صندوق های متقابل "هوشمند": در مورد عملکرد استراتژی های تقلید جزئی

با استفاده از یک معیار جدید از تقلید در سطح سهام ، ما کپی های "هوشمند" را کشف می کنیم: مدیران صندوق که در صورت سودمند از اطلاعات خود استفاده می کنند ، و در غیر این صورت از معاملات بهتر سایر مدیران تقلید می کنند. برخلاف تحقیقات قبلی ، ما می دانیم که این استراتژی های تقلید جزئی منجر به عملکرد بیشتر می شوند."نمره copycat" ما گرایش به تقلید و رهبری معاملات را ترکیب می کند. وجوه در انتهای بالا و پایین نمره از همه دیگران بهتر است. نمره copycat به موقع پایدار است ، مربوط به سایر اقدامات مهارت و پیش بینی کننده عملکرد صندوق. نتیجه می گیریم که کپی رایت هوشمند یکی دیگر از مهارتهای مدیران موفق صندوق است.

معرفی

"مشکل رهبر بودن این است که شما هرگز مطمئن نیستید که دنبال می شوید یا تعقیب می شوید."

کلر A. موری.< Pan> ‘Smart 'Copycat Funds: در مورد عملکرد استراتژی های تقلید جزئی

با استفاده از یک معیار جدید از تقلید در سطح سهام ، ما کپی های "هوشمند" را کشف می کنیم: مدیران صندوق که در صورت سودمند از اطلاعات خود استفاده می کنند ، و در غیر این صورت از معاملات بهتر سایر مدیران تقلید می کنند. برخلاف تحقیقات قبلی ، ما می دانیم که این استراتژی های تقلید جزئی منجر به عملکرد بیشتر می شوند."نمره copycat" ما گرایش به تقلید و رهبری معاملات را ترکیب می کند. وجوه در انتهای بالا و پایین نمره از همه دیگران بهتر است. نمره copycat به موقع پایدار است ، مربوط به سایر اقدامات مهارت و پیش بینی کننده عملکرد صندوق. نتیجه می گیریم که کپی رایت هوشمند یکی دیگر از مهارتهای مدیران موفق صندوق است.

معرفی

"مشکل رهبر بودن این است که شما هرگز مطمئن نیستید که دنبال می شوید یا تعقیب می شوید."

کلر A. موری

با استفاده از یک معیار جدید از تقلید در سطح سهام ، ما کپی های "هوشمند" را کشف می کنیم: مدیران صندوق که در صورت سودمند از اطلاعات خود استفاده می کنند ، و در غیر این صورت از معاملات بهتر سایر مدیران تقلید می کنند. برخلاف تحقیقات قبلی ، ما می دانیم که این استراتژی های تقلید جزئی منجر به عملکرد بیشتر می شوند."نمره copycat" ما گرایش به تقلید و رهبری معاملات را ترکیب می کند. وجوه در انتهای بالا و پایین نمره از همه دیگران بهتر است. نمره copycat به موقع پایدار است ، مربوط به سایر اقدامات مهارت و پیش بینی کننده عملکرد صندوق. نتیجه می گیریم که کپی رایت هوشمند یکی دیگر از مهارتهای مدیران موفق صندوق است.

معرفی

"مشکل رهبر بودن این است که شما هرگز مطمئن نیستید که دنبال می شوید یا تعقیب می شوید."

کلر A. موری.

تقلید یک واقعیت زندگی است و اهمیت آن در تجارت به عنوان Levitt (1966) مورد تأیید قرار گرفته است ، که اغلب به عنوان اولین مقاله ای که توجه به تقلید در تجارت را جلب می کند ، ذکر شده است. تقلید در کلیه رشته های تجاری ، مانند استراتژی ، بازاریابی ، رفتار سازمانی و غیره مورد مطالعه قرار گرفته است. به عنوان مثال ، Semadeni و Anderson (2010) به داده های شرکت های مشاوره نگاه می کنند تا آنچه را آنها "معضل پیروان" می نامند ، در جایی که شرکت ها باید وزن داشته باشندعدم اطمینان از تقلید از نوآوری اولین حرکت ، در مقابل عدم اطمینان از عدم تقلید. Hsieh و Hyun (2018) با تمرکز بر تصمیمات بنگاه های فناوری اطلاعات در مناطق مختلف چین ، به تقلید در قالب شرکت هایی که با ورود رقیب خود به یک منطقه جغرافیایی جدید مطابقت دارند ، نگاه می کنند. Xie و Li (2017) استدلال می کنند که اقدامات همسالان درک شده به احتمال زیاد از دیگران تقلید می شود و نشان می دهد که تملک های مرزی توسط بنگاه های چینی احتمالاً توسط بنگاه های مشابه ، چند ملیتی در حال ظهور تقلید می شوند تا توسعه یافتهچند ملیتی بازار. پوزن و همکاران.(2013) از شبیه سازی ها استفاده کنید تا نشان دهد که حتی تقلید ناقص می تواند به شرکتهای کم عملکرد در بهبود عملکرد کمک کند و حتی در نهایت از رهبران صنعت بهتر عمل کند. راس و شاراپوف (2015) با نادیده گرفتن پیروان نوآوری می کنند و در عوض به این موضوع می پردازند که چگونه رهبران بازار نیز در تلاش برای جلوگیری از دفع دغدغه به عنوان یک رهبر به سمت تقلید روی می آورند. Giachetti و همکاران.(2017) این موضوع را گسترش می دهد تا نشان دهد که تقلید برخی از بنگاه ها در یک صنعت ، بقیه رقبا را نیز تحت فشار قرار می دهد تا از آن تقلید کنند ، و این تقلید ممکن است لزوماً یک استراتژی "همه یا هیچ چیز" نباشد ، بلکه در عوض می تواند یک مؤلفه در درون باشدیک استراتژی گسترده تر شرکت. پاورقی 1 این نتایج با هم ترکیب می شود تا نشان دهد که امکان تقلید گسترده در هر صنعت وجود دارد ، زیرا هم رهبران صنعت و هم شرکت های غیر رهبر همه در تلاش برای بهبود عملکرد ، برخی از تقلید را در استراتژی های خود قرار می دهند. در این مقاله ما این ایده ها را در زمینه صندوق های متقابل و تقلید از معاملات سهام به عنوان مکانیسمی برای برخی از مدیران صندوق برای بهبود عملکرد بررسی می کنیم.

در صنعت صندوق های متقابل ، کارهای اخیر بر تقلید از معاملات توسط مدیران صندوق متمرکز شده است که معمولاً از آن به عنوان "کپی رایت" یاد می شود. با این حال ، شکاف های قابل توجهی در ادبیات موجود وجود دارد. اولین مقالات برای تجزیه و تحلیل تقلید ، وجوه واقعی copycats را شناسایی نمی کنند. در عوض ، آنها روی نمونه ای از وجوه تمرکز می کنند و سپس تخمین می زنند که عملکرد بالقوه اوراق بهادار تقلید فرضی که تمام دارایی های امنیتی این وجوه منتخب را کپی می کند ، چه می تواند باشد. به عنوان مثال ، فرانک و همکاران.(2004) حدس می زند که بهترین وجوه برای تقلید هزینه های بالایی است و نشان می دهد که وجوه شبیه سازی شده ای که از آنها تقلید می کنند می توانند با عملکرد آنها مطابقت داشته باشند ، پس از هزینه ها. Verbeek و Wang (2013) اوراق بهادار شبیه سازی شده تولید می کنند که از هر صندوق در بازار سهام داخلی تقلید می کنند و می یابند که میانگین عملکرد اوراق بهادار تقلید چند نکته پایه بالاتر از بودجه واقعی است.

کارهای اخیر اقدامات واقعی تقلید را ارائه می دهد. بر اساس این اقدامات ، وجوه به عنوان copycats یا غیر کپی برچسب گذاری می شوند (به عنوان مثال ، فیلیپس و همکاران 2014 ؛ Koch 2016). در نحوه ساخت این اقدامات ، کاستی های مهمی وجود دارد. اقدامات موجود ، کپی برداری را به عنوان یک تصمیم همه یا هیچ چیز مشخص می کند ، که در آن یک copycat به عنوان انتخاب یک صندوق واحد برای تقلید مدل می شود و سپس تلاش برای ردیابی نمونه کارها آن مدیر تا حد امکان است. این دیدگاه از تقلید تجارت به دلایل مختلف مشکل ساز است. اول ، ردیابی کامل یک صندوق واحد توسط حامیان مالی صندوق ، سرمایه گذاران ، قانونگذاران و هرکسی که مراقبت از آن را داشته باشد آسان است ، به طور بالقوه نتایج منفی را برای مدیر CopyCat ایجاد می کند. دوم ، ادبیات مدیریت شواهد کافی را ارائه می دهد که استراتژی های تقلید جزئی می تواند برتر از تقلید کامل باشد. به عنوان مثال ، Posen و همکاران.(2013) ، وانگ و همکاران.(2019) ، و گابا و ترلاک (2013) نشان می دهند که تقلید ناقص می تواند منجر به نتایج برتر شود ، به ویژه هنگامی که با قابلیت های ذاتی یک شرکت یا مدیر برای نوآوری در مناطقی که از آنها تقلید نمی کنند ، ترکیب شود. به عنوان مثال ، یک مدیر صندوق ممکن است اطلاعات خود را به تجارت سهام که در آن او یک مزیت اطلاعاتی دارد ، ترجیح دهد و از معاملات دیگران که در آن نقطه ضعف است تقلید کند. به همین ترتیب ، یک تقلید کننده ممکن است بهتر باشد در مدیران صندوق که مورد نظر خود را انتخاب می کند متنوع شود. به عنوان مثال ، او ممکن است هنگام تجارت سهام بانک ، یک متخصص فناوری را دنبال کند.

در حقیقت ، این راهکارهایی که نوآوری را با تقلید ترکیب می کنند می توانند چنان موفقیت آمیز باشند که بعضی اوقات بتوانند پیروان را قادر به بهتر شدن از خود رهبران کنند (به عنوان مثال: Posen و Martignoni 2018). این نکته آخر ما را با اقدامات همه یا هیچ چیز از تقلید تجاری به مشکل بعدی می رساند ، این بدان معناست که آنها امکان رویکردی ظریف تر را ندارند ، این امکان را فراهم می کند که پیروان ممکن است در برخی از معاملات یا رهبران رهبری کنند. همچنین ممکن است خودشان در تقلید جزئی شرکت کنند. این آخرین ، رهبران صنعت که درگیر تقلید هستند ، همچنین در ادبیات به عنوان یک استراتژی معتبر که توسط افراد متقاضی برای دفاع از موقعیت رهبری خود استفاده می شود ، پشتیبانی کرده اند (راس و شاراپوف 2015 ؛ آرون و لافر 1990 ؛ شاراپوف و راس 2019). سرانجام ، تمام اقدامات معرفی شده تا کنون مدل های تک دوره ای هستند که با مقایسه معاملات انجام شده توسط دو صندوق در یک چهارم از یکدیگر ، تقلید را ارزیابی می کنند. ساختار تک دوره ای آنها را به ویژه در مورد تشخیص فریبنده حساس می کند. به عنوان مثال ، اغلب اتفاق می افتد که دو صندوق در پاسخ به همان سیگنال برون زا ، مانند لیست فهرست ، اعلامیه های درآمد ، توصیه های تحلیلگر و غیره ، اوراق بهادار خود را تغییر می دهند. اگر این سیگنال نزدیک به پایان دوره گزارش باشد ، ماقبل از قطع دوره می تواند یک تجارت صندوق را مشاهده کند ، و دیگری پس از قطع دوره. این به نوبه خود ، به اشتباه به عنوان شواهدی از تقلید توسط یک اندازه گیری تک دوره صورت می گیرد.

ما یک روش جدید را معرفی می کنیم که تقلید تجارت صندوق متقابل را در سطح سهام فردی اندازه گیری می کند. این رویکرد خود را به تجزیه و تحلیل دقیق تر و ظریف تر از تقلید تجارت می بخشد و تعدادی از الگوهای قبلاً پنهان در تقلید و عملکرد در بازار صندوق های داخلی ایالات متحده را نشان می دهد. بسیاری از نتایج ما در مورد رفتار واقعی تقلید نشان داده شده است که شهودی تر و مطابق با ادبیات مدیریت است ، نسبت به نتایج نشان داده شده تاکنون در ادبیات مربوطه.

با استفاده از 5 سال داده های معاملاتی در یک چارچوب Var-Granger ، ما هر سهام را در نمونه کارها صندوق به عنوان شخصی که در آن مدیر صندوق از معاملات صندوق دیگری تقلید می کند ("دنبال می کند") یا تقلید می شود ("رهبری"). ما سپس این داده ها را در سطح صندوق جمع می کنیم و "نمره copycat" را برای هر صندوق بدست می آوریم ، که شامل مجموع وزن نمونه کارها سهام است که در آن صندوق تقلید می کند که کسی تجارت می کند ، منهای مواردی که در آن قرار دارد.

اندازه گیری ما می تواند مدیران صندوق را که از معاملات وجوه مختلف برای هر سهام در سبد سهام خود تقلید می کنند ، شناسایی کند یا از تقلید به نفع اطلاعات خود خودداری کند. یکی از مزیت های این رویکرد این است که حتی اگر در بین صندوق های همسالان بسیار متنوع باشد ، می تواند تقلید را شناسایی کند. اندازه گیری "همه یا هیچ چیز" این را به عنوان کپی رایت شناسایی نمی کند ، زیرا میزان تقلید از یک صندوق واحد بسیار کم خواهد بود. همچنین ، با استفاده از یک سری از معاملات در یک تنظیم Var-Granger ، اندازه گیری ما به مراتب کمتر می توانیم الگوی تجارت فریبنده را به عنوان تقلید شناسایی کنیم. سرانجام ، رویکرد ما یک متغیر باینری ، "copycat" یا "نه copycat" تولید نمی کند ، بلکه یک اقدام مداوم است که نه تنها جهت کلی رفتار مدیر صندوق ، همانطور که به سمت پیشرو در مقابل زیر می رود ، بلکه شدت آن را نیز در نظر می گیرد. هر دو جهت

نتایج ما نشان می دهد که افزایش دقت تجزیه و تحلیل copycat ما پرداخت می شود. ما نشان می دهیم که تقلید در صنعت صندوق های متقابل فراگیر است. تقریباً هر صندوق در نمونه ما از معاملات صندوق دیگری تا حدی تقلید می کند. با این حال ، برای بیشتر صندوق ها ، تقلید تجارت منجر به عملکرد بیشتر نمی شود. در حقیقت ، میانگین بازده این معاملات تقلید شده برابر است و در بعضی موارد پایین تر از بازده متوسط سهام در نمونه ما است. به نظر می رسد که فقط تعداد کمی از مدیران صندوق مهارت انتخاب بهترین وجوه و معاملات سهام را برای تقلید دارند ، به طوری که معاملات copycat آنها در واقع بهتر است. ما این "تقلید هوشمند" را به عنوان یک شکل تاکنون گزارش نشده از مهارت مدیر صندوق می دانیم. در این چارچوب ، ما یک "copycat هوشمند" را به عنوان مدیر صندوق تعریف می کنیم که در هنگام برتر بودن اطلاعات شخصی خود را معامله می کند ، اما می تواند بهترین مدیران را برای تقلید از معاملات خود در جایی که مزیت دارند انتخاب کنند. نتیجه صندوق است که از یک استراتژی تقلید جزئی بهره می برد: عملکرد با مهارت مدیر برای انتخاب سرمایه گذاری سهام توسط خودش و همچنین بهترین معاملات انجام شده توسط سایر مدیران که ارزش تقلید دارند ، کمک می کند.

با مدیریت صنعت صندوق متقابل ایالات متحده 22 ٪ از کل دارایی های خانگی در پایان سال 2016 (دارایی های بیش از 16 تریلیون دلار ، 52 ٪ سرمایه گذاری در صندوق های سهام) ، سوال از مهارت مدیران صندوق به یکی از مهمترین آنها تبدیل شده استموضوعات باز در تحقیقات مالی مدرن. عملکرد و مهارت مدیران پول فعال پیامدهای مهمی برای سرمایه گذاران خرده فروشی ، بازارهای مالی و برای کل اقتصاد دارد. تاکنون شواهدی از عملکرد مداوم در صندوق های متقابل یا مهارت مدیر صندوق ، مختلط شده است. در حالی که برخی از نویسندگان می دانند که بیشتر صندوق های متقابل معیار خود را تحت تأثیر قرار می دهند (به عنوان مثال ، جنسن 1968 ؛ ملکیل 1995 ؛ فاما و فرانسوی 2010) ، برخی دیگر می دانند که یک گروه کوچک در واقع از عملکرد خارج می شوند (چن و همکاران 2000 ؛ Avramov و Wermers 2006 ؛ Kosowski etAl. 2006 ؛ Cuthbertson et al. 2008). نتایج ما با فرض تحقیقات گذشته در این زمینه مغایرت دارد ، که تقلید صرفاً توسط مدیران صندوق با مهارت فرومایه به کار می رود. ما می دانیم که تقلید جزئی هوشمند با اقدامات مهارت مدیر صندوق در ارتباط است. در نمونه ما ، تقلید کنندگان هوشمند فقط معاملات سهام خوبی را برای تقلید انتخاب نمی کنند ، بلکه با انتخاب سهام خود نیز بهتر عمل می کنند و همه چیز را در اطراف صندوق های برتر مدیریت می کنند. وجوه با مقادیر بالای نمره copycat آنهایی هستند که تمایل زیادی به تقلید از دیگران با معاملات خود دارند ، در حالی که وجوه با مقادیر پایین نمره بیشتر به سمت پیشرو است. با این حال ، وجوه مشاهده شده در هر دو افراط در مقیاس اندازه گیری در معاملات پیشرو و زیر بسیار فعال است. این دقیقاً این وجوه است که از همه دیگران در نمونه ، به ویژه آنهایی که دارای امتیاز copycat صفر هستند ، بهتر عمل می کنند ، این نشان می دهد که آنها به همان اندازه که تقلید می کنند منجر می شوند. وجوهی که بیشترین میزان را به سمت پیشروی صفر با 16 امتیاز پایه در ماه دارند ، در حالی که آنهایی که تمایل به تقلید دارند این کار را با 27 bps انجام می دهند. به طور خلاصه ، این مدیران صندوق نشانه هایی از ترکیبی از استعدادها ، از جمله تقلید هوشمند را نشان می دهند که آنها برای بهتر از همسالان خود استفاده می کنند.

آزمایشات بیشتر نشان می دهد که هر دو نوع بودجه در انتهای شدید مقیاس نمره copycat ، رهبران و تقلید کنندگان ، استراتژی هایی را که به موقع پایدار هستند ، به کار می گیرند ، همانطور که عملکرد برتر آنهاست. ما همچنین نشان می دهیم که نمره copycat پیش بینی کننده خوبی برای عملکرد بلند مدت صندوق متقابل ، تطبیق و گاهی اوقات فراتر از قدرت پیش بینی کننده سایر اقدامات عملکرد و مهارت است. با این حال ، این مورد در مورد اجزای اندازه گیری به صورت جداگانه ، میزان پیشرو و زیر نیست. این نتیجه اهمیت روش شناسی ما را که استراتژی های تقلید جزئی را در نظر می گیرد ، در مقایسه با مواردی که فقط تقلید را اندازه می گیرند ، برجسته می کند.

بقیه این مقاله به شرح زیر سازماندهی شده است. بخش "داده ها ، روش شناسی و آمار خلاصه" روش Var-Granger و داده های به کار رفته را ارائه می دهد. بخش "نتایج تجربی" نتایج تجربی ما را نشان می دهد ، و بخش "نتیجه گیری" اظهارات نتیجه گیری را ارائه می دهد.

داده ها ، روش شناسی و آمار خلاصه

داده ها و انتخاب نمونهما داده های خلاصه و عملکرد را از CRSP برای همه صندوق های متقابل به طور فعال مدیریت شده ، باز می کنیم که در درجه اول در سهام داخلی (ایالات متحده) سرمایه گذاری می کنند. ویژگی های پاورقی 2 مانند سبک سرمایه گذاری ، هزینه و گردش مالی در فرکانس سه ماهه در دسترس است ، در حالی که بازده و کل دارایی های خالص هر ماه مشاهده می شود. جدول 1 آمار توصیفی را برای نمونه نشان می دهد. پانل A ویژگی های کل نمونه را نشان می دهد ، که مطابق با مجموعه داده های مورد استفاده در تحقیقات قبلی است. به طور خلاصه ، ما مشاهده می کنیم که توزیع اندازه صندوق ، نسبت هزینه و بازده ناخالص بسیار کم رنگ است. در حالی که میانگین کل دارایی خالص نزدیک به یک میلیارد دلار است ، صندوق متوسط به مراتب کوچکتر ، زیر 100 میلیون دلار دارایی است. تغییر مقطعی در گردش مالی ، جایی که میانگین نسبت حدود 87 ٪ است ، و میانگین آن تنها 62 ٪ است. بازده ناخالص با گرفتن بازده خالص گزارش شده توسط CRSP و اضافه کردن 1/12 هزینه سالانه صندوق تخمین زده می شود (به Cremers و Petajisto 2009 مراجعه کنید). بازده متوسط در حدود 1 ٪ در ماه است ، مطابق با یافته های قبلی در مورد عملکرد صنعت صندوق های متقابل سهام ایالات متحده. سرانجام ، شایان ذکر است که میانگین درصد دارایی های صندوق سرمایه گذاری شده در سهام نزدیک به 94 ٪ است که بخش قابل توجهی از سرمایه باقیمانده به صورت نقدی و معادل آن برگزار می شود.

دارایی های پرتفوی صندوق های متقابل از پایگاه داده CDA/طیف مالی تامپسون بدست آمده است. پاورقی 3 ما معاملات استنباط شده را به عنوان درصد تغییر در تعداد سهام که توسط هر صندوق در هر سهام بین یک پرونده و یکی از موارد زیر وجود دارد ، به دست می آوریم. داده ها بر اساس پرونده های صندوق متقابل SEC است. قبل از سال 2004 ، وجوه موظف بود که اوراق بهادار خود را به صورت نیمه ساله فاش کنند ، در حالی که یک تغییر تنظیم مقررات SEC باعث افزایش فرکانس افشای اجباری از نیمه ساله به سه ماهه شد (این تغییر در ماه مه 2004 مؤثر شد). با این حال ، شواهد حکایتی نشان می دهد که درصد زیادی از بودجه داوطلبانه دارایی های نمونه کارها را در فواصل سه ماهه قبل از تغییر مقررات فاش می کردند._{داده های دارایی Portfolio از دهه 1970 در دسترس است. با این حال ، تعداد وجوه تا اواخر دهه 1990 اندک است. پس از آن ، ما شاهد افزایش چشمگیر وجوه متقابل ، بخشی از بازار سهام که توسط آنها نگهداری می شود ، و همچنین حجم معامله شده و تأثیر آنها در قیمت گذاری دارایی ها. بنابراین ، ما سری زمانی اقدامات خود را به دوره پس از دهه 2000 محدود می کنیم. با این حال ، برای به دست آوردن اندازه گیری ما به یک پنجره 5 ساله نیاز داریم ، به همین دلیل از داده ها از سال 1996 استفاده می کنیم. بنابراین ، تمام نتایج برای دوره 2000-2016 ارائه می شود.}نمره copycat_{سرمایه گذاری CopyCat به عنوان استراتژی تعریف شده است که در آن یک مدیر صندوق متقابل موقعیت ها یا معاملات مدیر ماهر دیگر ، احتمالاً ماهر را تکرار می کند. اقدامات موجود در مورد کپی رایت ، دارایی های یک صندوق در دوره t-1 را با سایر موارد در دوره t مقایسه می کند. اگر سهام در بالای آستانه دلخواه خاص مطابقت داشته باشد ، صندوق دوره T با عنوان "copycat" برچسب گذاری می شود. کاستی های بالقوه این اقدامات شامل شناسایی "کپی رایت" است که هر دو صندوق با سرمایه های مشابه و بدون هیچ تقلیدی درگیر می شوند (به عنوان مثال ، اگر هر دو به همان سیگنال های برون زا مانند اعلامیه های درآمد واکنش نشان دهند) و در صورت تقلید بیشتر در شناسایی کپی رایت ها. از یک مدیر ، به طوری که منابع آنها برای پاک کردن آستانه به اندازه کافی با یک صندوق واحد مطابقت نداشته باشد. علاوه بر این ، به نظر می رسد که این رویکرد "همه یا هیچ چیز" برای یک مدیر copycat انتخابی بسیار ضعیف خواهد بود ، زیرا تشخیص آن بسیار ساده تر خواهد بود. بنابراین ، بعید است که توسط مدیران پول به طور کلی اجرا شود ، و بنابراین اقداماتی که به این رفتار متکی هستند بعید است که میزان کامل تقلید در صنعت صندوق های متقابل را ضبط کند.}رویکرد ما اقدامات موجود را از دو جهت بهبود می بخشد. ابتدا، ما به دنبال شواهدی مبنی بر تقلید در معاملات هر سهم در دارایی های یک صندوق هستیم. بنابراین، ما می توانیم رفتار کپی سازی را تشخیص دهیم، حتی اگر یک مدیر صندوق از معاملات مدیران مختلف دیگر تقلید کند، به جای اینکه به سادگی نمونه کارهای یک مدیر را تکرار کند. دوم، ما از یک سری زمانی معاملات برای تعیین اینکه آیا تقلید مداوم وجود دارد یا خیر، بر خلاف مقایسه یک دوره واحد استفاده می کنیم. این نگرانی از شناسایی نادرست یک مدیر صندوق به عنوان یک کپی کننده را کاهش می دهد، در صورتی که پورتفولیوی او در یک دوره زمانی خاص شبیه به شخص دیگری باشد.

ما با استفاده از یک پنجره زمانی 5 ساله از معاملات استنباط شده سه ماهه، به دست آمده از مجموعه داده های تامپسون رویترز شروع می کنیم. ما یک صندوق منفرد i را انتخاب می کنیم و همه سهام معامله شده را فهرست می کنیم. سپس روی معاملات انجام شده توسط صندوق i از سهام تمرکز می کنیم و به دنبال سایر صندوق هایی می گردیم که در همان دوره 5 ساله سهام را نیز معامله کرده اند. برای هر صندوق j که سهام s را معامله می کند، مدل رگرسیون خودکار برداری (VAR) زیر را برآورد می کنیم:

$$چپ\_^=_^_^+_^_^+_^\ _^=_^_^+_^_^+_^پایان،راست.$$

که در آن معاملات s درصد تغییر سهام در صندوق i سهام بین گزارش های ارائه شده در دوره های t-1 و t است.

$$در مدل بالا، معاملات انجام شده توسط صندوق i در زمان t بر روی معاملات عقب مانده انجام شده توسط همان صندوق، و همچنین معاملات عقب مانده انجام شده توسط صندوق j و بالعکس، رگرسیون می شوند. در اصل، ما سعی می کنیم معاملات همزمان یک صندوق را بر اساس معاملات عقب افتاده خود و صندوق دیگر توضیح دهیم. تمرکز ما بر روی ضرایب β s است

من، ج

و β s