان را از مجموعه‌ای از صندوق‌های غیر عامل شناسایی می‌کنیم که امتیاز گرایش آنها در سطح کولیس 0.1 انحراف استاندارد تفاوت بین گروه‌های درمان و گروه کنترل قرار می‌گیرد . به دنبال پیشنهاد رابرتز و وایتد (2013) ، ما از PSM با جایگزین استفاده می کنیم، که اجازه می دهد یک صندوق معین در گروه کنترل در بیش از یک مجموعه همسان گنجانده شود. این روش شناسایی مناسب را تضمین می کند، زیرا تطابق بهتر با سوگیری کمتر را تسهیل می کند و حساسیت اثر تخمینی را نسبت به ترتیب مطابقت مشاهدات درمان کاهش می دهد.

از طریق تمرین فوق، می‌توانیم 161 (77) وجوه غیر عامل را با 90 (48) صندوق درمان که ورود (خروج) مدیر تحلیلگر را تجربه می‌کنند، مطابقت دهیم. همانطور که در جدول A2 نشان داده شده است، صندوق های درمان و کنترل تا حد زیادی در جنبه های ویژگی های صندوق و مدیر قبل از ورود مدیر تحلیلگر (پانل A) یا خروج (پانل B) مشابه هستند. بر اساس معیارهای منطبق قابل مشاهده، وجوه تطبیقی آنهایی هستند که ورود یا خروج مدیر عامل را در همان ماه با وجوه تحت درمان پیش بینی می کنند، اما این رویداد رخ نداده است. بنابراین، تفاوت عملکرد بین وجوه درمان و کنترل پیرامون گردش مالی عامل-مدیر (فرضی) ارزش ایجاد شده توسط مدیران تحلیلگر را نشان می‌دهد.

ما مدل پایه خود را در معادله اجرا می کنیم. (2) برای نمونه PSM، با جایگزینی ساختگی عامل با یک عبارت تعاملی بین Agent Fund و Post ، همانطور که در معادله نشان داده شده است. (3) :(3) ${Alpha}_{f, t} = β_{0} + β_{1} {AgentFund}_{f} \times {Post}_{f, t} + β_{2} {Controls}_{t - 1} + α_{f} + α_{t} + ε_{f, t} .$ جایی که ${Alpha}_{f, t}$ عملکرد صندوق f را در ماه t اندازه گیری می کند . ${AgentFund}_{f}$ یک متغیر ساختگی است که اگر صندوق یک صندوق درمان با مشارکت یک مدیر تحلیلگر باشد برابر یک و در غیر این صورت صفر است. ${Post}_{f, t}$ یک متغیر ساختگی است که برای دوره‌هایی که مدیر تحلیلگر به صندوق ملحق می‌شود (ترک می‌شود) (انتظار می‌رود به گروه کنترل بپیوندد یا ترک کند) یک و در غیر این صورت صفر است. ${Controls}_{t - 1}$ مجموعه ای از متغیرهای کنترل صندوق عقب مانده و مدیر است. ¹⁶ شامل می کنیم $α_{f}$ و $α_{t}$ برای کنترل اثرات ثابت صندوق و اثرات ثابت ماهانه. ما خطاهای استاندارد را در سطح صندوق خوشه بندی می کنیم. ما تمرکز می کنیم $β_{1}$ ضریب ترم تعامل، که تغییر عملکرد صندوق عامل را پس از ورود (خروج) مدیر عامل نسبت به وجوه غیر عامل منطبق آنها نشان می دهد.

نتایج در جدول 6 ارائه شده است . ما نتایج را برای رگرسیون در یک دوره نمونه 25 ماهه در پانل A گزارش می‌کنیم، در حالی که یک دوره بافر 3 ماهه (1 ماه قبل تا یک ماه پس از تغییر مدیریت) را در پانل B حذف می‌کنیم. ستون‌های 1-2 و 5- 6 نتایج زمانی هستند که وجوه کنترل را با وجوه درمان یک ماه قبل از وقوع ورود و خروج مدیر تحلیلگر مطابقت دهیم. ستون های 3-4 و 7-8 نتایجی هستند که نمونه را بر اساس ویژگی های شش ماه قبل از رویدادها با در نظر گرفتن دوره انتقال شغلی مطابقت دهیم. نتایج در مشخصات مختلف سازگار است، و نشان می‌دهد که عملکرد صندوق پس از ورود (خروج) مدیران تحلیلگر، در مقایسه با وجوه همسان آنها که تغییرات مدیریتی هرگز برای آنها اتفاق نمی‌افتد، به طور قابل‌توجهی بهبود می‌یابد (کاهش می‌یابد). از نظر اقتصادی، سودی که توسط یک مدیر عامل به ارمغان می‌آید 15 تا 28 bps در ماه است و ضرر ناشی از خروج مدیر عامل در مقایسه با همتایان خود، 38 تا 60 bps در هر ماه است. این امر تایید کننده ارزش سرمایه انسانی است که توسط تحلیلگران رتبه بندی اعتباری به صنعت مدیریت صندوق های اوراق قرضه آورده شده است. ¹⁷

جدول 6 . ورود/خروج نمایندگان و عملکرد صندوق اوراق قرضه: نمونه PSM.

سلول خالی	(1)	(2)	سلول خالی	(3)	(4)	سلول خالی	(5)	(6)	سلول خالی	(7)	(8)
سلول خالی	ورود مدیر عامل					سلول خالی	مدیر عامل می رود
سلول خالی	آلفا جی	آلفا n	سلول خالی	آلفا جی	آلفا n	سلول خالی	آلفا جی	آلفا n	سلول خالی	آلفا جی	آلفا n
پانل A: تست های پایه – پنجره [-12، +12]
سلول خالی	مسابقه در t-1			مسابقه در t-6			مسابقه در t-1			مسابقه در t-6
صندوق عامل × پست	0.159**	0.167**		0.150**	0.160**		−0.377***	−0.377***		−0.381***	−0.381***
سلول خالی	(2.312)	(2.425)		(2.411)	(2.554)		(-4.840)	(-4.840)		(-4.906)	(-4.900)
سلول خالی
Obs.	5289	5289		5195	5195		2831	2831		2564	2564
صفت Rsq	0.264	0.265		0.328	0.328		0.247	0.248		0.291	0.291

پانل B: بررسی های قوی – پنجره [-1، +1]
سلول خالی	مسابقه در t-1			مسابقه در t-6			مسابقه در t-1			مسابقه در t-6
صندوق عامل × پست	0.259***	0.267***		0.276***	0.284***		−0.583***	−0.582***		−0.605***	−0.603***
سلول خالی	(3.363)	(3.451)		(3.978)	(4.086)		(-5.686)	(-5.677)		(-5.866)	(-5.850)
سلول خالی
Obs.	4536	4536		4474	4474		2456	2456		2222	2222
صفت Rsq	0.251	0.251		0.314	0.314		0.243	0.243		0.284	0.283
صندوق/مدیر Crls	آره	آره		آره	آره		آره	آره		آره	آره
زمان / صندوق FE	آره	آره		آره	آره		آره	آره		آره	آره

این جدول برآوردهای ماهانه عملکرد صندوق در مدیران عامل را بر اساس نمونه همسان با ورود (خروج) نمایندگان به عنوان رویدادهای ستون های 1-4 (5-8) گزارش می کند. پانل A نتایج پایه را برای پنجره 25 ماهه گزارش می کند، در حالی که پانل B نتایج استحکام را با حذف دوره [-1، +1] گزارش می کند. نمونه‌های ستون‌های 1-2 (ستون‌های 5-6) با ویژگی‌های صندوق پیش از ورود (خروج) 1 ماهه مطابقت دارند، در حالی که نمونه‌های ستون‌های 3-4 (ستون‌های 7-8) با ویژگی‌های صندوق پیش از ورود (خروج) 6 ماهه مطابقت دارند. ویژگی های صندوق ورود (خروج). متغیرهای وابسته عبارتند از بازده صندوق تعدیل شده با ریسک، آلفا g و آلفا n که بر اساس بازده ناخالص و بازده خالص کارمزد محاسبه می‌شوند، به ترتیب در ستون‌های 1، 3، 5 و 7 و ستون‌های 2، 4، 6 و 8. . Agent Fund یک متغیر ساختگی است که اگر یک صندوق یک بار توسط یک مدیر عامل اداره شود برابر با یک است، در غیر این صورت صفر است. Post یک متغیر ساختگی است که اگر ماه در دوره پس از رویداد باشد برابر با یک است، در غیر این صورت صفر است. متغیرهای کنترل صندوق و مدیر جدول‌بندی‌نشده شامل سن صندوق ، اندازه صندوق ، هزینه‌های صندوق ، اندازه تیم ، اندازه خانواده BF ، اندازه خانواده ، دوره تصدی ، مسئولیت FM ، جنسیت و مدرک هستند . کنترل ها یک دوره تاخیر دارند و همه متغیرها در جدول A1 تعریف شده اند . صندوق و اثرات ثابت ماهانه نیز گنجانده شده است. متغیرهای پیوسته در بالا و پایین 1% توزیع نمونه winsorized می شوند. خطاهای استاندارد قوی در سطح صندوق دسته بندی می شوند. آمار t در داخل پرانتز گزارش شده است. *، ** و *** به ترتیب در سطح 10%، 5% و 1% معناداری را نشان می دهند.

برای تفسیر واضح‌تر تخمین‌های ضرایب در واژه تعامل Agent Fund x Post به عنوان اثرات علی مدیران عامل بر عملکرد صندوق، شواهد بیشتری ارائه می‌دهیم مبنی بر اینکه بازدهی تعدیل‌شده بر اساس ریسک به صندوق‌های عامل و غیرنماینده به‌طور موازی بدون یک درمان ما یک آزمایش دارونما را با اجرای رگرسیون زیر انجام می دهیم:(4) ${Alpha}_{f, t} = β_{0} + \sum_{k} β_{1}^{k} {AgentFund}_{f} \times l (t = t^{*} + k) + β_{2} {Controls}_{t - 1} + α_{f} + α_{t} + ε_{f, t}$ جایی که ما با ساختگی درمان شده تعامل می کنیم ${AgentFund}_{f}$ با دنباله ای از آدمک های زمان رویداد $l (t = t^{*} + k)$ ، k ∈ [-12،12] یا [-24، 24]. ضرایب $β_{1}^{k}$ در شرایط تعامل ${AgentFund}_{f} \times l (t = t^{*} + k)$ به ما اجازه می دهد تا الگوهای عملکرد صندوق را در دوره های قبل و بعد از ورود/خروج مدیران عامل بررسی کنیم.

پانل A از شکل 2 اثرات پویای ورود مدیران عامل بر عملکرد صندوق را نشان می دهد. تخمین ضرایب را رسم می کند $β_{1}^{k}$ از شرایط تعامل از معادله. (4) . توجه داشته باشید که هیچ شواهدی مبنی بر وجود پیش روند افتراقی در گروه تحت درمان (یعنی وجوه عامل) وجود ندارد. این نگرانی را از بین می‌برد که تصاحب یک مدیر عامل به طور درون زا روندهای عملکرد صندوق را نشان می‌دهد. ما همچنین مشاهده می کنیم که پس از ورود یک نماینده، عملکرد صندوق به طور قابل توجهی بهبود می یابد. این تأثیر از نظر بصری در طول پنجره پس از رویداد آشکار و پایدار است، و نشان می‌دهد که نمایندگانی که وجوه را اداره می‌کنند به طور متوسط 30 تا 40 bps در هر ماه از همتایان مشابه خود بهتر عمل می‌کنند. هیچ تغییر قابل توجهی در این مدت وجود ندارد. پانل B شکل 2 نتایج خروج مدیر عامل را نشان می دهد. مشابه نتایج در پانل A، ما اهمیت زیادی در آن مشاهده نمی کنیم $β_{1}^{k}$ قبل از خروج نماینده با این حال، $β_{1}^{k}$ پس از رفتن مدیر عامل به طور قابل توجهی منفی می شود. ¹⁸

ما پنجره رویداد را به [-24, +24] در پانل های C و D شکل 2 گسترش می دهیم . ما متوجه شدیم که صندوق های عاملی تا هجدهمین ماه پس از تصاحب توسط مدیران تحلیلگر، عملکرد بهتری نسبت به وجوه غیر عاملی مشابه دارند. پس از آن، عملکرد صندوق های عاملی شروع به همگرایی با صندوق های غیر عامل می کند. ¹⁹ برای خروج مدیران تحلیلگر، ما ضعف مداوم وجوه عامل را نسبت به همتایان همتای آنها ثبت می‌کنیم، در حالی که آنها در طی چند ماه شروع به پیگیری عملکرد همتایان خود می‌کنند. این اثرات نامتقارن ورود و خروج مدیران عامل، این امر را بیشتر تقویت می کند که اثر درمانی از سوی مدیران عامل وجود دارد.

ما همچنین از Sun and Abraham (2021) پیروی می‌کنیم تا سوگیری‌ها را در میانگین درمان در نمونه تیمار شده ناشی از مشاهدات قبلی که به‌عنوان کنترل عمل می‌کنند، کاهش دهیم. پس از در نظر گرفتن سوگیری های درمانی، نتایج مشابهی را در جدول 6 مشاهده می کنیم . در شکل OA1 پیوست آنلاین، ما نتایج تنظیم شده را از معادله ارائه می کنیم. (4) . ما نتایج ثابتی پیدا کردیم که به دنبال ورود (خروج) یک نماینده، عملکرد صندوق به طور قابل توجهی بهبود می‌یابد (وخیم می‌شود).

4.2.1.3 . مطابق ماه

دومین استراتژی تطبیقی که ما به کار می‌گیریم این است که با استفاده از روش PSM فوق الذکر، هر ماه سه صندوق غیر عاملی را برای یک صندوق عامل شناسایی کنیم . این استراتژی ما را قادر می سازد تا عملکرد صندوق های عامل را با همتایان غیر عاملی قابل مقایسه آنها، بدون توجه به گردش مالی مدیریتی، مقایسه کنیم. ما می‌توانیم 6492 مشاهدات ماهانه غیر عاملی را برای مطابقت با 3932 مشاهدات ماهانه صندوق سرمایه‌گذاری نماینده پیدا کنیم. سپس رگرسیون پایه خود را در معادله اجرا می کنیم. (2) در این نمونه. نتایج ارائه شده در جدول 7 یافته های ما را تأیید می کند که صندوق های عاملی از آلفای بالاتری نسبت به وجوه غیر عاملی منطبق برخوردار هستند.

جدول 7 . مدیران عامل و عملکرد صندوق اوراق قرضه: نمونه PSM.

سلول خالی	(1)	(2)	(3)	(4)
سلول خالی	آلفا جی	آلفا n	آلفا جی	آلفا n
عامل	0.272***	0.282***	0.316***	0.325***
سلول خالی	(3.897)	(4.035)	(4.392)	(4.520)
عصر صندوق	−0.031***	−0.031***	−0.032***	−0.032***
سلول خالی	(-3.695)	(-3.711)	(-3.786)	(-3.798)
کارمزد صندوق	−7.748***	−8.459***	−7.852***	−8.561***
سلول خالی	(-9.419)	(-10.278)	(9.518-)	(-10.373)
اندازه صندوق	0.007	0.006	0.006	0.005
سلول خالی	(0.843)	(0.829)	(0.717)	(0.706)
اندازه BF خانواده	0.000	0.000	0.000	0.000
سلول خالی	(0.179)	(0.216)	(0.280)	(0.315)
سایز خانواده	0.000	0.000	0.000	0.000
سلول خالی	(-1.168)	(-1.202)	(-1.016)	(-1.048)
اندازه تیم	−0.060***	−0.061***	−0.064***	−0.065***
سلول خالی	(-2.593)	(-2.622)	(-2.729)	(-2.757)
تصدی			0.002-	0.003-
سلول خالی			(-0.142)	(-0.180)
تصدی FM			0.014*	0.014*
سلول خالی			(1.695)	(1.698)
جنسیت			−0.120**	−0.120**
سلول خالی			(-2.107)	(-2.098)
درجه			0.039-	0.038-
سلول خالی			(-0.696)	(-0.676)
ثابت	0.697	0.679	0.837*	0.818*
سلول خالی	(1.556)	(1.515)	(1.785)	(1.742)
سال ها	2013–2020	2013–2020	2013–2020	2013–2020
Obs.	10,424	10,424	10,424	10,424
صفت Rsq	0.524	0.524	0.524	0.525
زمان / صندوق FE	آره	آره	آره	آره

این جدول برآوردهای ماهانه عملکرد صندوق را در مدیران عامل بر اساس نمونه همسان گزارش می کند. برای هر ماه بین دسامبر 2007 و مه 2020، 3 صندوق غیر عاملی با هر یک از صندوق های عاملی در نمونه ما مطابقت داده می شود. نمونه شامل 10424 مشاهدات ماهانه صندوق است. متغیرهای وابسته، بازده صندوق تعدیل شده با ریسک، آلفا g و آلفا n هستند که بر اساس بازده ناخالص و بازده خالص کارمزد، به ترتیب در ستون‌های 1 و 3 و ستون‌های 2 و 4 محاسبه می‌شوند. Agent یک متغیر ساختگی است که اگر صندوقی توسط مدیر عامل در یک ماه اداره شود برابر یک و در غیر این صورت صفر است. کنترل ها یک دوره تاخیر دارند و در جدول A1 تعریف شده اند . صندوق و اثرات ثابت ماهانه نیز گنجانده شده است. متغیرهای پیوسته در بالا و پایین 1% توزیع نمونه winsorized می شوند. خطاهای استاندارد قوی در سطح صندوق دسته بندی می شوند. آمار t در داخل پرانتز گزارش شده است. *، ** و *** به ترتیب در سطح 10%، 5% و 1% معناداری را نشان می دهند.

در مجموع، نتایج حاصل از نمونه‌های همسان شواهدی را برای حدس ما فراهم می‌کند که مدیر عاملی که صندوق‌های اوراق قرضه را اداره می‌کند، بدون پیش‌زمینه رتبه‌بندی اعتباری، بهتر از همتایان خود عمل می‌کند. محدود کردن تجزیه و تحلیل به وجوه یکسان، نتایج پایه ما را برای تأثیر مدیران عامل از بین نمی‌برد یا حتی کاهش نمی‌دهد، که نشان می‌دهد نتایج ما بعید به نظر می‌رسد که به تفاوت‌های سرمایه‌گذاری مشاهده نشده یا سوگیری انتخاب شخصی نسبت داده شود.

4.2.2 . تست های اضافی

در این بخش، مجموعه‌ای از آزمایش‌های اضافی را برای حذف چندین توضیح جایگزین انجام می‌دهیم.

4.2.2.1 . ورود مدیر عامل در مقابل ورود مدیر غیر عامل

ممکن است کسی استدلال کند که هر نوع تغییر مدیریتی در وجوه می تواند منجر به بهبود عملکرد بازده، صرف نظر از پیشینه مدیر شود (به عنوان مثال، شوالیه و الیسون، 1999b ؛ دانگل و همکاران، 2008 ). برای اینکه ببینیم آیا این مورد است، بررسی می کنیم که آیا تأثیر ورود مدیر عامل با ورود مدیر غیر عامل متفاوت است یا خیر. به طور خاص، ما وجوه بدون هیچ گونه گردش مدیر را حذف می کنیم و یک پنجره رویداد 25 ماهه نگه می داریم (یعنی [-12، +12])، که در آن ماه رویداد ( t = 0) ماهی است که یک مدیر جدید به صندوق می پیوندد. بعد، رگرسیون را در معادله اجرا می کنیم. (3) در این نمونه که شامل 27032 مشاهدات ماهانه صندوق است. ستون 1 و 4 جدول 8 نتایج را گزارش می کند. تخمین ضرایب در مدت تعامل یکنواخت مثبت و بدون توجه به معیار عملکرد از نظر آماری معنادار است. آنها همچنین از نظر اقتصادی با بزرگی 25 bps در ماه مهم هستند. این نتایج نشان می دهد که مدیران عامل بدون توجه به انتخاب گروه مرجع عملکرد بهتری دارند. ²⁰

جدول 8 . گردش مالی مدیریتی و عملکرد صندوق اوراق قرضه.

سلول خالی	(1)	(2)	(3)	(4)	(5)	(6)
سلول خالی	آلفا جی			آلفا n
صندوق عامل x پست	0.249***			0.258***
سلول خالی	(4.189)			(4.334)
صندوق عامل x Pre3		0.107-			0.109-
سلول خالی		(-0.809)			(-0.824)
صندوق عامل x Post3			0.030-			0.030-
سلول خالی			(-0.235)			(-0.517)
سلول خالی
Obs.	27032	27032	27032	27032	27032	27032
صفت Rsq	0.367	0.366	0.367	0.366	0.366	0.366
Ctrls صندوق/مدیر	آره	آره	آره	آره	آره	آره
زمان / صندوق FE	آره	آره	آره	آره	آره	آره

این جدول نتایج مربوط به تخمین تفاوت در تفاوت معادله را ارائه می دهد. (3) . نمونه شامل وجوهی است که توسط یک مدیر عامل و وجوهی که توسط یک مدیر غیر عامل برای سال‌های 2007-2020 تصاحب شده است. ما یک پنجره رویداد 25 ماهه را بررسی می کنیم (یعنی [-12، +12])، که در آن ماه رویداد (t = 0) ماهی است که یک مدیر جدید به صندوق می پیوندد. متغیرهای وابسته، بازده صندوق تعدیل شده با ریسک، آلفا g و آلفا n هستند که بر اساس بازده ناخالص و بازده خالص کارمزد، به ترتیب در ستون‌های 1-3 و ستون‌های 4-6 محاسبه می‌شوند. صندوق عامل شاخصی است که اگر یک صندوق در نهایت توسط یک مدیر عامل تصاحب شود برابر با یک و اگر توسط یک مدیر غیر عامل تصاحب شود برابر با صفر است. پست یک متغیر ساختگی است که اگر ماه در دوره گردش مالی پس از مدیریت باشد برابر با یک است، در غیر این صورت صفر است. ستون‌های 2-3 و 5-6 آزمایش‌های دارونما را گزارش می‌کنند که در آن از ماه‌های رویداد فرضی استفاده می‌کنیم که به ترتیب سه ماه قبل از ( پیش 3 ) و بعد از ( پست3 ) ماه گردش مالی واقعی مدیریت هستند. متغیرهای کنترل صندوق و مدیر جدول‌بندی‌نشده شامل سن صندوق ، اندازه صندوق ، هزینه‌های صندوق ، اندازه تیم ، اندازه خانواده BF ، اندازه خانواده ، دوره تصدی ، مسئولیت FM ، جنسیت و مدرک هستند . کنترل ها یک دوره تاخیر دارند و همه متغیرها در جدول A1 تعریف شده اند . صندوق و اثرات ثابت ماهانه نیز گنجانده شده است. متغیرهای پیوسته در بالا و پایین 1% توزیع نمونه winsorized می شوند. خطاهای استاندارد قوی در سطح صندوق دسته بندی می شوند. آمار t در داخل پرانتز گزارش شده است. *، ** و *** به ترتیب در سطح 10%، 5% و 1% معناداری را نشان می دهند.

ما در ادامه به امکان زمان‌بندی غیرتصادفی جابجایی مدیریتی در دو آزمایش دارونما می‌پردازیم. به طور خاص، ما دو شاخص باینری برای ماه های گردش مالی فرضی مدیریتی، Pre3 و Post3 ایجاد می کنیم که به ترتیب سه ماه قبل و بعد از ماه های رویداد واقعی هستند. سپس پست ساختگی را در معادله جایگزین می کنیم. (3) با این دو شاخص. نتایج در ستون‌های 2-3 و 5-6 جدول 8 با نشان دادن اینکه هیچ تفاوت آماری معنی‌داری در عملکرد حول ماه‌های رویداد فرضی وجود ندارد، اثر علی ورود مدیر عامل را تأیید می‌کند.

4.2.2.2 . نمونه همسان برای گردش مالی مدیر غیر عامل

با پیروی از روش در بخش 4.2.1، ما عملکرد ورود مدیران غیر عامل را با یک نمونه همسان بدون هیچ تغییر مدیریتی مقایسه می‌کنیم. ما مدل را در معادله مجدداً برآورد می کنیم. (3) با جایگزینی ساختگی صندوق عامل با مدیر جدید که یک متغیر ساختگی است که برای وجوهی که ورودی‌های مدیر غیر عامل دارند یک و در غیر این صورت صفر است. جدول A3 در ضمیمه نتایج را گزارش می‌کند که به ترتیب در ستون‌های 1-2 و 3-4، دوره بافر [-1، +1] را شامل می‌شود. نتایج نشان می‌دهد که برخلاف مدیران عامل، مدیران غیر عامل جدید عملکرد صندوق را در مقایسه با وجوه همسان خود به طور قابل‌توجهی بهبود نمی‌بخشند.

4.2.2.3 . معیار عملکرد صندوق جایگزین

ما معیار ارزش افزوده ( VA ) را به عنوان یک معیار جایگزین برای عملکرد صندوق با در نظر گرفتن حاصل ضرب آلفا و اندازه صندوق می‌سازیم. برک و ون بینسبرگن (2015) استدلال می‌کنند که با فرض اینکه مدیران سرمایه‌گذاری‌های خود را بهینه می‌کنند، بازارها رقابتی هستند و سرمایه‌گذاران منطقی هستند، تنها شرطی که تحت آن آلفا متمایز می‌شود زمانی است که همه صندوق‌ها دقیقاً اندازه یکسانی داشته باشند. بنابراین، اندازه‌گیری ارزش افزوده اندازه صندوق را در بر می‌گیرد و نشان می‌دهد که مدیران ارزش دلاری چقدر می‌توانند در مقایسه با سایر صندوق‌های هم اندازه به صندوق اضافه کنند. متغیر وابسته را با معیار ارزش افزوده VA در معادله جایگزین می کنیم. (2) و معادله (3) ، و نتایج ما از نظر کیفی بدون تغییر است، همانطور که در جدول OA5 پیوست آنلاین نشان داده شده است.

ما از رویکرد نمونه کارها با رتبه بندی برای ارائه تست های استحکام بیشتر استفاده می کنیم. ما رتبه بندی های سه ماهه صندوق صادر شده توسط دو شرکت کارگزاری ، Haitong Securities Group (Haitong) و China Galaxy Securities (Galaxy)، که طولانی ترین و وسیع ترین پوشش صندوق را برای دوره 2010-2020 ارائه می کنند، جمع آوری می کنیم. ²¹ برای هر مشاهده ماهانه صندوق، وجوه همتای آن را که دارای رتبه یکسانی در آن ماه هستند، شناسایی می کنیم، یک سبد دارای وزن AUM (هم وزن) از این صندوق ها ایجاد می کنیم و از این سبد به عنوان معیار استفاده می کنیم. عملکرد مازاد را با استفاده از بازدهی تعدیل‌شده با معیار، که تفاوت بین بازده صندوق و بازده پرتفوی معیار آن است، دوباره تعریف می‌کنیم. ما تجزیه و تحلیل پایه خود را با استفاده از بازده تعدیل شده معیار به عنوان متغیر وابسته دوباره اجرا می کنیم و نتایج را در جدول OA6 در پیوست آنلاین ارائه می کنیم. ما ضرایب ثابت مثبت و معنی‌داری را در ساختگی عامل پیدا می‌کنیم .

4.2.2.4 . کنترل اهرم صندوق و دارایی های نقدی

محدودیت‌های اهرمی یک صندوق ممکن است بر سطح ریسک کلی پرتفوی آن و در نتیجه عملکرد صندوق تأثیر بگذارد ( بوگوث و سیموتین، 2018 ). وجود وجه نقد در صندوق های سرمایه گذاری مشترک نیز با بازده آتی مرتبط است ( دلوا و اولسون، 1998 ؛ بیکر و همکاران، 2009 ). حتی اگر قبلاً اثرات ثابت صندوق را کنترل کرده‌ایم، هنوز دو متغیر دیگر FundLev و FundCash را در رگرسیون خود لحاظ می‌کنیم تا به ترتیب نسبت اهرم صندوق و پس‌انداز بانک را نسبت به TNA نشان دهند. همانطور که در جدول OA7 پیوست آنلاین نشان داده شده است، نتایج ما همچنان پابرجاست. هم اهرم صندوق و هم نگهداری وجه نقد صندوق با عملکرد صندوق ارتباط مثبت دارند.

4.2.2.5 . تجزیه و تحلیل نمونه فرعی و اثرات ثابت خانواده صندوق

ما صندوق‌های اوراق قرضه را از نمونه خود حذف می‌کنیم و رگرسیون‌ها را دوباره اجرا می‌کنیم. نتایج ما همچنان پابرجاست، حتی اگر حجم نمونه کمی تا 9.6% کاهش یافته باشد (10733 مشاهده) (جدول OA8 پیوست آنلاین).

همچنین ممکن است نتایج ما در معرض متغیرهای حذف شده در سطح خانواده صندوق باشد که تصمیم به استخدام مدیران تحلیلگر سابق و بازده صندوق را هدایت می کند. بنابراین، ما بیشتر اثرات ثابت خانواده صندوق را در رگرسیون پایه خود در نمونه کامل و تجزیه و تحلیل PSM قرار می دهیم. همانطور که در جدول OA9 پیوست آنلاین نشان داده شده است، یافته های ما از نظر کیفی بدون تغییر باقی می مانند.

به طور کلی، نتایج بخش 4.1 و 4.2 از حدس ما حمایت می‌کند که مدیران صندوق‌های اوراق قرضه که در CRA کار کرده‌اند، بدون توجه به روش‌های شناسایی یا معیارهای عملکردی که اتخاذ می‌کنیم، بهتر از همتایان خود بدون چنین پیش‌زمینه‌ای عمل می‌کنند. این یافته در مقایسه با سایر صندوق ها با یا بدون تغییرات مدیریتی ثابت می ماند.

4.3 . انتخاب اوراق قرضه در مقابل زمان بندی بازار

در این بخش، عملکرد بهتر مدیران تحلیلگر را تجزیه می کنیم. به طور خاص، بررسی می‌کنیم که آیا مدیران عامل در انتخاب اوراق قرضه و زمان‌بندی بازار نسبت به همتایان غیر عامل خود بهتر عمل می‌کنند یا اینکه آنها فقط خوش شانس هستند. حدس ما این است که مدیران عامل انتخاب‌کنندگان بهتر اوراق قرضه هستند، زیرا گزارش‌های رتبه‌بندی اعتباری در مورد اوراق قرضه و ناشران ارائه می‌کردند و بنابراین درک عمیقی از ویژگی‌های اوراق قرضه و همچنین ریسک‌ها به دست آورده‌اند. ما همچنین انتظار داریم که مدیران عامل تایمرهای بهتری در بازار داشته باشند، زیرا از طریق قرار گرفتن در معرض معیارهای رتبه بندی اعتباری، بینش هایی در مورد طیف وسیعی از عوامل اقتصاد کلان به دست آورده اند که پیش بینی آنها را در مورد پویایی بازار تسهیل می کند.

برای شناسایی مهارت‌های انتخاب و زمان‌بندی مدیران، رویکردهای Treynor و Mazuy (1966) (از این پس TM) و Henriksson و Merton (1981) (از این پس HM) را اتخاذ می‌کنیم. به طور خاص، با پیروی از روح مطالعات قبلی (به عنوان مثال، بولن و بوس، 2001 ؛ زامبرانا و زاپاترو، 2021 )، مدل TM/HM را با چهار عامل ریسک بازار اوراق قرضه شرکتی اضافه شده تخمین می زنیم:(5a) $r_{p, t} = α_{p} + \sum_{f = 1}^{4} β_{f, p} r_{f, t} + γ_{p} r_{m, t}^{2} + ϵ_{p, t}$ (5b) $r_{p, t} = α_{p} + \sum_{f = 1}^{4} β_{f, p} r_{f, t} + γ_{p} I \{r_{m, t} > 0\} r_{m, t} + ϵ_{p, t}$ جایی که $r_{p, t}$ بازده اضافی یک صندوق p در زمان t است ، $r_{m, t}$ بازده بازار اوراق قرضه است که توسط بازده شاخص اوراق قرضه کل CSI، و $r_{f, t}$ بردار بازده چهار عامل است، از جمله یک عامل ریسک نزولی، DRF ، یک عامل ریسک اعتباری، CRF ، یک عامل ریسک نقدینگی، LRF ، و یک عامل برگشت بازده، REV ( Bai et al., 2019 ). ضرایب مورد توجه خاص هستند $α_{p}$ و $γ_{p}$ . $α_{p}$ را می توان به عنوان توانایی انتخاب باند تعدیل شده با زمان تفسیر کرد. $γ_{p}$ از سوی دیگر، توانایی زمان بندی بازار را به تصویر می کشد. در مدل TM (معادل (5a) )، $γ_{p}$ ضریب است $r_{m, t}^{2}$ ، بازده بازار اوراق قرضه مربع. اگر مدیر صندوق پیش از افزایش (کاهش) بازار، قرار گرفتن در معرض بازار صندوق را افزایش (کاهش) دهد، بازده صندوق تابعی محدب از بازده بازار است و ما انتظار داریم. $γ_{p}$ مثبت بودن در مدل HM (معادل (5b) )، $γ_{p}$ ضریب است $I \{r_{m, t} > 0\} r_{m, t}$ ، محصولی از $r_{m, t}$ و یک تابع نشانگر که برابر با یک if است $r_{m, t}$ مثبت و در غیر این صورت صفر است. آ مثبت $γ_{p}$ نشان می دهد که یک مدیر با موفقیت بازار را مرتب می کند.

ما ضرایب را در زمان t با استفاده از رگرسیون های 12 ماهه در هر صندوق در دوره نمونه تخمین می زنیم. سپس برآوردهای صندوق را به سطح مدیر تجمیع می کنیم. برای هر مدیر i در زمان t ، متغیرها را تعریف می کنیم ${Picking}_{i, t}$ و ${Timing}_{i, t}$ به عنوان میانگین وزنی TNA $α_{p}$ و $γ_{p}$ از تمام وجوهی که توسط مدیر I در یک پنجره 6 ماهه مدیریت شده است. ²²

برای آزمایش فرضیه خود، مدل زیر را تخمین می زنیم ( زامبرانا و زاپاترو، 2021 ):(6) ${Alpha}_{f, i, t} = β_{0} + β_{1} {AgentManager}_{i, t - 1} + β_{2} {Picking}_{i, t - 1} + β_{3} Agent M {anager}_{i, t - 1} \times {Picking}_{i, t - 1} + β_{4} {Timing}_{i, t - 1} + β_{5} {AgentManager}_{i, t - 1} \times {Timing}_{i, t - 1} + γ {Controls}_{t - 1} + α_{f} + α_{t} + ε_{f, i, t}$ جایی که ${Alpha}_{f, i, t}$ تخمین زده شده با استفاده از بازده قبل و بعد از کارمزد (یعنی عملکرد ناخالص و عملکرد خالص)، عملکرد صندوق f را که توسط مدیر i در ماه t اداره می شود اندازه گیری می کند . ${AgentManager}_{i, t - 1}$ یک متغیر ساختگی است که اگر مدیر یک تحلیلگر رتبه‌بندی سابق باشد برابر با یک است. در غیر این صورت صفر ${Picking}_{i, t - 1}$ و ${Timing}_{i, t - 1}$ میانگین وزنی TNA در انتخاب اوراق قرضه و مهارت‌های زمان‌بندی بازار مدیر i را در زمان t − 1 بر اساس اطلاعات یک پنجره 6 ماهه بعدی اندازه‌گیری کنید. ما با این متغیرها تعامل داریم ${AgentManager}_{i, t - 1}$ ساختگی برای به تصویر کشیدن تأثیر حاشیه ای این دو مهارت بر عملکرد صندوق برای مدیران با تجربه رتبه بندی اعتباری. ${Controls}_{t - 1}$ بردار صندوق و ویژگی های مدیریتی است. ما اثرات زمان ثابت را در نظر می گیریم $α_{t}$ و اثرات ثابت صندوق $α_{f}$ ، و خطاهای استاندارد را در سطح صندوق خوشه بندی کنید.

جدول 9 تخمین معادله را نشان می دهد. (6) . برآورد ضریب مثبت از $β_{2}$ و $β_{4}$ پیشنهاد می کند که وجوه از مدیران مجهز به مهارت های انتخاب اوراق قرضه و زمان بندی بازار بهره مند شوند. توجه داشته باشید که یافته های اصلی ما از عملکرد بهتر تحلیلگران سابق مربوط به این تنظیم است که با تخمین های مثبت ضریب نشان داده شده است. $β_{1}$ . مهمتر از همه، برای هر دو مهارت انتخاب اوراق قرضه و علامت گذاری، یک مدیر عامل تمایل دارد تاثیر مثبت قوی تری بر عملکرد صندوق داشته باشد. این اثر نه تنها از نظر آماری، بلکه از نظر اقتصادی نیز معنادار است: یک مدیر عامل می‌تواند به‌ترتیب با مهارت انتخاب اوراق قرضه، عملکرد صندوق را به میزان 23 واحد در ثانیه و از طریق مهارت زمان‌بندی بازار خود، 3 واحد در هر ماه بهبود بخشد. این نتایج با حدس ما سازگار است که مدیران عامل هم در انتخاب اوراق قرضه و هم در زمان‌بندی بازار بهتر عمل می‌کنند و بنابراین عملکرد بهتری از همتایان خود دارند.

جدول 9 . مهارت های انتخاب اوراق قرضه و زمان بندی بازار.

سلول خالی	(1)	(2)	(3)	(4)
سلول خالی	مدل TM		مدل HM
سلول خالی	آلفا جی	شماره آلفا	آلفا جی	آلفا n
مدیر عامل	0.094**	0.102 **	0.090**	0.098**
سلول خالی	(2.132)	(2.343)	(2.057)	(2.256)
چیدن	0.081***	0.081***	0.070***	0.069***
سلول خالی	(9.840)	(9.788)	(8.601)	(8.451)
مدیر عامل x چیدن	0.229***	0.231***	0.235***	0.239***
سلول خالی	(4.953)	(4.976)	(5.012)	(5.145)
زمان سنجی	0.009***	0.009***	0.023***	0.023***
سلول خالی	(8.048)	(7.998)	(7.740)	(7.589)
مدیر عامل x زمان بندی	0.027***	0.027***	0.081***	0.028***
سلول خالی	(3.978)	(3.998)	(4.536)	(4.146)
سلول خالی
Obs.	64,853	64,853	64,853	64,853
صفت Rsq	0.360	0.360	0.359	0.360
Ctrls صندوق/مدیر	آره	آره	آره	آره
زمان / صندوق FE	آره	آره	آره	آره

این جدول برآوردهای ماهانه عملکرد صندوق در مورد مدیران عامل و مهارت های سرمایه گذاری را در معادله ارائه می دهد. (6) . متغیرهای وابسته، بازده صندوق تعدیل شده با ریسک، آلفا g و آلفا n هستند که بر اساس بازده ناخالص و بازده خالص کارمزد، به ترتیب در ستون‌های 1 و 3 و ستون‌های 2 و 4 محاسبه می‌شوند. Agent Manager یک متغیر ساختگی است که اگر مدیر یک تحلیلگر رتبه قبلی باشد برابر با یک است، در غیر این صورت صفر است. انتخاب و زمان‌بندی میانگین وزنی TNA در انتخاب اوراق قرضه و مهارت‌های زمان‌بندی بازار مدیر صندوق را در یک پنجره 6 ماهه بر اساس مدل TM در ستون‌های 1-2 و مدل HM در ستون‌های 3-4 اندازه‌گیری می‌کند. متغیرهای کنترل صندوق و مدیر جدول‌بندی‌نشده شامل سن صندوق ، اندازه صندوق ، هزینه‌های صندوق ، اندازه تیم ، اندازه خانواده BF ، اندازه خانواده ، دوره تصدی ، مسئولیت FM ، جنسیت و مدرک هستند . کنترل ها یک دوره تاخیر دارند و همه متغیرها در جدول A1 تعریف شده اند . صندوق و اثرات ثابت ماهانه نیز گنجانده شده است. متغیرهای پیوسته در بالا و پایین 1% توزیع نمونه winsorized می شوند. خطاهای استاندارد قوی در سطح صندوق دسته بندی می شوند. آمار t در داخل پرانتز گزارش شده است. *، ** و *** به ترتیب در سطح 10%، 5% و 1% معناداری را نشان می دهند.

نتایج این بخش نشان می دهد که انتخاب کنندگان بهتر اوراق قرضه می تواند عملکرد بهتر مدیران عامل را توضیح دهد. علاوه بر این، مدیران عامل در زمان‌بندی بازار کمی بهتر عمل می‌کنند، که باعث بهبود عملکرد وجوه آنها نیز می‌شود.

5 . تخصص در مقابل شبکه

در بخش‌های قبلی، مشخص کردیم که مدیران عامل در مدیریت صندوق‌های سرمایه‌گذاری مشترک با درآمد ثابت از همتایان غیر عامل خود بهتر عمل می‌کنند و مدیران عامل، انتخاب‌کنندگان اوراق قرضه و تایمرهای بازار بهتری هستند. با این حال، مشخص نیست که چرا این مدیران عامل استراتژی‌های انتخاب اوراق قرضه و زمان‌بندی بازار را بهتر انجام می‌دهند. یکی از دلایل احتمالی این است که مدیران عامل از تجربه کاری به عنوان تحلیلگر رتبه بندی اعتباری ( کانال تخصصی ) دانش برتر در مورد اوراق قرضه، صادرکنندگان یا صنایع خاص به دست آورده اند . در همین حال، یک توضیح رقیب می تواند این باشد که مدیران عامل نسبت به سایرین دارای مزایای اطلاعاتی هستند، زیرا ممکن است توسط همکاران سابق خود که هنوز در CRAها در مورد اقدامات رتبه بندی آتی کار می کنند (کانال شبکه) مطلع شوند . همانطور که در بخش 3.1 توضیح داده شد، با جمع‌آوری داده‌های دارایی صندوق، داده‌های پیشینه مدیر و گزارش‌های رتبه‌بندی اعتباری، می‌توانیم اوراق بهادار Specialization و Connected را در دارایی‌های مدیر تحلیلگر شناسایی کنیم.

ما دارایی‌های اوراق قرضه را با فهرستی از کاهش‌ها و ارتقاها برای سال‌های 2007–2020 تطبیق می‌دهیم و رکوردهای منطبق با تغییر نگهداری و تغییر رتبه‌بندی مدیر عامل برای تخصص و اوراق قرضه مرتبط را در پیوست آنلاین ارائه می‌کنیم. در بحث در پیوست A آنلاین، مشاهده می‌کنیم که هم کانال‌های تخصصی و هم کانال‌های شبکه می‌توانند بر تصمیمات مدیران عامل در مورد تعادل مجدد پرتفوی تأثیر بگذارند، با این حال ما نمی‌دانیم که آنها چگونه با عملکرد صندوق ارتباط دارند. و جدا کردن ماهیت در هم تنیده بین این دو کانال به دلیل همپوشانی بین تخصص و پیوندهای متصل، از نظر تجربی چالش برانگیز است.

در این بخش، ما از یک روش جدید برای تجزیه و تحلیل تجربی پورتفولیوهای تخصصی و متصل در بخش 5.1 استفاده می‌کنیم. در بخش 5.2، ما اشکال دیگری از شبکه های اجتماعی را برای جداسازی بیشتر این دو کانال شناسایی می کنیم.

5.1 . آزمون های تجربی تخصصی و شبکه

برای تشخیص اینکه آیا این تخصص یا شبکه است که نقش اصلی را در انتخاب پورتفولیو و عملکرد مدیران عامل ایفا می کند، ابتدا نمونه خود را به صندوق هایی محدود می کنیم که مدیران تحلیلگر را استخدام کرده اند. سپس پیوندهایی را که به‌عنوان تخصصی طبقه‌بندی می‌شوند و همزمان به هم متصل می‌شوند را حذف می‌کنیم تا از تأثیرات مخدوش‌کننده بین این دو توضیح جلوگیری شود. ما علاقه مند به نگهداری اوراق قرضه و عملکرد هستیم. برای بررسی اینکه آیا مدیران اوراق قرضه تخصصی یا ارتباط خود را مجدداً متعادل می کنند، ابتدا رگرسیون سطح اوراق قرضه زیر را برآورد می کنیم:(7) ${Holdings}_{b, f, i, t} = β_{0} + β_{1} {Agent}_{f, i, t} \times {Specialization}_{b, f, t} ({Connected}_{b, f, t}) + β_{2} {Agent}_{f, i, t} + β_{3} {Specialization}_{b, f, t} ({Connected}_{b, f, t}) + γ {Controls}_{t - 1} + α_{b} + α_{s} + α_{f} + α_{t} + ϵ_{b, f, i, t}$ جایی که ${Holdings}_{b, f, i, t}$ نشان دهنده دارایی اوراق قرضه b در صندوق f است که توسط مدیر i در ماه t اداره می شود ، که با تعداد سهام ( سهام ، به 10 کیلو یوان)، ارزش بازار ( ارزش ، به 10 کیلو یوان) و وزن پرتفوی ( وزن) اندازه گیری می شود. ، که در ٪). ${Agent}_{f, i, t}$ اگر صندوق f توسط مدیر عامل i در ماه t اداره شود برابر با یک است ، در غیر این صورت صفر است. ${Specialization}_{b, f, t} ({Connected}_{b, f, t})$ یک متغیر ساختگی برابر با یک است اگر اوراق قرضه b در صندوق f در ماه t یک اوراق قرضه تخصصی (متصل) باشد که در بخش 3.1 تعریف شده است، در غیر این صورت صفر است. جدا از ویژگی‌های صندوق و مدیر، ما فهرستی از ویژگی‌های صادرکننده اوراق و صادرکننده ( لیوینگستون و همکاران، 2018 )، از جمله رتبه اعتباری اوراق قرضه ( رتبه‌بندی )، سال‌های تا سررسید ( سررسید )، اندازه انتشار ( نسخه) را کنترل می‌کنیم. اندازه )، مجموعه ای از متغیرهای ساختگی برای نشان دادن اینکه آیا اوراق قرضه تضمین شده است ( ضمانت ) یا فهرست متقابل ( تقاطع لیست شده )، آیا اوراق قرضه دارای ویژگی صندوق قابل فروش، قابل بازخوانی یا غرق شدن ( Puttable، Callable و Sinking ) است یا خیر. صادرکننده توسط CRAهای داخلی ( محلی ) رتبه‌بندی نشده است، آیا ناشر توسط دولت‌ها ( SOE )، آیا ناشر یک شرکت سهامی عام است ( عمومی )، نسبت اهرم مالی ناشر ( اهرم )، ملموس بودن دارایی ( مشهودی ) ، اندازه شرکت (ورود از فروش 100 میلیون یوان، نشان داده شده به عنوان اندازه )، ROA به عنوان نماینده برای سودآوری شرکت، رشد (نرخ رشد در درآمد عملیاتی، نشان داده شده به عنوان رشد ) و دارایی های نقدی به عنوان نماینده نقدینگی دارایی (محاسبه به عنوان وجه نقد) و معادل های نقدی که بر اساس بدهی جاری مقیاس بندی شده اند. به عنوان پول نقد نشان داده می شود ). تعاریف متغیر را می توان در جدول A1 یافت . اوراق قرضه، صنعت، صندوق و اثرات ثابت ماهانه نیز گنجانده شده است.

علاوه بر این، مدل زیر را برای آزمایش اینکه آیا مدیران عامل از عملکرد بازده تخصص/ اوراق قرضه مرتبط خود در سطح پورتفولیو سود می برند یا خیر، تخمین می زنیم:(8) ${ABR}_{p, f, i, t} = β_{0} + β_{1} {Agent}_{f, i, t} \times {Specialization}_{p, f} ({Connected}_{p, f}) + β_{2} {Agent}_{f, i, t} + γ {Controls}_{t - 1} + α_{f} + α_{t} + ϵ_{p, f, i, t} .$ جایی که ${ABR}_{p, f, i, t}$ بازدهی تعدیل شده با ریسک به پرتفوی p در صندوق f است که توسط مدیر i در ماه t اجرا می شود . برای محاسبه ${ABR}_{p, f, i, t}$ ، ابتدا بازده غیرعادی اوراق قرضه منفرد که توسط هر صندوق نگهداری می شود بر اساس مدل GHS-Bai به عنوان معادله تخمین زده می شود. (1) . برای ترکیب وزن‌های پورتفولیو، کوهن و همکاران را دنبال می‌کنیم. (2008) برای ساخت دو مجموعه از نمونه کارها (یعنی نمونه کارها تخصصی در مقابل غیرتخصصی، و پورتفولیوهای متصل در مقابل غیر مرتبط). سپس بازده های وزن دار ارزشی و بازدهی تعدیل شده با ریسک TNA را برای این پرتفوی ها محاسبه می کنیم. ${Specialization}_{p, f} ({Connected}_{p, f})$ برای پورتفولیوهای تخصصی (متصل) برابر یک و در غیر این صورت صفر است. مانند ${Specialization}_{p, f} ({Connected}_{p, f})$ در سطح پورتفولیو با زمان ثابت است، از رگرسیون حذف شده است.

در حالی که یک فرضیه آشنایی و یک فرضیه تخصصی هر دو می توانند منجر به تغییر قابل توجهی در دارایی مدیر عامل در اوراق مشارکت تخصصی شوند، ممکن است منجر به عملکرد بازده متفاوتی شوند. بر اساس فرضیه آشنایی ، مدیران به سادگی اوراق قرضه صنایع آشنای خود را که در هنگام کار در CRA در معرض آن قرار داشتند، مجدداً متعادل می کنند (به عنوان مثال، استرانگ و زو، 2003 ؛ کائو و همکاران، 2011 ؛ پول و همکاران، 2012 ). با این حال، مدیران تحلیلگر ممکن است از عملکرد اوراق قرضه ای که صرفاً بر اساس آشنایی انتخاب شده اند، بهره مند شوند ( کائو و همکاران، 2011 ). بر اساس فرضیه تخصصی ، مدیران ممکن است هنوز تا حدی در معرض سوگیری آشنایی باشند، اما مزیت نسبی آنها در انتخاب اوراق قرضه با عملکرد بهتر در صنایع خاص می تواند به عملکرد پرتفوی آنها کمک کند. از نظر تجربی، اگر مدیران در معرض تعصب آشنایی باشند اما مهارت نداشته باشند، باید به طور فعال وزن اوراق مشارکت خود را تغییر دهند در حالی که از عملکرد کم یا بدون عملکرد مثبت پورتفولیو لذت می برند. اگر فرضیه تخصصی شدن غالب باشد، نه تنها باید تغییر قابل توجهی در تخصیص اوراق بهادار تخصصی مشاهده کنیم، بلکه باید بازدهی بالاتری را نیز به پرتفوی مشاهده کنیم.

با توجه به اوراق قرضه متصل، سوگیری آشنایی همچنین می‌تواند منجر به وزن بیش از حد یا کم‌توجهی غیرقابل توجیه اوراق قرضه شود که توسط CRAهای کارفرمای سابق رتبه‌بندی شده اما با بازدهی غیرمثبت دارند (مانند هوبرمن، 2001؛ پول و همکاران، 2012 ) . ). با این حال، بر اساس فرضیه اطلاعات ، ما انتظار داریم مدیران تحلیلگر به اوراق قرضه متصل اضافه وزن یا کم وزنی داشته باشند – بسته به مثبت یا منفی بودن اطلاعات آنها – و بازده غیرعادی مثبتی از مزایای اطلاعاتی خود ایجاد کنند.

جدول 10 نتایج برآورد معادله را گزارش می کند. (7) و معادله (8) به ترتیب در پانل A و B. ما به خصوص به ضرایب عبارت تعامل بین عامل و تخصص ( متصل ) علاقه مندیم. به طور متوسط، مدیران عامل تمایل دارند که اوراق قرضه تخصصی بیشتری را بدون توجه به معیارهای دارایی نگهداری کنند. علاوه بر این، بازده غیرعادی مثبت و معنی‌دار آماری را برای پورتفولیوهای تخصصی (ستون‌های 5-6 در پانل A) مستند می‌کنیم. در همین حال، مدیران عامل تمایل به کاهش دارایی‌های خود در اوراق قرضه متصل دارند (هنگامی که با سهام یا ارزش بازار اندازه‌گیری می‌شوند؛ اگر با درصد در TNA اندازه‌گیری شود، هیچ تغییر قابل‌توجهی وجود ندارد). با این حال، این انتخاب تخصیص تأثیر قابل توجهی بر بازده پرتفوی اوراق قرضه آنها (ستون‌های 5-6 در پانل B) ندارد. در مجموع، این نتایج از فرضیه تخصص در مورد نگهداری اوراق قرضه تخصصی پشتیبانی می کند. ما شواهد ضعیفی در مورد فرضیه آشنایی پیدا کردیم و هیچ مدرکی در مورد فرضیه اطلاعات در مورد دارایی های اوراق قرضه مرتبط پیدا نکردیم.

جدول 10 . تخصص و شبکه.

سلول خالی	(1)	(2)	(3)	(5)	(6)
سلول خالی	دارایی اوراق قرضه فردی			عملکرد نمونه کارها
سلول خالی	سهام	ارزش	وزن	نمونه کارها vw-ABR	نمونه کارها pw-ABR
پانل A: تخصص
عامل x تخصص	23.787***	2.166***	4.470***	0.356**	0.355**
سلول خالی	(3.137)	(2.904)	(2.754)	(2.110)	(2.109)
عامل	10.530**	1.152***	−1.052	0.185-	0.185-
سلول خالی	(2.376)	(2.643)	(-1.110)	(-1.051)	(-1.051)
تخصص	-8.118	0.682-	0.434-
سلول خالی	(-1.167)	(-0.995)	(-0.291)
سلول خالی
Obs.	1745	1745	1745	1318	1318
صفت Rsq	0.93	0.931	0.433	0.059	0.059
پانل B: اتصال
عامل x متصل است	−23.027***	−2.421***	0.327-	0.122	0.121
سلول خالی	(6.279-)	(-6.536)	(-0.336)	(0.648)	(0.645)
عامل	9.494***	1.012***	−2.179***	0.069	0.07
سلول خالی	(3.972)	(4.190)	(-3.437)	(0.554)	(0.556)
متصل	19.779***	2.125***	2.024*
سلول خالی	(5.076)	(5.398)	(1.959)
Obs.	2941	2941	2941	2116	2116
صفت Rsq	0.931	0.93	0.404	0.119	0.119
Ctrls اوراق قرضه / صادرکننده	آره	آره	آره	خیر	خیر
اوراق قرضه / صنعت FE	آره	آره	آره	خیر	خیر
Ctrls صندوق/مدیر	آره	آره	آره	آره	آره
زمان / صندوق FE	آره	آره	آره	آره	آره

این جدول برآوردهای ماهانه دارایی و عملکرد صندوق در مدیران عامل و تخصص و شبکه آنها را به ترتیب در پنل A و B ارائه می دهد. متغیرهای وابسته در ستون‌های 1 تا 3، دارایی اوراق قرضه هستند که به ترتیب با تعداد سهام ( سهام )، ارزش بازار ( ارزش ) و وزن پرتفوی ( وزن ) اندازه‌گیری می‌شوند. متغیرهای وابسته در ستون‌های 4 تا 5 به ترتیب بازدهی تعدیل‌شده با ریسک به یک سبد دارای وزن ( vw-ABR ) و پرتفوی دارای وزن درصد در TNA ( pw-ABR ) هستند. Agent یک متغیر ساختگی است که اگر صندوق یک بار توسط مدیر عامل اداره شود برابر با یک است، در غیر این صورت صفر است. Specialization ( متصل ) یک متغیر ساختگی است که اگر اوراق قرضه/پرتفولیو یک اوراق قرضه/پرتفوی تخصصی (متصل) باشد، در غیر این صورت صفر است. متغیرهای کنترل صندوق و مدیر جدول‌بندی‌نشده شامل سن صندوق ، اندازه صندوق ، هزینه‌های صندوق ، اندازه تیم ، اندازه خانواده BF ، اندازه خانواده ، دوره تصدی ، مسئولیت FM ، جنسیت و مدرک هستند . کنترل‌های اوراق قرضه و ناشر عبارتند از: رتبه‌بندی ، سررسید ، اندازه صدور ، ضمانت ، فهرست شده متقاطع ، قابل فروش، قابل فراخوان ، کاهش ، محلی ، SOE ، عمومی ، اهرم ، ملموس بودن ، اندازه ، ROA ، رشد و نقدینگی . کنترل ها یک دوره تاخیر دارند و همه متغیرها در جدول A1 تعریف شده اند . صندوق و اثرات ثابت ماهانه نیز گنجانده شده است. متغیرهای پیوسته در بالا و پایین 1% توزیع نمونه winsorized می شوند. خطاهای استاندارد قوی در سطح صندوق دسته بندی می شوند. آمار t در داخل پرانتز گزارش شده است. *، ** و *** به ترتیب در سطح 10%، 5% و 1% معناداری را نشان می دهند.

برای حمایت بیشتر از یافته‌های خود مبنی بر اینکه مدیران تحلیلگر تمایل دارند تخصیص وجوه تخصصی خود را مجدداً متعادل کنند که به عملکرد بهتر پرتفوی کمک می‌کند، ما یک تحلیل میانجی انجام می‌دهیم ( بارون و کنی، 1986 ؛ ژائو و همکاران، 2010 )، که در آن می‌توانیم نحوه نمایندگی را شناسایی کنیم. به طور مستقیم و غیرمستقیم (از طریق متغیرهای واسطه، به عنوان مثال، دارایی اوراق قرضه تخصصی و غیره) بر بازده پرتفوی اوراق تاثیر می گذارد. هدف تجزیه و تحلیل میانجیگری ایجاد ارتباط بین انتخاب پورتفولیوی مدیر عامل و بازده بالاتر صندوق است. ²³

برای اجرای تحلیل میانجی‌گری، ابتدا وجوهی را از نمونه خود حذف می‌کنیم که هرگز مدیر عاملی برای آنها تعیین نشده است. در مرحله بعد، ما یک روش دو مرحله ای را انجام می دهیم که توسط بارون و کنی (1986) پیشنهاد شده و توسط ژائو و همکاران اصلاح شده است. (2010) . در مرحله اول، یک متغیر شاخص، Top10 را تعریف می‌کنیم تا افزایش تمایل یک صندوق عامل شامل اوراق خاص/مرتبط عامل در فهرست 10 دارایی برتر خود را پس از تغییر ساختگی نماینده به مقدار یک تخمین بزنیم. سپس یک تحلیل رگرسیون لجستیک انجام می‌دهیم، که در آن متغیر وابسته Top10 برای افزایش اوراق بهادار تخصصی و متصل است و متغیر مستقل Agent dummy است. نتایج در ستون 1 جدول 11 ارائه شده است . در پنل A، یک ضریب مثبت را روی Agent مستند می کنیم . این نشان می‌دهد که پس از تغییر ساختگی نماینده به مقدار یک، تمایل صندوق‌ها برای گنجاندن اوراق قرضه تخصصی مدیر عامل در فهرست ده دارایی برتر افزایش می‌یابد. با این حال، ما ارتباط معنی‌داری بین گنجاندن اوراق قرضه متصل در فهرست ده دارایی برتر و تصاحب صندوق توسط یک مدیر عامل مشاهده نمی‌کنیم.

جدول 11 . تخصص و شبکه: تحلیل میانجیگری

سلول خالی	(1)	سلول خالی	(2)	(3)
سلول خالی	افزایش منابع	سلول خالی	پادرمیانی
سلول خالی	Top10	سلول خالی	آلفا جی	آلفا n
پانل A: تخصص
عامل	0.038***	مستقیم	0.109***	0.107***
سلول خالی	(4.561)	(از طریق نماینده)	(4.071)	(3.984)
سلول خالی		غیر مستقیم	0.005***	0.005***
سلول خالی		(از طریق نماینده × Top10)	(4.031)	(4.013)
سلول خالی		جمع	0.114***	0.112***
سلول خالی			(4.116)	(4.028)
Obs.	9634	Obs.	9634	9634
صفت R-sq.	0.278	صفت R-sq.	0.117	0.117
پانل B: شبکه
عامل	0.009-	مستقیم	0.113***	0.111***
سلول خالی	(-0.286)	(از طریق نماینده)	(4.071)	(3.967)
سلول خالی		غیر مستقیم	0.001-	0.001-
سلول خالی		(از طریق نماینده × Top10)	(-0.285)	(-0.302)
سلول خالی		جمع	0.112***	0.110***
سلول خالی			(4.054)	(3.984)
Obs.	9634	Obs.	9634	9634
صفت R-sq.	0.389	صفت R-sq.	0.117	0.116
Ctrls صندوق/مدیر	آره		آره	آره
زمان/صنعت/باند FE	آره		آره	آره

این جدول نتایج تخمینی افزایش تمایل به گنجاندن اوراق قرضه تخصصی و اوراق قرضه مرتبط در فهرست 10 دارایی برتر یک صندوق مدیریت عامل و تأثیر آن بر عملکرد صندوق را گزارش می‌کند. نمونه شامل 9634 مشاهدات ماهانه صندوق برای وجوهی است که تاکنون توسط یک مدیر تحلیلگر اداره شده است. در ستون 1، متغیر وابسته Top10 است که یک متغیر ساختگی است که اگر صندوق دارای اوراق قرضه تخصصی (متصل) در فهرست 10 دارایی برتر خود در پانل A (پانل B) باشد، برابر با یک و در غیر این صورت صفر است. ستون های 2-3 نتایج تحلیل میانجیگری را خلاصه می کنند. متغیرهای وابسته عبارتند از بازده تعدیل شده با ریسک به صندوق ها، آلفا g و آلفا n که بر اساس بازده ناخالص و بازده خالص کارمزد محاسبه می شوند. متغیر مستقل Agent است که یک متغیر ساختگی است که اگر صندوقی توسط مدیر عامل در یک ماه اداره شود برابر با یک و در غیر این صورت صفر است. متغیر میانجی Top10 است . متغیرهای کنترل صندوق و مدیر جدول‌بندی‌نشده شامل سن صندوق ، اندازه صندوق ، هزینه‌های صندوق ، اندازه تیم ، اندازه خانواده BF ، اندازه خانواده ، دوره تصدی ، مسئولیت FM ، جنسیت و مدرک هستند . کنترل ها یک دوره تاخیر دارند و همه متغیرها در جدول A1 تعریف شده اند . صندوق و اثرات ثابت ماهانه نیز گنجانده شده است. متغیرهای پیوسته در بالا و پایین 1% توزیع نمونه winsorized می شوند. خطاهای استاندارد قوی در سطح صندوق دسته بندی می شوند. آمار t در داخل پرانتز گزارش شده است. *، ** و *** به ترتیب در سطح 10%، 5% و 1% معناداری را نشان می دهند.

در مرحله دوم، مجموعه‌ای از مدل‌های رگرسیونی را با استفاده از بازده غیرعادی صندوق به‌عنوان متغیر وابسته، Top10 به‌عنوان میانجی و Agent به‌عنوان متغیر مستقل برآورد می‌کنیم. سیستم مدل رگرسیون به شرح زیر است:(9) $Alph a_{f, i, t} = c \times Agen t_{f, i, t} + γ_{1} \times Control s_{t - 1} + ε_{f, i, t},$ (10) $\begin{matrix} Top 10_{b, f, i, t} = a \times Agen t_{f, i, t} + γ_{2} \times Control s_{t - 1} + ε_{f, i, t}, \end{matrix}$ (11) $\begin{matrix} Alph a_{f, i, t} = c^{'} \times Agen t_{f, i, t} + b \times Top 10_{b, f, i, t} + γ_{3} \times Control s_{t - 1} + ε_{f, i, t} . \end{matrix}$

ضرایب $a$ ، $b$ ، $c$ و $c^{'}$ مورد توجه تحلیل ما هستند. ضریب $c^{'}$ مخفف سهم مستقیم در اختیار گرفتن توسط یک مدیر عامل در عملکرد بازده صندوق است $Alpha$ . محصول از $a$ و $b$ ، $a \times b$ ، مخفف سهم غیرمستقیم از طریق ده اوراق قرضه برتر برای یک صندوق سرمایه گذاری است. ضریب $c$ ، از نظر ریاضی برابر است $a \times b + c^{'}$ ، مخفف سهم کل بودن یک صندوق مدیر عامل است. اگر عملکرد پورتفولیو در واقع منتسب به اوراق قرضه تخصصی (متصل) باشد که توسط یک عامل-مدیر در لیست ده برتر قرار گرفته است، باید انتظار یک ارزش مثبت برای تأثیر غیر مستقیم نشان داده شده توسط $a \times b$ . علاوه بر این، باید منتظر ضریب تاثیر مستقیم مثبت باشیم $c^{'}$ از آنجایی که رابطه مثبت بین صندوق عامل بودن و عملکرد بهتر در آزمایشات قبلی ما ثبت شده است.

بارون و کنی (1986) برای آزمایش اینکه آیا میانجیگری از نظر آماری معنادار است، آزمون Z-Sobel (1982) را به شرح زیر توصیه می کنند:(12) $z_{ab} = \frac{a \times b}{\sqrt{b^{2} s_{a}^{2} + a^{2} s_{b}^{2}}}$ جایی که $a$ ، $b$ و مجذور خطاهای استاندارد آنها از معادله می آید. (10) و معادله (11) به ترتیب.

جدول 11 نتایج تخمین تحلیل میانجیگری را در ستون های 2-3 خلاصه می کند. در پانل A، ما اثرات مستقیم و غیرمستقیم قوی و قابل توجه مدیران عامل بر عملکرد صندوق را مستند می کنیم. این نتایج نشان می‌دهد که یک مدیر تحلیلگر سهم مثبت کلی در عملکرد بازده صندوق دارد، که تا حدی از طریق گنجاندن اوراق قرضه تخصصی آن‌ها در فهرست ده دارایی برتر واسطه می‌شود. توجه داشته باشید که تاثیر غیرمستقیم در مقایسه با تاثیر مستقیم نسبتا کم است. با توجه به اینکه ما فقط روی افزایش تمایل به قرار گرفتن در ده هلدینگ برتر تمرکز می کنیم، تعجب آور نیست.

در مقابل، در پانل B، هیچ تاثیر غیرمستقیم آماری معنی‌داری از مدیران عامل در تغییر تخصیص اوراق قرضه متصل مشاهده نمی‌کنیم. این نتایج برای تحلیل میانجی‌گری بازتاب می‌یابد و از نتایج گزارش‌شده در جدول 10 پشتیبانی می‌کند، و نشان می‌دهد که عملکرد بهتر پورتفولیوی مدیران تحلیلگر وجوه در حال اجرا به جای آنهایی که مرتبط هستند، به هلدینگ‌های تخصصی نسبت داده می‌شود.

5.2 . سایر اشکال شبکه های اجتماعی

برای به تصویر کشیدن سایر تعاملات اجتماعی بین مدیران عامل و کارکنان CRA، ما پروکسی‌های زیر را بررسی می‌کنیم: نزدیکی جغرافیایی بین مدیران عامل و همکاران قبلی آنها. رویدادهای اجتماعی که هم مدیران عامل و هم کارکنان CRA احتمالاً در آنها شرکت خواهند کرد. همپوشانی کاری بین مدیران عامل و همکاران سابق آنها در CRA. و ارتباط آموزشی بین مدیران عامل و کارکنان از CRA.

اول، ما از نزدیکی جغرافیایی به عنوان یک نماینده برای دریافت ارتباط، پیشنهاد شده توسط مطالعات قبلی استفاده می کنیم (به عنوان مثال، هانگ و همکاران، 2005 ؛ پول و همکاران، 2012 ). از آنجایی که اطلاعات آدرس محل سکونت برای مدیران صندوق یا تحلیلگران رتبه‌بندی اعتباری در دسترس عموم نیست، ما از فاصله جغرافیایی بین دفتر مرکزی شرکت‌های مدیریت صندوق که در حال حاضر تحلیلگر-مدیران را استخدام می‌کنند و CRAهایی که قبلاً آنها را استخدام کرده‌اند، استفاده می‌کنیم. فرض بر این است که تعاملات اجتماعی زمانی که مدیر عامل در نزدیکی همکاران قبلی خود قرار دارد، بیشتر رخ می دهد. برای انجام این کار، ما به صورت دستی هماهنگی جغرافیایی (یعنی طول و عرض جغرافیایی) را برای هر شرکت مدیریت صندوق و هر CRA در چین جمع آوری می کنیم. سپس فاصله بین هر جفت شرکت مدیریت سرمایه-CRA موجود در مجموعه داده ما را بر حسب کیلومتر محاسبه می کنیم. ما دو معیار برای پروکسی برای تعاملات اجتماعی ایجاد می کنیم: (1) نزدیک ، یک متغیر شاخص که اگر فاصله بین یک جفت شرکت مدیریت سرمایه-CRA کمتر از میانه نمونه باشد، در غیر این صورت صفر است، و (2) فاصله ورود به سیستم، برابر با یک است. که لگاریتم فاصله بر حسب کیلومتر است. ما این معیارها را در آزمون‌های پایه با انجام تحلیل تعدیل معرفی می‌کنیم. اگر نزدیکی جغرافیایی ارتباطات شخصی را تسهیل می‌کند، که برای «انعام دادن» ضروری است، انتظار داریم مدیران عاملی که به آژانس‌های کارفرمای سابق خود نزدیک‌تر هستند، عملکرد بهتری از همتایان خود داشته باشند. نتایج در پانل های A و B جدول 12 ارائه شده است . ما تخمین‌های منفی ضریب را بر روی تعامل بین عامل و نزدیک در پانل A ثبت می‌کنیم، در حالی که تخمین‌های مثبت ضریب بر تعامل بین عامل و فاصله ورود به سیستم در پانل B. نتایج نشان می‌دهد که عامل-مدیران توسط شرکت‌های مدیریت صندوق به کار گرفته شده‌اند که فاصله زیادی با یکدیگر دارند. آژانس کارفرمای سابق آنها نسبت به کسانی که به کارفرمایان سابق خود نزدیکتر هستند بهتر عمل می کند، که با فرضیه شبکه در تناقض است.

جدول 12 . ارتباطات با همکاران تحلیلگر سابق و عملکرد صندوق.

سلول خالی	(1)	(2)	سلول خالی	(3)	(4)
سلول خالی	آلفا جی	آلفا n	سلول خالی	آلفا جی	آلفا n
پانل A: نزدیک
عامل x نزدیک	−0.471***	−0.476***		−0.515***	−0.520***
سلول خالی	(-7.995)	(-8.085)		(-8.810)	(-8.905)
Obs.	112,312	112,312		104,382	104,382
صفت R-sq.	0.313	0.313		0.301	0.301
پانل B: فاصله گزارش
عامل x فاصله ورود	0.034***	0.035***		0.045***	0.046***
سلول خالی	(4.408)	(4.503)		(5.886)	(5.984)
Obs.	8193	8193		7698	7698
صفت R-sq.	0.327	0.327		0.311	0.312
پانل C: کنفرانس CCXI، نمونه کامل
AgentFund x PostCon	−0.041**	−0.041**		−0.040*	−0.040*
سلول خالی	(-2.001)	(-1.996)		(-1.951)	(-1.946)
Obs.	92767	92767		87,159	87,159
صفت R-sq.	0.287	0.287		0.263	0.264
پانل D: کنفرانس CCXI، نمونه تحلیلگر
CCXI AgentFund x PostCon	0.043-	0.043-		0.040-	0.041-
سلول خالی	(-1.107)	(-1.117)		(-1.051)	(-1.062)
Obs.	8101	8101		7734	7734
صفت R-sq.	0.347	0.346		0.332	0.331
Ctrls صندوق/مدیر	آره	آره		آره	آره
زمان / صندوق FE	آره	آره		آره	آره
سال ها	2007–2020	2007–2020		2013–2020	2013–2020

این جدول برآوردهای ماهانه عملکرد صندوق در مدیران عامل را گزارش می دهد. متغیرهای وابسته، بازده صندوق تعدیل شده با ریسک، آلفا g و آلفا n هستند که بر اساس بازده ناخالص و بازده خالص کارمزد، به ترتیب در ستون‌های 1 و 3 و ستون‌های 2 و 4 محاسبه می‌شوند. پانل های A و B نتایج را با استفاده از معیارهای مجاورت جغرافیایی ارائه می دهند. پانل‌های C و D نتایج یک مطالعه رویداد را با استفاده از کنفرانس‌های چشم‌انداز اعتباری که توسط CCXI و Moody’s برای سال‌های 2007–2020 میزبانی شده‌اند، ارائه می‌کنند. Agent یک متغیر ساختگی است که اگر صندوقی توسط مدیر عامل در یک ماه اداره شود، برابر یک است، در غیر این صورت صفر است. اگر فاصله جغرافیایی بین یک شرکت مدیریت سرمایه و CRA که قبلاً مدیر تحلیلگر را استخدام کرده بود، کمتر از میانه نمونه باشد، یک متغیر ساختگی برابر با یک است. Log Distance لگاریتم فاصله جغرافیایی (به کیلومتر) بین یک شرکت مدیریت سرمایه و یک CRA است. PostCon یک متغیر ساختگی است که اگر یک ماه در دوره پس از کنفرانس باشد برابر با یک است [0,3] و در غیر این صورت صفر است. CCXI Agent یک متغیر ساختگی است که اگر یک صندوق در یک ماه توسط یک مدیر تحلیلگر سابق CCXI اداره شود، برابر یک است، در غیر این صورت صفر است. متغیرهای کنترلی صندوق و مدیر جدول‌بندی نشده شامل سن صندوق، اندازه صندوق، هزینه‌های صندوق، اندازه تیم، اندازه خانواده BF، اندازه خانواده، نماینده، دوره تصدی، کارمزد FM، جنسیت و مدرک هستند . کنترل ها یک دوره تاخیر دارند و همه متغیرها در جدول A1 تعریف شده اند . صندوق و اثرات ثابت ماهانه نیز گنجانده شده است. متغیرهای پیوسته در بالا و پایین 1% توزیع نمونه winsorized می شوند. خطاهای استاندارد قوی در سطح صندوق دسته بندی می شوند. آمار t در داخل پرانتز گزارش شده است. *، ** و *** به ترتیب در سطح 10%، 5% و 1% معناداری را نشان می دهند.

دوم، برای بررسی مواردی که در آن تعاملات حضوری بین نمایندگان-مدیران و همکاران سابق آنها در CRA ها به احتمال زیاد رخ می دهد، از کنفرانس های نیمه سالانه چشم انداز اعتباری استفاده می کنیم که توسط مودی و رتبه بندی اعتباری چنگ سین چین (CCXI) میزبانی می شوند. به عنوان محیطی برای مطالعه رویداد ما . اگرچه ما اطلاعات حضور در کنفرانس را برای صنعت CRA چین نداریم، اما معتقدیم این رویداد به عنوان یک پروکسی خوب برای تعامل اجتماعی بین مدیران عامل و کارکنان CRA عمل می کند. ^این کنفرانس مسلماً یکی از رویدادهای مهمی است که مدیران صندوق‌های اوراق قرضه و تحلیلگران رتبه‌بندی هر دو در آن شرکت می‌کنند و فرصت‌هایی برای تعاملات شخصی و «انعام» بالقوه همکاران سابق در CRA فراهم می‌کند.

برای انجام آزمون‌های تجربی، ما تاریخ کنفرانس‌های چشم‌انداز اعتباری Moody’s و CCXI را برای مطالعه رویداد خود جمع‌آوری می‌کنیم. از آنجایی که کنفرانس ها به صورت شش ماهه برگزار می شوند، ما سه ماه قبل و بعد از ماه کنفرانس (یعنی [-3، +3]) را به عنوان دوره رویداد تعریف می کنیم. سپس مدل رگرسیون زیر را تخمین می زنیم:(13) ${Alpha}_{f, t} = β_{0} + β_{1} {AgentFund}_{f} \times {PostCon}_{t} + β_{2} {Contols}_{f, t - 1} + α_{f} + α_{t} + ε_{f, t} .$ جایی که $PostCon$ یک متغیر ساختگی است که اگر یک ماه در دوره پس از کنفرانس باشد برابر یک است، در غیر این صورت صفر است. اگر مدیران عامل در طول کنفرانس توسط همکاران سابق خود در CRA ها “انعام” دریافت کنند و از این اطلاعات برای متعادل کردن مجدد پورتفولیوی خود استفاده کنند، باید انتظار یک ضریب مثبت در مدت تعامل داشته باشیم. ما نتایج را در پانل C جدول 12 ارائه می کنیم. ضرایب ${AgentFund}_{f} \times {PostCon}_{t}$ منفی هستند، که نشان می دهد “انعام” احتمالاً عملکرد بهتر مدیران عامل را توضیح نمی دهد. شایان ذکر است که نتایج فوق نه تنها تعامل اجتماعی بالقوه بین مدیران عامل و همکاران سابق آنها از CRA را که برای آن کار می کردند، بلکه با کارکنان سایر CRAها نیز نشان می دهد. برای محدود کردن یک رابطه خاص تر که در آن احتمال “انعام” حتی بیشتر است، ما فقط نمایندگان-مدیران را در نمونه خود نگه می داریم و مدیرانی را که قبلا توسط CCXI به کار گرفته شده اند با سایرین با جایگزین کردن مقایسه می کنیم. ${AgentFund}_{f}$ با ${CCXI AgentFund}_{f}$ و تعامل با آن ${PostCon}_{t}$ . از آنجایی که کنفرانس ها توسط CCXI برگزار می شود، در صورت کارکرد فرضیه شبکه، انتظار داریم ضریب تعامل مثبت باشد. ما نتایج را در پانل D جدول 12 ارائه می کنیم . ما هیچ نتیجه قابل توجهی مشاهده نمی کنیم.

سوم، برای بررسی اطلاعات دقیق تر در مورد همپوشانی تجربه کاری بین مدیران عامل و همکاران سابق آنها، ما تعریف خود را از اوراق قرضه متصل در جدول 10 اصلاح می کنیم . برای انجام این کار، ما به صورت دستی داده‌های نویسندگی را از گزارش‌های رتبه‌بندی اعتباری بازیابی می‌کنیم و همکارانی را شناسایی می‌کنیم که با مدیران عامل در زمانی که هر دو در CRA کار می‌کردند، نویسندگی می‌کردند. ما همچنین می‌توانیم مدت زمانی را که آنها با هم کار می‌کردند، شناسایی کنیم، که تفاوت زمانی است که آنها اولین و آخرین گزارش‌های مشترک را تالیف کردند. سپس سوابق هم‌نویسندگی را با داده‌های دارای صندوق اوراق قرضه تطبیق می‌دهیم و معادله را مجدداً برآورد می‌کنیم. (7) و معادله (8) با جایگزینی Connected با متغیرهایی که روابط نزدیک بین مدیران عامل و همکار سابقشان را به دو روش زیر نشان می‌دهند: (1) همپوشانی داشته باشند ، که اگر اوراق قرضه مدیر عامل در حال حاضر توسط او رتبه‌بندی شده باشد برابر با یک است. همکار سابق که تا به حال با او گزارش رتبه بندی نوشته است و در غیر این صورت صفر است. (2) برای هر اوراق در پورتفولیوی مدیر تحلیلگر، ما تشخیص می دهیم که چه کسی صادرکننده اوراق قرضه را در CRA رتبه بندی می کند، سپس مدت زمانی را که همکار با مدیر تحلیلگر کار کرده است محاسبه می کنیم. سپس، همپوشانی را تعریف می‌کنیم، که تعداد ماه‌های بین اولین و آخرین گزارش رتبه‌بندی مشترک توسط مدیر عامل و این همکار است. ما نتایج را در جدول 13 ارائه می کنیم . ما شواهدی پیدا نکردیم که ارتباط قوی‌تر بین مدیران عامل و همکاران سابق آنها به عملکرد بهتر صندوق کمک کند.

جدول 13 . شبکه و عملکرد – همپوشانی کار و پیشینه تحصیلی.

سلول خالی	(1)	(2)	(3)	(4)	(5)
سلول خالی	دارایی اوراق قرضه انفرادی			عملکرد نمونه کارها
سلول خالی	سهام	ارزش	وزن	نمونه کارها vw-ABR	نمونه کارها pw-ABR
عامل x همپوشانی دارند	0.590-	−54.404	−1.291	0.058-	0.053-
سلول خالی	(-0.102)	(-0.093)	(-0.819)	(-0.300)	(-0.280)
عامل x همپوشانی	0.062	6.412	−0.000	0.009	0.009
سلول خالی	(0.697)	(0.709)	(-0.001)	(1.126)	(1.132)
عامل x کراوات مدرسه	−3.448	−330.436	−2.241**	0.082	0.082
سلول خالی	(-1.046)	(-0.991)	(-2.484)	(0.601)	(0.600)
نماینده x تعداد کراوات مدرسه	−4.404***	−439.586***	0.519-	0.045	0.045
سلول خالی	(-3.137)	(-3.094)	(-1.347)	(0.715)	(0.714)
کنترل اوراق قرضه/ناشر	آره	آره	آره	خیر	خیر
اوراق قرضه / صادرکننده FE	آره	آره	آره	خیر	خیر
کنترل های صندوق/مدیر	آره	آره	آره	آره	آره
زمان/باند FE	آره	آره	آره	آره	آره

این جدول تخمین ماهانه موجودی صندوق و عملکرد مدیران عامل و شبکه آنها را نشان می دهد. متغیرهای وابسته در ستون‌های 1 تا 3، دارایی اوراق قرضه هستند که به ترتیب با تعداد سهام ( سهام )، ارزش بازار ( ارزش ) و وزن پرتفوی ( وزن ) اندازه‌گیری می‌شوند. متغیرهای وابسته در ستون‌های 4 تا 5 به ترتیب بازدهی تعدیل‌شده با ریسک به یک سبد دارای وزن ( vw-ABR ) و پرتفوی دارای وزن درصد در TNA ( pw-ABR ) هستند. اگر صندوق یک بار توسط مدیر عامل اداره شود، یک متغیر ساختگی برابر با یک است، در غیر این صورت صفر است. Have Overlap یک متغیر شاخص است که اگر اوراق قرضه توسط آژانسی که تحلیلگری را استخدام می کند که تا به حال با عامل-مدیر کار کرده است رتبه بندی شود، برابر با یک و در غیر این صورت صفر است. همپوشانی تعداد ماه‌های همپوشانی استخدامی بین نماینده-مدیر و همکار سابقش است که طولانی‌ترین همپوشانی کاری را دارد و در آژانسی که اوراق مشارکت را در پورتفولیوی مدیر رتبه‌بندی می‌کند، شاغل باقی می‌ماند. کراوات مدرسه یک متغیر شاخص برابر با یک است اگر اوراق قرضه در یک سبد در یک ماه توسط آژانسی که فارغ التحصیلان عامل-مدیر را استخدام می کند رتبه بندی شود، در غیر این صورت صفر است. تعداد کراوات مدرسه تعداد کل فارغ التحصیلان نماینده-مدیر است که در زمان حضور نماینده-مدیر اوراق قرضه، برای آژانس های رتبه بندی ناشر کار می کنند. جدول ضرایب شرایط تعامل را نشان می دهد. متغیرهای کنترلی صندوق و مدیر جدول‌بندی نشده عبارتند از: عامل، سن صندوق، اندازه صندوق، هزینه‌های صندوق، اندازه تیم، اندازه خانواده BF، اندازه خانواده، دوره تصدی، کارمندی FM، جنسیت و مدرک . کنترل‌های اوراق قرضه و ناشر عبارتند از: رتبه‌بندی، سررسید، اندازه صدور، ضمانت، فهرست شده متقاطع، قابل فروش، قابل پرداخت، غرق شدن، محلی، SOE، عمومی، اهرم، ملموس بودن، اندازه، ROA، رشد و نقدی . کنترل ها یک دوره تاخیر دارند و همه متغیرها در جدول A1 تعریف شده اند . صندوق و اثرات ثابت ماهانه نیز گنجانده شده است. متغیرهای پیوسته در بالا و پایین 1% توزیع نمونه winsorized می شوند. خطاهای استاندارد قوی در سطح صندوق دسته بندی می شوند. آمار t در داخل پرانتز گزارش شده است. *، ** و *** به ترتیب در سطح 10%، 5% و 1% معناداری را نشان می دهند.

در آخر، ما اطلاعات پیشینه تحصیلی تحلیلگران و کارکنان را از آژانس های رتبه بندی اعتباری با جمع آوری دستی داده ها از منابع مختلف مانند وب سایت های CSMAR، LinkedIn، Baidu و CRA جمع آوری می کنیم. این به ما امکان می دهد روابط فارغ التحصیلان بین مدیران عامل و همه تحلیلگران CRA را شناسایی کنیم. ما با موفقیت اطلاعات دانشگاه را برای 17 نفر از 37 مدیر عامل (46%) در نمونه خود شناسایی کردیم. برای تفکیک تأثیر بالقوه شبکه از سایر عوامل، مدل‌های رگرسیون خود (معادل (7) و معادله (8) ) را با جایگزینی متغیر Connected با متغیرهایی که روابط نزدیک مدرسه بین مدیران عامل و تحلیلگران CRA را نشان می‌دهند، مجدداً برآورد می‌کنیم. اینها عبارتند از: (1) یک متغیر شاخص در سطح اوراق قرضه، School Tie ، که اگر یک اوراق قرضه در یک سبد در یک ماه توسط CRA که فارغ التحصیلان نماینده-مدیر را به کار می‌گیرد، برابر یک می‌شود، در غیر این صورت صفر است. (2) تعداد کراوات مدرسه ، که تعداد فارغ التحصیلان نماینده-مدیر است که در زمانی که نماینده-مدیر اوراق قرضه را در پورتفولیو نگه می دارد، در یکی از CRA ناشر کار می کنند. ما هیچ بازده پرتفوی مثبت قابل توجهی که بتوان به ارتباط فارغ التحصیلان از جدول 13 نسبت داد، پیدا نکردیم . ²⁵

به طور کلی، آزمایش‌های اضافی ما در مورد نزدیکی جغرافیایی، رویدادهای اجتماعی، همپوشانی تجربه کاری، و ارتباط آموزشی بین مدیران عامل و کارکنان CRA شواهد بیشتری ارائه می‌دهد که عملکرد بهتر مدیران عامل در مدیریت وجوه اوراق قرضه بعید است به «انعام» بالقوه یا به اشتراک گذاری اطلاعات از طریق آن نسبت داده شود. ارتباطات شخصی یا اجتماعی

به طور خلاصه، ما شواهد پشتیبان را در این بخش برای کانال تخصصی به جای کانال شبکه که از طریق آن مدیران تحلیلگر از همتایان خود بهتر عمل می کنند، مستند می کنیم. به عبارت دیگر، مدیران عامل از تخصص خود در بازار اوراق قرضه که از تجربه رتبه‌بندی اعتباری به دست می‌آیند، به جای مزیت اطلاعاتی از طریق ارتباطات خود با CRAهای کارفرمای سابق، سود می‌برند.

6 . مدیران تحلیلگر، عملکرد و جریان های صندوق

در دو بخش قبلی، ما عملکرد بهتر مدیران تحلیلگر را مستند می‌کنیم و مکانیسم‌های اساسی را توضیح می‌دهیم که ارزش اقتصادی ایجاد شده توسط مدیران عامل برای سرمایه‌گذاران صندوق اوراق قرضه را نشان می‌دهد. در این بخش، ما رابطه بین مدیران تحلیلگر، عملکرد آنها و جریان های صندوق را بررسی می کنیم که نمای مستقیمی از مزایای اقتصادی آنها برای صندوق های سرمایه گذاری ایجاد می کند. برای انجام این کار، ما یک تحلیل میانجی انجام می‌دهیم، که در آن می‌توانیم شناسایی کنیم که چگونه متغیر برون‌زا (یعنی عامل ) به‌طور مستقیم و غیرمستقیم (از طریق متغیرهای واسطه) بر متغیرهای درون‌زا (یعنی جریان‌های خالص صندوق) تأثیر می‌گذارد. ^ما از معیارهای عملکرد صندوق به عنوان متغیرهای میانجی استفاده می کنیم، زیرا رابطه مثبت بین عملکرد مازاد و جریان ورودی صندوق به خوبی مستند شده است (به عنوان مثال، برک و گرین، 2004 ؛ گلدشتاین و همکاران، 2017 ).

برای انجام تحلیل میانجیگری، ما یک مدل معادله ساختاری را تخمین می زنیم که شامل رگرسیون NetFlow بر روی متغیرهای ساختگی عامل و عملکرد صندوق (متغیر واسطه) و رگرسیون متغیرهای عملکرد صندوق بر روی ساختگی عامل ، همراه با سایر کنترل ها است. NetFlow جریان خالص یک صندوق در یک ماه است که به عنوان درصد تغییر TNA صندوق تعریف می شود . با در نظر گرفتن رابطه نامتقارن بین جریان های صندوق و عملکرد، ما معیارهای عملکرد صندوق را به صورت زیر تعریف می کنیم (به عنوان مثال، کوچارد و همکاران، 2022 ): LowPerf _f_,i,t -1 = min(0 . 25 , Rank _f_,i,t −1 )، MidPerf _f_,i,t −1 = min (0 . 5 , رتبه _f_,i,t −1 − LowPerf _f_,i,t −1 ) و HighPerf _f_,i,t −1 = رتبه _f_,i,t −1 − MidPerf _f_,i,t −1 − LowPerf _f_,i,t −1 . در اینجا Rank که بین 0 و 1 قرار دارد، رتبه عملکرد کسری صندوق است. این عملکرد صدک صندوق نسبت به سایر صندوق ها در همان ماه است. اثر غیرمستقیم Agent dummy بر NetFlow حاصل حاصل اثر ساختگی عامل بر متغیرهای عملکرد صندوق و تأثیر متغیرهای عملکرد صندوق بر NetFlow است .

ما نتایج را در پانل A جدول 14 ارائه می کنیم . ما تأثیر غیرمستقیم مثبت بودن یک صندوق تحت مدیریت عامل را که در دسته عملکرد بالای گذشته در جریانات صندوق قرار می‌گیرد، ثبت می‌کنیم که از نظر آماری در سطح 1٪ در تمام مشخصات، معنی‌دار است. ما همچنین اثرات مثبت مستقیم و کلی مدیران عامل بر جریان های صندوق را مستند می کنیم. این نتایج نشان می دهد که یک مدیر تحلیلگر با جریان های ورودی بیشتری پاداش می گیرد که تا حدی از طریق عملکرد بهتر گذشته واسطه می شود. برای ارائه شواهد استحکام بیشتر، به جای استفاده از سه معیار عملکرد گذشته، از رتبه کسری ( رتبه ) به عنوان متغیر میانجی استفاده می‌کنیم و نتایج را در پانل B ارائه می‌کنیم. نتایج از نظر کیفی بدون تغییر هستند. شایان ذکر است که تأثیر مدیران عامل بر جریان ورودی صندوق از طریق عملکرد آنها در مقایسه با تأثیر مستقیم نسبتاً ناچیز است. دلایل این امر نامشخص است، اما آنها خارج از محدوده این مطالعه هستند. تحقیقات بیشتری برای بررسی این پدیده در آینده مورد نیاز است. در مجموع، یافته‌های ما در جدول 14 نشان می‌دهد که مدیران تحلیلگر استخدام‌کننده وجوه با جریان‌های پولی جدید از سرمایه‌گذاران پاداش می‌گیرند.

جدول 14 . تحلیل میانجی‌گری تأثیر مدیران تحلیلگر بر جریان‌های صندوق.

Dep.Var = NetFlow	(1)	(2)	سلول خالی	(3)	(4)
سلول خالی	بر اساس بازده ناخالص		سلول خالی	بر اساس بازده خالص
پانل A. میانجیگری از طریق سه دسته عملکرد گذشته
مستقیم	1.801***	1.536**		1.790***	1.526**
(از طریق نماینده)	(2.600)	(2.180)		(2.580)	(2.170)
غیر مستقیم 1	0.019***	0.021***		0.019***	0.021***
(از طریق Agent x HighPerf)	(2.890)	(2.910)		(2.880)	(2.910)
غیر مستقیم 2	0.028-	0.030-		0.012-	0.023-
(از طریق Agent x MidPerf)	(0.560)	(0.550)		(0.680)	(0.960)
غیر مستقیم 3	0.035	0.036		0.030	0.038
(از طریق Agent x LowPerf)	(1.520)	(1.560)		(1.580)	(1.620)
جمع	1.827***	1.563**		1.827***	1.562**
سلول خالی	(2.630)	(2.220)		(2.630)	(2.220)
Obs.	109,262	101,580		109,262	101,580
پانل ب. میانجیگری از طریق رتبه
مستقیم	1.810***	1.545**		1.798***	1.533**
(از طریق نماینده)	(2.610)	(2.190)		(2.590)	(2.180)
غیر مستقیم	0.017***	0.017***		0.029 **	0.029 **
(از طریق Agent x Rank)	(2.570)	(2.570)		(1.930)	(1.930)
جمع	1.827***	1.563**		1.827***	1.562**
سلول خالی	(2.630)	(2.220)		(2.630)	(2.220)
Obs.	109,262	101,580		109,262	101,580
سال	2007–2020	2013–2020		2007–2020	2013–2020
Ctrls صندوق/مدیر	آره	آره		آره	آره
زمان / صندوق FE	آره	آره		آره	آره

این جدول نتایج تخمین تحلیل میانجیگری را نشان می دهد که چگونه مدیران عامل به طور مستقیم و غیرمستقیم بر جریان های صندوق از طریق متغیر میانجی، معیارهای عملکرد صندوق، تأثیر می گذارند. متغیرهای میانجی سه معیار عملکرد گذشته در پانل A، LowPerf = min (0 . 25 , Rank )، MidPerf = min (0 . 5 , Rank − LowPerf ) و HighPerf = Rank − MidPerf − LowPerf هستند . رتبه ای که بین 0 تا 1 متغیر است، رتبه عملکرد کسری صندوق است. این عملکرد صدک صندوق نسبت به سایر صندوق ها در همان ماه است. متغیر میانجی رتبه در پانل B است. عملکرد بر اساس بازده ناخالص و بازده خالص کارمزد، به ترتیب در ستون‌های 1 و 2 و ستون‌های 3 و 4 محاسبه می‌شود. متغیر وابسته، جریان خالص وجوه ( NetFlow ) است که درصد تغییر TNA صندوق است. Agent یک متغیر ساختگی است که اگر صندوقی توسط مدیر عامل در یک ماه اداره شود برابر با یک است، در غیر این صورت صفر است. متغیرهای کنترل صندوق و مدیر جدول‌بندی‌نشده شامل سن صندوق ، اندازه صندوق ، هزینه‌های صندوق ، اندازه تیم ، اندازه خانواده BF ، اندازه خانواده ، دوره تصدی ، مسئولیت FM ، جنسیت و مدرک هستند . کنترل ها یک دوره تاخیر دارند و همه متغیرها در جدول A1 تعریف شده اند . صندوق و اثرات ثابت ماهانه نیز گنجانده شده است. متغیرهای پیوسته در بالا و پایین 1% توزیع نمونه winsorized می شوند. خطاهای استاندارد قوی در سطح صندوق دسته بندی می شوند. آمار t در داخل پرانتز گزارش شده است. *، ** و *** به ترتیب در سطح 10%، 5% و 1% معناداری را نشان می دهند.

7 . نتیجه

در این مطالعه، ما نشان می‌دهیم که صندوق‌های سرمایه‌گذاری متقابل با درآمد ثابت که توسط مدیرانی که در آژانس‌های رتبه‌بندی اعتباری کار می‌کردند، با استفاده از مجموعه داده‌های جامع سابقه اشتغال مدیران صندوق‌های مشترک چینی، عملکرد بهتری از دیگران دارند. یافته های ما از طریق یک آزمون پایه با استفاده از تمام وجوه اوراق قرضه فعال، یک تحلیل متغیر ابزاری، یک آزمون نمونه منطبق با استفاده از وجوهی که ورود/خروج نمایندگان و وجوه بدون تغییر مدیر را تجربه می کنند، یک تجزیه و تحلیل PSM برای هر ماه، و یک تفاوت سازگار است . آزمون تفاوت‌ها با استفاده از وجوه فعال و غیر عاملی که گردش مالی مدیریتی را تجربه می‌کنند. تعدادی از تست‌های استحکام انجام شده‌اند و نتایج ما از همه آنها باقی مانده است. ما همچنین نشان می‌دهیم که مدیران عامل، انتخاب‌کنندگان اوراق قرضه و تایمرهای بازار بهتری هستند، که توضیحی برای عملکرد بهتر آنها ارائه می‌دهد.

ما بیشتر کانال تخصص را از کانال شبکه جدا می کنیم، که هر دو در مشاغل قبلی مدیران عامل تعبیه شده اند. ما با نشان دادن اینکه مدیران عامل به طور فعال تخصیص را مجدداً متعادل می‌کنند و در دارایی‌های اوراق قرضه تخصصی خود عملکرد بهتری دارند، شواهد تأییدی برای توضیح تخصصی پیدا می‌کنیم. در مقابل، آنها در دارایی های اوراق قرضه متصل خود اضافه وزن یا عملکرد بهتری ندارند. این یافته ها در مجموع عملکرد بهتر مدیران عامل را به تخصص برتر آنها در بازار اوراق قرضه شرکتی نسبت می دهند. علاوه بر این، مشاهده می کنیم که مدیران تحلیلگر می توانند به طور مستقیم و غیرمستقیم جریان های نقدی بیشتری را به صندوق ها جذب کنند. همه این نتایج در طول زمان قوی هستند و زمانی که از معیارهای مختلف عملکرد، تعاریف مختلف شبکه‌ها و همچنین رویکردهای تخمین متفاوت استفاده می‌کنیم، پایدار می‌مانند.

ضمیمه A. ضمیمه

جدول A1 . تعریف متغیر

متغیر	شرح	منبع
ویژگی های صندوق
عصر صندوق	تعداد ماه هایی که از تاسیس صندوق می گذرد	باد
کارمزد صندوق	هزینه های مدیریت سالانه تقسیم بر 12 درصد	باد
بازگشت وجه	بازده ناخالص ماهانه بر اساس ارزش خالص دارایی به درصد محاسبه می شود	باد
بازده خالص صندوق	بازده ناخالص ماهانه یک دوازدهم نسبت هزینه صندوق را به درصد کم می کند.
اندازه صندوق	کل دارایی خالص (TNA) تحت مدیریت به میلیارد یوان	باد
اندازه BF خانواده	TNA تمام وجوه اوراق قرضه در شرکت مدیریت به میلیارد یوان	باد
سایز خانواده	TNA تمام وجوه موجود در خانواده به میلیارد یوان	باد
اندازه تیم	تعداد مدیرانی که صندوق را اداره می کنند	باد
آلفا جی	بازده تعدیل شده بر اساس ریسک صندوق، بر اساس بازده ناخالص بر حسب درصد برآورد شده است.	باد
آلفا n	بازده تعدیل شده با ریسک صندوق، بر اساس بازده خالص کارمزد بر حسب درصد برآورد شده است.	باد
عامل	یک متغیر ساختگی که اگر صندوقی توسط مدیر عامل در یک ماه معین اداره شود برابر یک و در غیر این صورت صفر است.	باد
صندوق عامل	یک متغیر ساختگی که در صورتی که یک صندوق توسط یک مدیر تحلیلگر اداره شده باشد برابر با یک و در غیر این صورت صفر است.	باد
مدیر جدید	یک متغیر ساختگی که در صورت تصاحب یک صندوق توسط مدیر جدید برابر با یک و در غیر این صورت صفر است	باد
مدیر عامل	یک متغیر ساختگی که اگر مدیر یک تحلیلگر سابق باشد برابر یک و در غیر این صورت صفر است	باد
رتبه	عملکرد صدک صندوق نسبت به سایر صندوق ها در همان ماه	باد
LowPerf	حداقل بین 0.25 و رتبه صندوق در یک ماه	باد
MidPerf	حداقل بین 0.5 و (Rank – LowPerf) صندوق در یک ماه	باد
HighPerf	Rank-MidPerf -LowPerf	باد
ویژگی های مدیر
جنسیت	یک متغیر ساختگی که اگر مدیر مرد باشد برابر یک و در غیر این صورت صفر است	باد
درجه	یک شاخص، 1 برای مدرک لیسانس، 2 برای مدرک کارشناسی ارشد، و 3 برای دکترا.	باد
تصدی	تعداد سالهایی که مدیر صندوق فعلی را اداره کرده است	باد
تصدی FM	تعداد سال‌هایی که مدیر به صنعت مدیریت صندوق پیوسته است	باد
متصل	یک متغیر ساختگی که در صورتی که صادرکننده اوراق قرضه توسط کارفرمای سابق CRA مدیر تحلیلگر رتبه‌بندی شده باشد یک و در غیر این صورت صفر است.	باد
تخصص	یک متغیر ساختگی که اگر صادرکننده اوراق قرضه از صنعتی باشد که دارای بالاترین رتبه در سوابق رتبه‌بندی مدیر عامل است یا به نظر می‌رسد که بیش از 35% وقوع گزارش‌های رتبه‌بندی او باشد، یک متغیر ساختگی است.	باد
چیدن	مهارت انتخاب اوراق قرضه مبتنی بر بازگشت مدیر، ساخته شده از مدل TM/HM	باد
زمان سنجی	مهارت زمان‌بندی بازار مبتنی بر بازده مدیر، ساخته شده از مدل TM/HM	باد
صندوق سرمایه گذاری
سهام	تعداد سهام اوراق قرضه متعلق به صندوق در 10000	باد
ارزش	ارزش بازار اوراق قرضه نگهداری شده توسط صندوق 10 میلیون یوان یوان است	باد
وزن	ارزش بازار اوراق قرضه بیش از TNA صندوق بر حسب درصد	باد
عوامل بازار اوراق قرضه
REV	ضریب برگشت بازگشت به درصد. ما با دسته بندی مستقل اوراق قرضه به سه دسته رتبه بندی (یعنی AAA، AA+ و سایرین) و پنج پنجک بر اساس بازده ماه قبل اوراق قرضه، پرتفوی های دو متغیره را تشکیل می دهیم. REV تفاوت میانگین بازده ارزشی بین بازنده کوتاه‌مدت (یعنی کمترین بازده اوراق قرضه گذشته) و برنده کوتاه‌مدت (یعنی بالاترین بازده اوراق قرضه گذشته) در پرتفولیوهای رتبه‌بندی است.	باد
DRF	عامل خطر نزولی بر حسب درصد. ما ابتدا با دسته بندی مستقل اوراق قرضه در سه دسته رتبه بندی (یعنی AAA، AA+ و سایرین) و پنج پنجک بر اساس 5% VaR آنها در 24 ماه گذشته با حداقل داده های شش ماهه، پرتفوی های دو متغیره را تشکیل می دهیم. DRF تفاوت میانگین بازده وزن‌دار ارزشی بین پرتفوی با بالاترین VaR و پرتفوی با کمترین VaR در بین پرتفوی‌های رتبه‌بندی است.	باد
LRF	عامل ریسک نقدینگی بر حسب درصد. ما با دسته بندی مستقل اوراق قرضه به سه دسته رتبه بندی (یعنی AAA، AA+ و سایرین) و پنج پنجک بر اساس اندازه گیری نقدینگی آنها، پرتفوی های دو متغیره را تشکیل می دهیم. LRF تفاوت میانگین بازده وزن دار ارزشی بین پرتفوی های دارای بالاترین نقدینگی و کم نقدینگی در پرتفوی های رتبه بندی است. اندازه گیری ماهانه عدم نقدینگی ( ILLIQ ) به دنبال Bao و همکاران ساخته شده است. (2011) با استفاده از داده های معاملات روزانه اوراق قرضه. _{برای هر ماه به صورت -Cov t} (∆p _it , ∆p _it+1 ) محاسبه می شود ، که ∆p _تغییر قیمت معامله برای روز t اوراق قرضه i است.	باد
CRF	عامل ریسک اعتباری بر حسب درصد. میانگین CRF _VaR ، CRF _ILLIQ و CRF _REV ، که در آن CRF _VaR ، CRF _ILLIQ ، و CRF _REV تفاوت میانگین بازده وزن‌دار ارزشی بین پرتفوی با کمترین رتبه و پرتفوی با بالاترین رتبه در پرتفوی‌های VaR، پرتفوی عدم نقدشوندگی اوراق قرضه هستند. و به ترتیب پرتفوی های برگشت بازده کوتاه مدت	باد
DEF	عامل خطر پیش فرض بر حسب درصد. تفاوت بین بازده اوراق قرضه اعتباری بلندمدت ماهانه (شاخص اوراق قرضه اعتباری CSI) و بازده اوراق قرضه بلندمدت خزانه (شاخص اوراق قرضه خزانه داری CSI)	باد
مدت، اصطلاح	عامل خطر مدت بر حسب درصد. تفاوت بین بازده ماهانه اوراق قرضه خزانه داری بلند مدت (شاخص اوراق قرضه خزانه داری CSI) و نرخ سپرده یک ساله	باد
Rm	بازده بازار اوراق قرضه با بازده ماهانه شاخص کل اوراق قرضه CSI بر حسب درصد اندازه‌گیری می‌شود.	باد
RF	نرخ سپرده مدت دار ثابت یک ساله بر حسب درصد.	باد
ویژگی های پیوند
رتبه بندی	نشانگر رتبه بندی اوراق قرضه، 1 برای AAA، 2 برای AA+، 3 برای AA، 4 برای AA-، و 5 برای زیر AA-	باد
بلوغ	سالها تا سررسید اوراق قرضه	باد
اندازه شماره	لگاریتم طبیعی ارزش اسمی یک شماره در 100 میلیون یوان	باد
قابل گذاشتن	یک متغیر ساختگی که اگر پیوند قابل puttable باشد برابر یک و در غیر این صورت صفر است	باد
قابل تماس	یک متغیر ساختگی که اگر پیوند قابل فراخوانی باشد برابر با یک و در غیر این صورت صفر است	باد
غرق شدن	یک متغیر ساختگی که اگر اوراق قرضه دارای وجوه نزولی باشد برابر با یک و در غیر این صورت صفر است	باد
صلیب فهرست شده است	یک متغیر ساختگی که اگر پیوند در فهرست متقابل باشد برابر با یک و در غیر این صورت صفر است	باد
ضمانت	یک متغیر ساختگی که در صورت تضمین باند برابر با یک و در غیر این صورت صفر است	باد
ویژگی های صادرکننده اوراق قرضه
محلی	یک متغیر ساختگی که اگر صادرکننده توسط یک آژانس رتبه‌بندی اعتبار محلی رتبه‌بندی شده باشد برابر با یک و در غیر این صورت صفر است.	باد
SOE	یک متغیر ساختگی که اگر صادرکننده یک شرکت دولتی باشد برابر با یک و در غیر این صورت صفر است	باد
عمومی	یک متغیر ساختگی که اگر ناشر یک شرکت سهامی عام باشد برابر با یک و در غیر این صورت صفر است	باد
قدرت نفوذ	نسبت کل بدهی به کل دارایی ها بر حسب درصد	باد
ملموس بودن	نسبت دارایی های مشهود به کل دارایی ها بر حسب درصد	باد
اندازه	لگاریتم فروش 100 میلیون یوان	باد
رشد	تغییر در درآمدهای عملیاتی نسبت به سال قبل به درصد	باد
ROA	نسبت درآمد عملیاتی به کل دارایی های ناشر بر حسب درصد	باد
نسبت نقدی	نسبت وجه نقد به بدهی های جاری بر حسب درصد	باد
دیگران
LongTenure CRA	یک متغیر ساختگی که اگر تعداد ماه‌هایی که یک مدیر صندوق در CRA کار کرده بالاتر از میانگین نمونه باشد، برابر یک است و در غیر این صورت صفر است.	باد
تخصص LongTenure	یک متغیر ساختگی که اگر طولانی‌ترین دوره تصدی در میان صنایع تخصصی تحت پوشش یک مدیر تحلیلگر بالاتر از میانگین نمونه باشد، برابر با یک است و در غیر این صورت صفر است.	باد
LongTenure همه تخصص	یک متغیر ساختگی که اگر دوره تصدی تمام صنایع تخصصی توسط یک مدیر تحلیلگر بالاتر از میانگین نمونه باشد، برابر یک است، در غیر این صورت صفر است.	باد
CRA برتر (NAFMII SAC) (IAC)	یک متغیر ساختگی که اگر مدیر عامل قبلاً توسط 4 آژانس رتبه‌بندی برتر رتبه‌بندی شده توسط NAFMII و SAC (IAC) استخدام شده باشد، برابر با یک است، در غیر این صورت صفر است.	باد
نسبت صندوق اوراق قرضه	نسبت تعداد وجوه اوراق قرضه به تعداد کل وجوه در یک خانواده صندوق	باد
10 تا	یک متغیر ساختگی که در صورتی که صندوق دارای اوراق قرضه تخصصی (متصل) مدیران تحلیلگر را در فهرست 10 دارایی برتر خود در یک ماه قرار دهد، برابر با یک است، در غیر این صورت صفر است.	باد

جدول A2 . آمار خلاصه برای نمونه PSM.

پانل A: خصوصیات گروه بندی شده توسط مدیران صندوق برای ورود نماینده
سلول خالی	منظور داشتن		میانه		میانگین تفاوت	میانه تفاوت
سلول خالی	نماینده (1)	غیر نماینده (2)	نماینده (3)	غیر نماینده (4)	(1) – (2)	(3) – (4)
عصر صندوق	38.711	39.944	34.500	28000	−1.233	6.500
اندازه صندوق	0.818	0.878	0.275	0.148	0.060-	0.127***
کارمزد صندوق	0.041	0.041	0.042	0.033	0.000	0.009
اندازه تیم	1.211	1.373	1000	1000	−0.162**	0.000
اندازه BF خانواده	61.885	52.733	22.886	19.595	9.152	3.291*
سایز خانواده	191.197	159.269	113.965	92.132	31.928	21.833
تصدی	1.961	2.243	1.333	1.583	0.282-	0.250-
تصدی FM	4.021	4.817	3.208	3.833	−0.796**	−0.625*
جنسیت	0.644	0.621	1000	1000	0.023	0.000
درجه	1.967	2.013	2000	2000	0.046-	0.000
Obs.	90	161	90	161

پانل B: ویژگی های گروه بندی شده توسط مدیران صندوق برای خروج نماینده
سلول خالی	منظور داشتن		میانه		میانگین تفاوت	میانه تفاوت
سلول خالی	نماینده (1)	غیر نماینده (2)	نماینده (3)	غیر نماینده (4)	(1) – (2)	(3) – (4)
عصر صندوق	36.375	44.468	22.500	18000	-8.093	4.500
اندازه صندوق	0.975	1.221	0.533	0.303	0.246-	0.230
کارمزد صندوق	0.038	0.040	0.029	0.025	0.002-	0.004
اندازه تیم	2.125	1.377	2000	1000	0.748***	1000***
اندازه BF خانواده	45.735	55.985	33.322	19.192	−10.250	14.130
سایز خانواده	203.583	186.314	134.737	75.517	17.269	59.220
تصدی	2000	2.605	1.292	1.333	−0.605*	0.041-
تصدی FM	3.228	5.158	3.083	4.417	1.930**	−1.334***
جنسیت	0.750	0.689	1000	1000	0.061	0.000
درجه	2.042	2.026	2000	2000	0.016	0.000
Obs.	48	77	48	77

این جدول مقادیر میانگین و میانه ویژگی های صندوق و مدیر را بین مدیران عامل و غیر عامل برای نمونه های PSM ارائه می دهد که یک ماه قبل از ورود مدیر عامل به پنل A و خروج مدیر در پانل B مطابقت داده شده است. ما آزمون t را برای تفاوت انجام می دهیم . تست های -in-means و Wilcoxon برای تفاوت در میانگین ها برای مقایسه بین مدیران عامل و غیر عامل در دو ستون آخر. همه متغیرها در جدول A1 تعریف شده اند . *، ** و *** به ترتیب در سطح 10%، 5% و 1% معناداری را نشان می دهند.

جدول A3 . نتایج برای ورود مدیران غیر عامل.

سلول خالی	(1)	(2)	سلول خالی	(3)	(4)
سلول خالی	تست های پایه		سلول خالی	چک های قوی
سلول خالی	آلفا جی	آلفا n	سلول خالی	آلفا جی	آلفا n
مدیر جدید x پست	−0.034**	−0.034**		−0.005	−0.005
سلول خالی	(-2.065)	(-2.074)		(-0.268)	(-0.283)
Obs.	35,352	35,352		29,382	29,382
صفت Rsq	0.351	0.351		0.349	0.349
پنجره	[-12، +12]	[-12، +12]		به استثنای [-1، +1]	به استثنای [-1، +1]
Ctrls صندوق/مدیر	آره	آره		آره	آره
زمان / صندوق FE	آره	آره		آره	آره

این جدول برآوردهای ماهانه عملکرد صندوق در ورود مدیران غیر عامل را برای نمونه همسان با وجوه بدون گردش مدیریتی برای دسامبر 2007 تا مه 2020 گزارش می‌کند. ستون‌های 1 تا 2 نتایج پایه را برای پنجره 25 ماهه گزارش می‌کنند، در حالی که ستون‌های 3 -4 نتایج استحکام را با حذف دوره [-1، +1] گزارش کنید. متغیرهای وابسته، بازده صندوق تعدیل شده با ریسک، آلفا g و آلفا n هستند که بر اساس بازده ناخالص و بازده خالص کارمزد، به ترتیب در ستون‌های 1 و 3 و ستون‌های 2 و 4 محاسبه می‌شوند. New Manager یک متغیر ساختگی است که برای صندوق‌هایی که ورودی‌های مدیر غیر عامل دارند یک و صفر است در غیر این صورت Post یک متغیر ساختگی است که اگر ماه در دوره گردش مالی پس از مدیریت باشد برابر با یک است و در غیر این صورت صفر است. متغیرهای کنترل صندوق و مدیر جدول‌بندی‌نشده شامل سن صندوق ، اندازه صندوق ، هزینه‌های صندوق ، اندازه تیم ، اندازه خانواده BF ، اندازه خانواده ، دوره تصدی ، مسئولیت FM ، جنسیت و مدرک هستند . کنترل ها یک دوره تاخیر دارند و همه متغیرها در جدول A1 تعریف شده اند . صندوق و اثرات ثابت ماهانه نیز گنجانده شده است. متغیرهای پیوسته در بالا و پایین 1% توزیع نمونه winsorized می شوند. خطاهای استاندارد قوی در سطح صندوق دسته بندی می شوند. آمار t در داخل پرانتز گزارش شده است. *، ** و *** به ترتیب در سطح 10%، 5% و 1% معناداری را نشان می دهند.