社交互动如何影响你的共同基金投资？

我们从多个数据库中构建样本，并研究与基金业绩相关的AMMF和ETF特征。

在这项研究中，我们结合了几个数据源。我们从晨星公司获得基金经理的信息，它包括每个基金经理的名字，他们开始管理和结束基金的日期，以及经理的教育背景信息。 我们通过筛选晨星风格的基金类别和人工筛选包括基金名称，将样本限制在积极管理的美国股票基金。

我们从汤姆森金融CDA/Spectrum共同基金数据库中获取共同基金持有量，该数据库包含美国共同基金在美国证券交易委员会(SEC)强制要求下报告的季度末持有量。汤姆森使用两个日期变量，RDATE和FDATE，它们分别指的是持股有效的实际日期和数据被切割的汤姆森年份日期。我们遵循标准实践，将持有限制为FDATE等于RDATE的那些观测值，以避免在分析中使用过时的数据。当股票价格、CUSIP或持有的股票数量缺失时，我们会放弃观察值。从这个起点算起，从1996年第一季度到2010年第四季度，共有4685084次季度基金持有观察。样本包括2558只基金和4622名基金经理，平均每季810只基金。

为了专注于我们可以适当控制投资风格的基金，我们将样本限制在晨星在3 × 3大小/价值网格中的基金类别(美国大型混合，美国大型增长，美国大型价值，美国中型股混合，美国中型股增长，美国中型股价值，美国小型混合，美国小型增长或美国小型价值)。我们还删除了持股少于20只或超过500只的基金。持股超过500只的基金可能是我们第一组筛选漏掉的指数基金。加入这些筛选后，样本平均每季度减少到688只基金。

我们的目标是找出住所离彼此很近的经理对。我们遵循Yonker(2010)和Pool等人(2012)的方法，在LexisNexis Public Records数据库中使用姓名、年龄和位置搜索来识别基金经理这些数据包括与每个人相关的所有地址的历史记录，包括所有拥有或租用的房产。这些数据非常广泛，利用了县税务评估员记录、州机动车登记、信贷机构报告、法院文件和邮局记录等来源的公共记录。我们能够在初始样本的4622名经理的数据库中识别出2042名经理。我们的最终样本包括平均每个季度412只基金，或者每个季度超过68,000对基金。样本覆盖范围与Pool等人(2012)的样本非常相似，他们表明他们的样本代表了主动管理共同基金的更广泛样本，覆盖了80%以上的主动管理共同基金的管理资产。

我们在每个季度开始时确定了每个经理的地址。作为初步步骤，我们使用的纬度和经度来计算每对经理之间的距离，每个家庭的邮政编码的中心我们把这个距离称为zipdistance。为了获得更精确的附近配对的行驶距离，我们接下来确定任意两个经理之间的行驶距离，其中zipdistance为5英里。这包括居住在相同邮政编码的所有经理对，因为zipdistance = 0对于这些对。我们确定了281,605对这样的组合，对于每对组合，我们使用在线驾驶指南工具来记录两个地址之间的精确旅行距离对于拥有多个家的基金经理，我们将最小成对距离记录为这对的唯一距离。

我们对我们的距离度量做了进一步的改进。两个住在曼哈顿相距一英里的经理，在“社交距离”方面，显然比两个住在人口少得多的康涅狄格州新迦南镇相距一英里的经理要远得多，那里住着几位经理。曼哈顿每平方英里有超过3万人，两个人互相认识的可能性要低得多。因此，我们计算了一个标准化的距离度量，该度量考虑了管理人员居住区域的人口密度。对于每个邮政编码，我们通过将家庭数除以邮政编码的土地面积来计算“家庭密度”然后将基金经理i和j之间的归一化驾驶距离计算为：

其中表示经理i所在邮政编码的住户密度。样本中所有观察值的中位数密度为每平方英里878.6户。计算表明，在曼哈顿的上东区，一标准化英里仅为62英尺，而在新迦南是3.0英里。它在波士顿郊区韦尔斯利或科罗拉多斯普林斯是大约一英里。

我们感兴趣的主要变量将是两个基金经理是否是“邻居”的指标变量。因此，我们必须指定某个阈值距离，低于该阈值距离，我们将把基金经理分类为邻居。为此，我们首先创建另一个虚拟变量DistBtunHms1Mile，当管理人员居住在彼此的一英里(非规范化)范围内时，该变量的值为1。如表1所示，在我们的观察中，这个条件在0.3%的情况下为真。

然后，我们为归一化距离度量选择一个阈值，NDD，使其具有相同的平均值。也就是说，我们选择一个距离截断，以便NDD在与DistBtwnHms1Mile相同数量的观察中为真，尽管是针对不同的管理人员;在人口密度较低的地区，更多的成对将被分类为邻居，而在大城市中，更少的成对将符合标准。这个阈值是2.6标准化英里，如果两个管理人员彼此居住在2.6标准化英里范围内，我们将邻居虚拟变量的值设置为1。正如我们在下一节中所展示的那样，事实证明，邻居假人在检测投资组合相关性方面比Dist BtunHmslMile变量有更大的能力。

虽然我们的两两观察中只有0.3%符合这个条件，但在给定季度中，37%的基金至少有一个邻居，因此我们的结果不是由少数基金驱动的。继续前面的例子，对于住在上东区的经理来说，要被认为是邻居，他们必须住在同一栋或相邻的大楼里(在161英尺内)，但新迦南的经理可以住在7.8英里以内。

邻居的界限当然有些武断，但鲁棒性测试证实，我们的主要结果对这个特定的距离并不敏感。一般来说，要求邻居住得更近会导致我们的系数估计增加，但随着邻居类别中包含的人越来越少，标准误差也会增加。

该图显示了邻居对的驾驶距离（图1）和相同线性距离内的家庭数量（图2）的累积分布。如果一对管理人员彼此的距离在2.6英里以内，则被归类为邻居。与经理对（i, j）在同一距离内的户数计算为

其中DD为经理住所之间的驾车距离，HHD为经理i所在邮政编码的住户密度，1.98为住宅之间驾车距离与住宅之间线性距离之比的样本平均值。

图1显示了我们样本中的邻居彼此之间的亲密程度。我们绘制了邻居之间驾驶距离的累积分布。然后，我们计算，对于每对邻居，有多少家庭预计住在与经理相同的距离内邻居。也就是说，我们计算了半径为经理对之间距离的圆中的期望家庭数，并根据驾驶距离大于线性距离的事实进行了调整该统计量的分布绘制在图2中。

该图显示，一半的邻居住在两英里以内，75%的邻居住在3.8英里以内。此外，四分之一的邻居有615户与邻居住得一样近，其中一半的邻居有1874户与邻居住得一样远。为了正确地看待这些数字，一个典型的人预计会与大约150人保持持续的社会关系(“邓巴数字”)，但当然，一个人随着时间的推移会遇到的人的数量将远远大于这个数字。邓巴的数字表明，如果任何两个人的社交网络重叠三分之一，那么就有一万人处于一个程度的分离范围内。这一现象在米尔格拉姆(Milgram, 1967)著名的“小世界”实验中众所周知。此外，如果一个网络中的两个人拥有相同的职业，那么他们之间可能更容易产生直接联系。考虑到这些被我们定义为邻居的基金经理之间相对较小的社交距离，他们很有可能在某个时候见过面。

我们根据基金经理居住的城市将他们分组。我们从每个基金经理的邮政编码的质心位置开始，然后使用聚合层次聚类算法将邮政编码分组到城市中。(我们这样做，而不是使用邮政编码所在城市的名称，因为我们想要包括每个城市的郊区。)每个邮政编码开始时都是它自己的集群，邮政编码和随后的集群使用平均链接方法迭代分组，直到所有集群之间至少相距50英里。例如，集群方法创建了一个纽约城市集群，其中包括曼哈顿和其他行政区，以及新泽西州东部的社区。纽约北部的社区，如斯卡斯代尔和拉伊，与康涅狄格州的其他城镇组成了另一个集群。

该图显示了基金经理的地理分布。我们使用聚类算法将附近的邮政编码分组为城市。该算法会停止加入距离超过50英里的集群，绘制的圆圈的大小由在我们的样本期间的某个时间点在城市中拥有住所的唯一经理的数量决定，而阴影饼状图表示在样本期间的某个时间点与至少一个其他经理归类为邻居的经理的比例。如果基金经理之间的距离在2.6英里以内，我们就把他们归为邻居，这是根据人口密度进行的归一化调整。

这些城市的位置如上图所示，圆圈以集群中所有邮政编码的加权平均位置为中心，其中的权重是在每个邮政编码中拥有住所的唯一经理的数量。圆圈的大小显示了在我们的样本周期内，每个城市有多少独特的经理有住所，这些经理在此期间的某个点上是邻居对的一部分的比例以阴影饼状图的形式显示。从图中可以清楚地看出，经理的分布非常广泛，虽然在较大的城市更容易找到成对的经理，但他们的分布也相当分散。只有一个基金经理的城市没有任何邻居对，但我们将这些经理包括在我们的样本中，以提供有关典型持股和交易的信息。

我们在第t季度将基金i和j之间的投资组合重叠量衡量为:

其中是基金i在第t季度股票k中的投资组合权重，是基金i和j在第t季度末报告的所有股票的集合。我们将重叠度量汇总到基金层面，因为在股票层面进行分析将导致数十亿次观察。

我们还测量了股票购买和销售的重叠。具体来说，我们计算

其中，如果基金i在时间t-1和t之间增加了股票k的股份数量，它为1，否则为零，如果基金i在时间t-1和t之间减少了股票k的股份数量，为1，否则为零，而T是基金i和基金j交易的所有股票的并集。这些度量的分子简单地分别报告了常见的买入和卖出次数。

为了了解这些交易指标是如何工作的，假设在第t季度，基金i买入40次，卖出60次。 在同一季度，基金j买入30次，卖出20次。 如果两个基金有10次买入和5次卖出，那么 BuyOverlap= 10/30 = 33%, SaleOverlap = 5/20 = 25%。

由于我们进行了两两分析，我们在下一节中的回归使用了每个季度每个基金N - 1重叠的观察结果，因此显然缺乏独立性。在每个季度中，基金的投资组合对多个观察结果都有贡献，并且在季度之间的投资组合是持续的。虽然这种相关性不会使系数估计值产生偏差，但它会导致标准误差被低估。因此，我们计算标准误差，这些标准误差聚集在两个维度上，一个维度对应于一对基金中的每个基金，因此对基金的重复观察可以相互关联。

样本中每个季度的平均基金数量为412只，我们的分析包括60个季度，因此我们应该有超过510万个季度基金对重叠观察。然而，由于共同基金受到投资委托的限制，不同规模类别的基金很难进行重叠交易。具体来说，大盘股基金在交易小盘股方面受到限制，反之亦然。因此，我们排除了一只基金是大盘股基金，另一只是小盘股基金的配对。这将样本减少到大约410万次季度观察。然而，值得注意的是，对于标准误差，聚类计算中使用的基金数量为1677。

下表展示了重叠测量的方法，社会互动的测量，以及观察的完整样本的控制变量，观察的基金经理住在2.6标准化英里内的观察（邻居），观察的基金经理住在50英里内的观察（SameMediaMkt），以及观察的基金经理住在50英里以上。变量名以斜体显示。样本包括从1996年第一季度到2010年第四季度的410万个季度基金对观察结果。特定于管理器的控制变量是在管理器对级别构造的。样本包括从1996年第一季度到2010年第四季度的880万对经理人对。(3)列中的均值与(2)比较，(4)列中的均值与(3)比较。这些均值差异检验的显著性水平用a、b、c表示，分别对应于1%、5%和10%的水平。

上表报告了我们分析中使用的变量的均值。我们分别报告了(1)基金对全样本的均值;(2)基金经理相距至少50英里的基金;(3)基金管理人居住在50英里以内但不是邻居的基金;(4)基金经理为邻居的基金(“邻居基金”)。样本中任意两只基金的平均投资组合重叠度为8.02%。邻居基金在持仓、买入和卖出方面的重叠程度无条件高于生活在同一媒体的基金对市场。邻居基金的平均持股重叠率为11.06%，而非邻居基金在同一媒体市场的持股重叠率为8.86%。这2.2%的重叠差异是显著的，优于1%的水平，这是我们主要结果的第一个暗示——邻居基金比位于同一媒体市场的非邻居基金有更多的重叠。

在所有基金对中，0.3%至少有一基金经理对是邻居，这似乎是少数邻居，但每个季度约有37%的基金至少有一个经理是另一个基金经理的邻居，因此下面的结果并不仅仅是由少数基金驱动的。该表还显示，10%的基金对至少有一对经理对生活在同一个媒体市场;7%的基金对位于同一城市;而约1%的基金对来自同一家族。

上表显示，邻居基金总部位于同一城市、来自同一基金家族、拥有共同的基金经理，或者拥有至少一起管理另一只基金的基金经理的可能性明显更高。在许多维度上，邻居比那些生活在同一媒体市场但不是邻居的基金经理更相似。例如，作为邻居的管理人员有更相似的房屋价值、地块大小，年龄也更接近。这些经理也更有可能拥有丰富的投资组合管理经验，并且毕业于同一所大学。这一证据强调了研究偏好共性的重要性，将其作为社会互动的另一种假设，以解释基金持有和交易的共同模式。

我们通过估计回归开始我们的主要分析

其中PortOverlap是一个虚拟变量，如果基金i的至少一个基金经理在第t季度是基金j的基金经理的邻居(如第1.2节所定义)，是一个虚拟变量，如果基金i和j的总部在同一个city(定义在1.3节中，但使用共同基金公司地址)，是一个虚拟变量，如果基金i和j的管理团队中至少有一对经理居住在彼此相距50英里的范围内，则该虚拟变量为1,是相关控制变量的向量。

作为控制，我们包括一组虚拟变量，如果基金i和j匹配

(a)晨星规模或价值/增长类别(BothSmallCap, BothMidCap, BothLargeCap, BothValue, both growth, BothBlend);

(b)基金i和j的总净资产五分位数之差的绝对值(TNAQuinDiff);

(c)基金i和j的平均基于总资产的五分位数(TNAQuinAug)。

我们还包括虚拟变量，用于指示基金i和j是否来自相同的共同基金家族(SameFundFam)，来自基金i和j的至少一对经理一起管理至少一个其他基金(MngOther FundTogether)，或者基金i和j是否至少有一个共同经理(CommonMgr)。在随后的大多数分析中，我们排除了基金有共同经理的观察结果，但有趣的是，在我们的初始回归中包括这些观察结果，这样我们就可以比较作为邻居的影响程度与为相关联的基金工作的影响程度。

如果社会互动影响共同基金经理的投资组合选择，那么等式(4)中的β应该是正的。对的估计是投资组合重叠的增量增加，因为经理是超越当地媒体影响的邻居，以及Hong等人(2005)所说的当地投资者关系。SameMediaMkt捕捉到基金经理接触同一家当地媒体的影响，而SameMFCity捕捉到共同基金本身相对接近的任何影响，例如当地投资者关系。

上表显示了方程(4)的系数估计值和标准误差。标准误差是在基金对中每个基金的水平上双向聚类的。在第1列中，我们只包含SameMFCity和控制变量。这种回归使我们对Hong等人(2005)在我们的经验框架中的结果的幅度进行了估计。SameM FCity的系数为36个基点(bps)，并且显著大于零，证实了Hong等人(2005)的结果在我们的设置中成立。

对控制变量的估计也令人感兴趣。毫不奇怪，基金规模和价值/增长类别的匹配对于解释两只共同基金持有的共性非常重要，大盘股基金对的投资组合重叠最大。在控制措施包括的其他基金联系中，拥有共同的基金经理的影响最大。在这种情况下，投资组合重叠增加了9.16%，考虑到平均重叠率为8.02%，这意味着如果一对基金有一个共同的经理，投资组合重叠将超过110%。当两个基金的经理同时管理第三只基金时，投资组合的重叠也更高:MngOther FundTogether的估计是179个基点，这意味着这些基金之间的重叠约为22%。最后，属于同一基金家族的基金也有更高的重叠度。这种持股上的异常共性为364个基点，可能是由于共享的分析师和其他选股资源。

在第2列中，我们增加了一个衡量基金经理是否为邻居的指标，但基于原始驾驶距离，而不是我们的人口密度调整后的指标。对于给定的基金对，变量Dist BtwnHmslMile是一个虚拟变量，如果一只基金的至少一位经理与另一只基金的一位经理居住在一英里的车程内，则该变量取1的值，否则为零。对DistBtwnHms1Mile的估计是84个基点，具有统计学意义。这表明，当我们比较位于同一城市的两个基金对时，一个基金经理彼此居住在一英里内，另一个基金经理不在一英里内，其基金经理也共享一个社区的基金对将有84个基点的重叠。由于本规范中SameMFCity的大小为35个基点，如果一对基金的经理彼此居住在一英里内，并且基金位于同一城市，那么他们的投资组合重叠将比来自不同城市的基金对的重叠大35 + 84 = 119个基点。

如前所述，使用原始驾驶距离来衡量社会互动的一个问题是，距离本身并不能捕捉到两个人实际上彼此认识的概率。正如我们在第1节中所描述的，因此，我们缩放基金经理之间的驾驶距离，以调整基金经理居住区域的家庭密度。这增加了人口密集地区的“社会距离”，并缩小了人口不密集地区的“社会距离”。然后，我们为我们感兴趣的变量“邻居”选择一个截止点，以便对于居住在相距一英里的基金经理数量相同的基金经理也是如此。

在第3列中，我们用邻居假人替换DistBtunHms1Mile。很明显，我们使用归一化驾驶距离度量来选择邻居要合适得多。邻居的系数估计为129 bps，是DistBtwnHms1Mile且估计的标准误差低于原始距离测量的标准误差。这种调整很重要的事实是我们第一次表明，社会互动，而不是偏好上的相似性，驱动了邻居之间更高重叠的结果。如果住的距离接近只是捕获了偏好，那么两个经理是否住在人口密度高或低的地区附近应该无关紧要。人口密度的调整只会影响有机会见面的概率。

在第4列中，我们添加SameMediaMkt来控制居住在彼此相距50英里以内的经理。即使基金位于不同的城市，也有可能经理们住得很近。他们可能在同一地区度假，也可能远程管理基金，大部分时间都在远离基金总部的地方。SameMediaMkt考虑了这些可能性，并且还应该捕捉广泛的本地影响，例如管理人员暴露于公共媒体来源。对SameMediaMkt的估计是39个基点，具有统计学意义。它在回归中的包含降低了SameMFCity和邻居上的系数的大小，但是邻居上的系数在99个基点上仍然是统计正的，而SameMFCity上的系数在统计上不再与零不同。

接下来，我们来到第5列的“基线”回归，其中我们排除了具有共同经理的基金对。在本规范中，对邻居、SameM FCity和SameMediaMkt的估计分别为99个基点、19个基点和39个基点。这意味着，位于同一城市且至少有一对经理是邻居的两只基金将比典型的基金对有157个基点的重叠。这相当于超过157/802 =持股的共性增加了20%。系数估计将这种影响分解为社会互动和广泛的局部影响，前者约占总规模的三分之二。

为了更好地理解基金经理是邻居的影响，我们可以将邻居的系数估计与其他一些控制变量的系数估计进行比较。例如，社交互动对基金持有量的影响约为两个基金拥有共同管理另一只基金的经理的影响的三分之二，超过拥有共同经理的影响的10%。当然，我们不能确定我们样本中的所有邻居实际上都彼此认识，所以我们的估计很可能低估了影响的真实程度。如果只有一半被确定为邻居的经理实际上彼此认识，而我们只能用这些经理对来估计回归，那么我们就会期望系数估计值是原来的两倍，这与基金经理共同管理另一只基金的重叠情况非常相似。我们将在2.4节中回到这个问题。

第6列的回归排除了同一基金族中的所有基金对。毫不奇怪，对邻居和两个局部效应措施的系数估计值降低了，但它们仍然显着积极估计和经济相关。结果证实，即使在不同的家庭中，基金经理也会分享有关其持股的信息。

最后，在第7列中，我们对只包括仅由一位经理(“单一”)管理的基金对样本估计方程(4)。由于这些基金对中的两个基金的经理都是唯一的决策者，因此我们可以预期，当这些经理是邻居时，社会互动在确定投资组合构成方面将更为重要。我们发现情况确实如此。邻居的系数估计为224 bps，在优于5%的水平上具有统计学意义。估计表明，社会接触对投资组合重叠的影响非常大;它导致的重叠程度比样本中基金对的平均重叠程度高出28%。

接下来，我们将调查由邻居管理的基金对是否比非邻居管理的基金对更有可能进行类似的交易。

在上表中，我们分别使用公式(2)和(3)中定义的购买和销售重叠度量作为因变量，通过估计回归(4)来测试社会互动是否影响共同基金经理的交易行为。我们使用购买和销售的三种不同规格来估计回归:不包括共同经理的基金对的样本，不包括同一基金家族内的基金对的样本，以及由单个经理管理的基金对。

结果显示，拥有相邻基金经理的基金对在交易中的重叠程度明显高于没有相邻经理的基金对。对于常见的买入交易，基线模型(第1列)表明，与生活在同一媒体市场的基金相比，拥有邻居基金经理的基金对的买入重叠多116个基点。考虑到基金对之间的平均购买重叠为848个基点，这表明，与基金经理生活在同一媒体市场的基金相比，基金经理为邻居的基金在交易中的共性要高出14%。最引人注目的结果出现在单一基金经理对的样本中。系数估计对邻居的影响为451个基点，这表明社交互动对单一管理基金的影响是巨大的;与样本中平均的共同基金组合相比，拥有单身经理的邻居基金组合在购买时的重叠度高出50%以上。

社会互动对股票销售的影响程度较小，尽管邻居在基线模型(列4)中估计的57个基点在10%的水平上具有统计学意义。这种不对称并不令人惊讶，因为共同基金面临卖空限制，因此销售重叠的条件是一对中的两只基金都已经持有该股票。此外，这些卖空约束导致基金经理对信息的反应不对称。例如，如果基金经理收到关于某只股票的积极信号，她的反应要么是如果她已经拥有该股票，就扩大头寸(“密集保证金买入”)，要么是如果她不持有该股票，就建立新的头寸(“广泛保证金买入”)。这两种行为都可以根据监管限制任意缩放，并显示出同样强烈的信念。但如果信号是负面的，最强烈的反应就是平仓(“大量保证金抛售”)。因此，在卖方，我们预计社会互动更有可能诱发广泛的保证金交易，但在买方，我们预计不会出现这种不对称。

为了检验这一点，我们将采购和销售分解为粗放型和集约型利润。我们使用类似于公式(2)和(3)中的方法来计算这些可选的重叠度量。通过构造，对于每对基金以及买入和卖出，要求至少有一只基金进行广泛保证金交易的密集保证金重叠和广泛保证金重叠的总和等于我们的原始重叠值。结果总结在下表中。该表证实，对于购买，广泛的边际和密集的边际重叠措施在统计上显着，但对于销售，邻居系数仅对广泛的边际显着为正。

到目前为止，我们用两个基金经理家之间的距离来衡量社会接触的可能性。然而，这种可能性可以在邻居群体内进一步细化:在那些具有共同特征的邻居之间，或者在彼此认识时间较长的邻居之间，社会互动可能更有可能或更频繁。人们认为被那些与自己相似的人所吸引，被称为同质性，在社会学文献中得到了很好的证实(Lazarsfeld和Merton, 1954)。邻居之间的共同特征可以代表其网络的质量(Bertrand et al.， 2000)，因此我们预计，当网络质量较高时，经理对在其行业和持股方面具有更大的共性。我们通过与各种特定于管理器的特征交互邻居来测试这一点。我们调查的特征包括在同一个基金家族工作、年龄、种族、投资组合管理经验和就读于同一所大学。

具体来说，相似年龄是一个虚拟变量，即如果经理的年龄差异小于样本中的中位数(10年)，而相同种族是一个虚拟变量，即如果经理是相同的少数民族BothErp (BothInezp)是一个虚拟变量，如果两个经理的投资组合管理经验都比样本中的中位数经理多(少)，则为一个虚拟变量。SameCollege是一个虚拟变量，如果两位经理就读于同一所学院或大学，则该变量为一个。在本分析中，我们遵循回归(4)中描述的规范，但我们使用经理对观察而不是基金对观察，因为特征是在经理层面确定的。因此，我们现在对拥有多个经理的基金对进行了多个观察。这意味着观察结果不是独立的，因此我们继续对这对基金中的每个基金的标准误差进行双向聚类。正如我们稍后将展示的那样，我们使用经理对规范的估计和标准误差几乎与崩溃的基金对规范中的估计和标准误差相同。

上表总结了试验结果。我们关注的是持有和购买重叠的结果，因为销售重叠的信息量较小，因为销售的共性取决于两个基金都持有该股票。在第一列中，我们报告了邻居虚拟人与SameFundFamily的相互作用，这表明两个基金是否由同一个基金家族管理。由于同样为同一家族工作的邻居很可能彼此认识，所以这个规格可以告诉我们，我们的主要规格低估了口碑效应的程度。如果Neighbors完美地捕捉到了社交关系的存在，那么Neighbors * SameFundFamily的系数将为零;因此非零系数揭示了这是个不完美的衡量标准。估计表明，与邻居一起工作的基金有380(632)个基点的异常投资组合(购买)重叠，相比之下，所有其他邻居的异常重叠为88(71)个基点。假设一起工作的邻居肯定彼此认识，这些估计意味着我们在样本中识别的邻居中约有71/632 = 11%至88/380 = 23%的邻居有社会联系。这反过来又表明，口碑效应在量级上可能与共同管理另一个基金的效应相似。

表中其余各列的分析表明，由于同质性而更有可能进行社交互动的邻居所管理的基金，在持股和交易方面具有更大的共性。年龄相近的邻居管理的基金组合在购买上有更高的重叠，尽管该系数在统计上并不显著。拥有邻居和相同种族的基金经理的基金在持有和购买方面有非常高的重叠。它们在持股上的共性比非少数族裔邻居管理的基金高出296个基点。

包括与BothErp和BothInezp互动在内的规范，让我们第一次看到了通过社交互动传播的信息类型。该表显示，为了在邻居之间产生与投资相关的信息流，每对中必须至少有一个经理是有经验的，这表明这些信息是与价值相关的，而不仅仅是噪音。最大的重叠发生在两个经理都有经验的基金中。在这些情况下，异常持有重叠比一个经理有经验而另一个没有经验时多90个基点。对于购买，邻居之间的异常重叠只发生在两个邻居都是经验丰富的投资组合经理的情况下。这些结果表明，信息很可能是共享的，我们在第3节中进一步分析证实了这一点。

最后，我们的邻居截断值有些武断，使用较短的距离阈值可以进一步增加两个基金经理有社会联系的概率。因此，为了进一步了解我们的基线结果在多大程度上低估了口碑效应，我们重新估计回归(4)，但添加了虚拟变量，这些变量表明基金是否有居住在1个标准化英里内、1到5个标准化英里内、5到10英里内、10到25英里内和25到50英里内的经理。结果显示在图3中。该图显示，基金经理居住在彼此标准化一英里内的基金，其持仓和交易的重叠程度要远远高于那些基金经理居住在彼此1到5英里之间的基金。异常重叠对于居住在一英里以内的基金经理，单个管理基金的购买量为626个BPS，而居住在1到5英里之间的基金经理购买量为168个BPS。

虽然我们的实证方法可以将社会互动在投资组合选择中的作用与当地效应(如媒体和当地投资者关系)区分开来，但对我们的邻居变量的潜在担忧是，它可能捕获了经理偏好的相似性，而不是社会联系的可能性。尽管在委托投资组合设置中，个人偏好的作用应该在很大程度上得到缓解，但我们在投资组合重叠度量和邻居指标之间发现的一些相关性可能是由这些经理未观察到的特征驱动的，而不是由网络效应驱动的。事实上，选择相同住宅区的基金经理可能在许多方面都是相似的，包括财富、年龄、种族、政治和从属关系。例如，Hong和Kostovetsky(2012)发现，政治价值观会影响共同基金经理的投资组合选择。在本节中，我们将讨论这种替代解释。

我们对“偏好解释”的第一个测试利用了管理人员的住宅搬迁。如果具有相似偏好的经理倾向于选择进入相似的社区，并且这些共同偏好正在推动交易和持股的共性，那么这些经理在成为邻居之前应该表现出相似的交易行为。这个测试依赖于传统的经济假设，即投资行为和住房选择的偏好随着时间的推移是稳定的，这一假设得到了最近的经验证据的支持为了进行测试，我们创建了两个额外的变量，FutureNeighbors和PastNeighbors。是一个虚拟变量，如果经理k和我在某些的情况下是邻居，但在的情况下不是邻居，则为1 . PastNeighborskit是一个虚拟变量，如果经理k和我在某些的情况下是邻居，但在的情况下不是邻居，则为1。

其中为基金i与基金j在时刻t的持股或交易重叠，经理k为基金i的经理，经理l为基金j的经理，控制变量如表2所示。请注意，邻居变量在本规范中是特定于管理器的；因此，我们使用下表所示的管理器对观察值来估计回归。

如果重叠偏好驱动相邻经理之间交易和持股的共性，那么的估计应该是正的。FutureNeighbors对持有、购买和销售重叠的系数估计在统计上与零没有差异。邻居的系数估计分别为108个基点、110个基点和54个基点。可以预见的是，有一些证据表明，过去的邻居可能会保持联系，并继续讨论投资想法。PastNeighbors上的系数估计值为正，对于持有的重叠进行了显著估计，对于买入和卖出的重叠，系数估计值为正，但在统计上与零没有差异。

在图中显示，我们通过询问经理成为邻居的时间长度如何影响他们的信息共享来扩展这一分析。我们绘制了“邻居任期”和异常重叠之间的关系，其中邻居任期是两个经理成为邻居的年数(可能在成为经理之前就开始了)。在口碑假说下，我们预计在成为邻居之前没有异常重叠，一旦成为邻居，可能需要一段时间才能见面或建立足够的信任，愿意分享投资想法。

这正是我们的发现。在两个基金经理互为邻居的时间里，重叠会增加。此外，平均至少需要三年的时间，相邻的经理才会在他们的持股或交易中显示出显著的重叠。这个结果不仅是直观的，如果邻居虚拟人捕捉到社会互动的可能性，但它对偏好选择提出了额外的质疑，因为很难说驱动住房选择的偏好相似性应该需要三年的潜伏期才能对投资组合决策产生影响。

作为偏好故事的第二次测试，我们在季度经理对规范中加入了额外的人口控制变量。如果经理选择符合他们偏好的特定社区，那么控制这些社区的特征应该消除或至少减少偏好对投资行为的影响。与我们的距离测量不同，这些人口控制变量使我们能够测试生活在该国不同地区类似环境中的经理是否表现出类似的投资行为。例如，人口控制变量会发现，生活在俄亥俄州高度宗教信仰地区的经理是否可能与生活在加利福尼亚州高度宗教信仰地区的经理进行类似的投资。

具体来说，我们首先通过在回归规范中包含五个附加变量来控制共同宗教信仰和相似财富的影响。如果两个管理人员居住的县的宗教信徒、犹太教信徒或天主教信徒的人口百分比分别大于样本中的第75个百分位数，则BothReligiousAreas、BothJewishAreas和BothCatholicAreas都是虚拟变量。BothHighHmValueAreas (BothLowHmValueAreas)是一个虚拟变量，如果两位经理居住的邮政编码的房价中位数大于样本中的第75个百分位数(小于第25个百分位数)，则该变量为1。

对于每个重叠度量，下表报告了基线回归和回归的结果，包括使用我们的季度经理对规范的附加人口统计学控制变量。虽然宗教控制变量在所有规范中都是高度显著的，但它们并没有显著改变邻居的系数估计。然而，包括这些控制变量确实大大降低了所有三个重叠度量的SameMediaMkt的系数估计。例如，当调查基金之间的持有量重叠时，在包括人口控制变量后，对SameMediaMkt的估计从54个基点下降到11个基点，对于购买重叠，系数估计从78个基点下降到33个基点。

由于县和邮政编码之间的住房差异很大，我们进一步扩展了表中总结的分析，控制了额外的基金经理特定属性，以便成功捕获两个人之间的共性。理想情况下，我们应该控制所有影响邻里关系和投资选择的因素。例如，年龄、财富、婚姻状况，孩子的数量可能是邻里选择的决定因素，也可能影响冒险行为。在我们的样本中，很大一部分基金经理的年龄都是可用的。此外，虽然关于财富、婚姻状况或子女数量的数据并不容易获得，但我们使用有关经理家庭的各种特征的信息来代表这些个人特征。

我们从Zillow网站收集管理人员的房屋特征，该网站汇编了县评估员关于房屋大小、房屋特征、地块大小的记录数据，并使用专有方法计算房屋价值的估计值。为了控制财富的相似性，我们纳入了HomePriceRatio，这是一个捕捉基金经理房屋价值相似性的变量。为了控制婚姻状况和是否有学龄儿童，我们包括两个变量的相似性，经理年龄和地块大小，分别是相似年龄和LotSizeRatio。考虑地块大小是因为有孩子的已婚人士可能更喜欢安静的郊区。此外，这个变量可能会反映出基金经理对城市和农村住房的选择。我们还添加了一个变量来衡量两位经理的房屋年龄的相似性，HomeAgeRatio，假设某些人更喜欢老房子，而另一些人更喜欢新房子。

下表显示了回归结果。年龄相近且房产价值相似的经理人，无论他们是否住得近，他们的持股和交易都有更大的重叠。重要的是，虽然这些财富和风险厌恶相似性的代理对重叠很重要，但它们并没有显着改变邻居变量的系数估计。包含这些额外的控制将邻居的估计分别从110个基点降低到100个基点，139个基点降低到135个基点，68个基点降低到61个基点。分析表明，个人属性的存在既驱动了共同基金经理的住房选择，也驱动了共同基金经理的投资选择，但这些共同属性并不能解释邻居经理之间的异常重叠。

最后，我们对偏好故事的第三个检验总结在表中。我们的经验策略是使用“不可传递的三元组” (Bramoull´e et al., 2009)来识别间接邻居——也就是说，不是邻居，但通过团队管理的基金联系在一起的经理。通过只研究这些不是邻居的有联系的经理，我们显著减轻了由共同特征引起的任何内生性问题，这些共同特征可能导致经理选择进入同一个邻居。

如果两个基金各自有一个拥有不同邻居的基金经理，并且这些邻居共同管理另一只基金，我们将它们归类为间接邻居。重要的是，我们还要求间接邻居基金不是邻居，其经理家之间的最小距离为5标准化英里。(在第二个规范中，最小距离为50英里。)例如，基金A和基金C是间接邻居，因为(1)Alice和Bob是邻居;(2)Beth和Colin是邻居;(3) Bob和Beth共同管理基金B，但不是邻居。换句话说，Alice和Colin是间接邻居，通过Bob和Beth彼此相连。

表中显示，我们看到间接邻居(相距至少5个标准化英里)和远距离间接邻居(相距至少50英里)的持股和交易都出现了异常重叠。IndirectNeighbors和DistantIndirectNeighbor's上的系数的大小与邻居相似。虽然在某些规范中，这些间接系数比邻居系数大，这似乎令人惊讶，但这是由于邻居系数只衡量由社区效应解释的重叠，但对于间接邻居来说，这并不一定是正确的。例如，只有65%的间接邻居对生活在相同的媒体市场中，而没有一个遥远的间接邻居对生活在相同的媒体市场中。

假设Alice在波士顿管理一只基金，她的邻居Bob也是如此。Alice和Bob分享两支精选股票。Bob的联席经理Beth在科德角度假，Colin在纽约管理一只基金。如果所有三只基金都根据Alice的信息进行交易，那么基金A和B之间的异常重叠将被邻居、SameMediaMkt和SameMFCity捕获，而基金B和C之间的异常重叠将仅被邻居和SameMediaMkt捕获。相反，资金A和C之间的所有异常重叠都将被距离直接邻居捕获。因此，距离直接邻居的估计将大于邻居的估计。虽然这说明了为什么在距离直接邻居系数中，更多的重叠归因于口碑渠道，但表格的最后三行显示，间接邻居之间的平均重叠比邻居之间的平均重叠要低，这表明间接邻居之间共享的想法较少。

虽然这种方法提供了一个干净的测试来解决由经理的非随机邻居选择引起的选择问题，但有人可能会说，共同管理基金的经理为了成功地合作，也可能有相似的偏好。如果邻里关系和工作选择揭示了一套重叠的个人属性，通过及物性，间接邻居虽然没有选择到相同的社区或工作，但可能仍然有些相似。为了排除这种解释，我们控制了间接邻居回归中的共同偏好，包括先前数据中使用的住房，人口统计和经理级别特征。控制相似的偏好对所有三个重叠度量的距离直接邻居系数几乎没有影响。事实上，系数估计值略有增加。这表明，共同偏好不太可能导致间接邻居的持股和交易出现异常重叠。

其中N是基金i的至少一个邻居持有的股票的集合，O是基金i的投资组合中所有其他股票的集合，而不是基金i的任何邻居在第t季度持有的股票。我们平均每个基金在每个季度的这些月度邻居和非邻居回报，然后汇总季度邻居和非邻居投资组合通过计算公式(6)-(7)中各基金在第t季度的收益的加权平均值，通过其管理下的资产(TNA)对每个基金的收益进行加权(例如，参见Coval和Moskowitz(2001))。

我们使用Daniel, Grinblatt, Titman和Wermers(1997,“DGTW”)和Wermers(2005)中的平均月度基准调整超额收益来评估邻居和非邻居投资组合的表现。我们通过两种方式计算DGTW基准收益:首先，我们将普通股的CRSP范围纳入计算;第二，我们将样本限制在价格高于5美元的股票上，因为基金经常面临投资低价股票的限制。

近邻(R)和非近邻(RO)持股组合在60个季度中的平均收益以及这些平均值之间的差异如表9所示。该表显示，当我们根据共同持股将股票分配到投资组合中时，邻居投资组合的表现并不比我们样本中的非邻居投资组合更好或更差。虽然这些结果表明，基金经理在共同持有的投资组合中没有信息优势，但许多研究认为，持有是一种非常嘈杂的管理信息衡量标准:交易反映了比被动持有股票更强的信念(Cohen, Coval, and Pastor, 2005)。因此，我们接下来转向常见的交易，并检查这些交易是否具有信息性。

在这些基于交易的投资组合测试中，我们在每个季度开始时根据以下因素形成四个不同的投资组合;(1)基金是否在上一季度买入或卖出一只股票;(2)该交易是否与邻近的基金经理重叠。买入的股票被汇总到“买入”的投资组合中，而卖出的股票被放在“卖出”的投资组合中。然后我们在买入和卖出组合中创建两个子组:“邻居”和“非邻居”交易。我们每个季度根据基金的交易方向及其邻居的交易方向重新平衡我们的投资组合。对于每个基金季度，投资组合中每只股票的回报都是以它在前一个季度获得的新资金来加权的，尽管等量加权产生的结果在质量上是相似的最后，我们使用基金的TNA作为权重，通过对各基金进行平均，来汇总每个季度邻居和非邻居买卖组合的回报。

为简单起见，我们只使用普通股的CRSP范围报告DGTW基准回报，但我们的替代DGTW基准结果非常相似。此外，我们使用Fama-French-Carhart四因素模型获得了定性相似的结果(参见Web附录)。我们首先使用基金交易的完整样本来总结研究结果。表格的第1列显示了邻居买入投资组合比其规模、账面市值比和动量基准投资组合的表现平均每月高出23个BPS(每年2.8%)。在卖方方面，第2列显示，邻近投资组合的表现比其特征调整基准每月差24个基点(每年2.9%)。

在第3列中，我们报告了多空策略的回报，即买入共同基金与其邻居共同买入的股票组合，同时卖出共同基金与其邻居共同卖出的股票组合。该策略每月带来47个基点的回报。风险调整后的业绩指标在10%的水平上统计上显著为正，意味着高于基准的年化回报率为5.6%。有趣的是，我们的多空结果在一定程度上是由策略卖方的强劲表现所驱动的。然而，当我们将金融危机排除在样本周期之外时，邻近的买入组合发挥了更大的作用。在这个子样本中，邻居购买每月提供33个基点的异常回报(每年4.0%)，导致多空回报每月58个基点(每年7.0%)。

第4-6列报告了非邻居买入和卖出组合的相应结果。与我们的邻居投资组合相比，在基准调整的基础上，非邻居买入和卖出投资组合的回报都是正的，非常接近于零，在完整样本和排除金融危机的子样本中，每月下降4到11个基点(每年0.5%-1.32%)。此外，使用非邻居交易的多空策略不会带来异常回报。最后，表中的第7列显示了差中差估计，这也控制了管理技能。我们的差中差估计大约等于每月48个基点(每年5.8%)，具有统计学意义。表10还分别报告了广泛和密集保证金交易的结果。如第2节所述，社会互动似乎导致了密集和广泛的融资融券交易;然而，在卖方方面，它们往往只会引发广泛的融资融券交易。我们在第1-3列的结果与之前的发现非常一致:相邻卖出组合的强劲后续负面表现完全是由广泛的保证金销售驱动的，而在买方，情况并非如此。

当我们排除属于同一基金家族的基金对或本地股票(总部距该基金50英里以内的基金)时，我们的发现基本上没有改变。这表明，邻居交易的表现并不是简单地由系统来源驱动的，比如共享的家族资源或获得附近证券的私人信息，这与 Hong et al. (2005) 报告的结果一致。 此外，正如我们所料，优异表现集中在具有异常重叠的相邻基金中。

为了排除其他混杂效应驱动我们结果的可能性，我们使用两两回归框架进行了另一种性能测试，在该框架中，我们控制了第2.2节中基金重叠分析中包含的变量。在该测试中，重叠买入和卖出投资组合之间的邻居系数估计值的差异为43个基点，与估计一致。

最后，值得注意的是，这些结果并不意味着有邻居的基金比没有邻居的基金表现更好。相反，经理通过同行互动产生的投资理念提供了异常的风险调整回报，并且也明显优于他们的其他交易。

综上所述，本节的结果表明，共同基金经理之间的口碑影响可能代表了价值相关信息的传递，而不仅仅是个人情绪和偏见的传播。有价值的信息似乎是共享的，这一事实对另一种解释提出了额外的质疑，即偏好的相似性驱动了共同基金投资的共性。

我们分别总结了难研究股票和易研究股票的邻居和非邻居投资组合的基于交易的表现。我们发现，多空策略，即买入邻居共同买入的难以研究的股票，卖出邻居共同卖出的股票，其表现明显优于基于特征的基准，每月提供199个基点的统计显著异常回报。相比之下，在易于研究的股票中，相应策略的回报为每月39个基点，没有统计显著性。同样有趣的是，基金只在那些与邻居交易的难以研究的股票上表现明显更好:他们在不太显眼的证券上的其他交易并没有带来优越的回报。最后，虽然邻居难以研究的股票收益非常大，但必须强调的是，这些股票只占基金投资组合的一小部分。因此，它们对基金总业绩的整体影响要小得多。

我们的投资组合绩效测试表明，社会互动代表了一个渠道，通过这个渠道，有价值的信息在共同基金经理之间传递。 这一发现本身很重要，但它也进一步质疑了偏好相似性驱动重叠结果的论点。 在本节中，我们提供了一个最终的测试来支持我们针对偏好替代方案的口碑假设。

特别是，我们认为，如果投资组合选择的相似性来自社会互动，那么过去成功进行类似交易的邻居经理将更有可能在未来再次讨论想法，并因此进入协调交易。相比之下，偏好故事对以过去业绩为条件的共同交易概率没有任何影响。

为了进行我们的测试，我们首先创建了一个虚拟变量PosPast DGTWPerf，如果由滞后的普通购买减去基金对的销售产生的投资组合的dgtw调整后的回报为正，否则为零，则该变量取1的值。然后，我们通过添加PosPastDGTWPerf和邻居与PosPastDGTWPerf之间的交互项作为额外的解释变量，重新估计回归。

我们展示了邻居、PosPastDGTWPerf上投资组合重叠度量的OLS估计的系数估计值和标准误差，以及两者的相互作用。该表显示，与社会互动一致，过去的良好表现显着增加了邻居之间的持有和购买重叠。

我们执行了许多稳健性测试，以确认我们的结果对特定的重叠度量不敏感。我们使用许多不同的重叠度量。 首先，作为用于估计3.2小节中回归的持股度量的替代方法，我们使用类似于用于购买和销售重叠的重叠持股百分比创建了一个度量。其次，我们将等式(2)和(3)中描述的基于交易的度量替换为两个新度量，这两个新度量包含了投资组合权重变化的大小，而不仅仅是交易的方向。在一种情况下，我们在交易方向相同的条件下使用两个基金之间的权重绝对值的最小变化，否则为零。在第二种情况下，我们在选择之前调整权重变化以考虑资本增值和之前一样，两个权重中较小的那个发生了变化。第三，3.3小节中基于粗放型和集约型利润的销售和采购重叠也可以视为重叠替代。无论我们使用哪种重叠度量，我们的主要结果在质量上都是不变的。最后，我们检查了涉及进入和随后退出共同头寸的往返交易重叠。特别是，我们表明，如果邻居也在同一时间建立了共同头寸，那么他们在同一季度平仓的可能性要大得多。

上图绘制了基于5,000次模拟的邻居系数的分布图。该图显示，我们的99 bps点估计值(表2的第5列)位于null下分布的整个质量的右侧，并且比平均值高出6个标准差以上此外，bootstrap分布的标准差为14.5 bps，大约是表2第5列中邻居报告的标准误差的一半，因此结果表明初始回归估计的标准误差是保守的。

在我们的第二种方法中，我们评估了替代模型规范下邻居系数的标准误差。特别是，我们使用Fama和MacBeth（1973）过程重新估计我们的回归。Fama-MacBeth方法对邻居的系数估计值为101 bps，标准误差为11 bps，仅为表2第5列报告的标准误差的38%左右。

此外，我们执行子样本分析来测试我们结果的稳健性。当我们排除纽约和波士顿这两个最大的共同基金城市时，我们的主要结果对于所有三个重叠度量都是不变的。当我们将样本限制为位于同一城市的基金对时，我们的结果同样没有改变，如果有的话，结果更强。请注意，这将持有重叠的观察数量从410万减少到30万。如果我们把样本限制在彼此相距50英里以内、基金位于同一城市的基金经理身上，尽管观察到的数量下降到13.3万，但结果还是比论文中报道的更强。