長庚大學 數位金融科技學系Department of Digital Financial Technology · Chang Gung University
研究成果導讀

RESEARCH GUIDE / FUNDS & NETWORKS

基金相似性二分圖的應用

Fund Similarity: A Use of Bipartite Graphs

買了多檔基金,是否真的分散風險?這篇研究比較持股權重與圖網絡嵌入兩種方法,提醒我們:相似性分數更高,不等於方法更好;先釐清要衡量什麼,才知道該用什麼工具。

原文刊於 Information,第17卷第1期,文章編號83(2026)。
前往原文 DOI | 本頁為中文研究導讀

HOLDINGS-BASED SIMILARITY

買了什麼,各買多少?

用持股權重,直接比較基金的投資組合。

GRAPH-BASED SIMILARITY

在網絡中,如何彼此連結?

用圖嵌入,整理基金與資產的結構關係。

文章導覽

基金數量增加,不代表風險已經分散

投資人可能買進多檔名稱不同、投資目標也不同的基金,最後卻發現它們持有相似的股票,市場下跌時也一起下跌。表面上增加了基金數量,實際上卻重複承擔相近的風險。

〈Fund Similarity: A Use of Bipartite Graphs〉從這個問題出發:我們應該如何判斷兩檔基金究竟有多相似?最直觀的方法是比較持股與權重;另一種方法則將基金及其持有資產組成網絡,再用機器學習整理其中的結構關係。

這篇文章的價值,在於用較長期間與主動型基金資料,檢視網絡方法的效果。研究並未得到「方法越複雜,結果就越好」的結論,而是提醒我們:持股相似、網絡結構相似與報酬走勢相似,是相關卻不完全相同的問題。

把持股清單,轉成基金—資產網絡

二分圖的概念很直觀:一邊放基金,另一邊放資產;某檔基金持有某項資產,就在兩者之間連線。連線只跨越兩類節點,同類節點之間不直接連線,因此稱為「二分圖」。

基金與持有資產形成二分圖左側有基金A、B、C,右側有資產1、2、3、4。每一檔基金均連到全部4項資產,共有12條連線;同類節點之間沒有連線。本圖為完整連結的二分圖示意,未呈現持股權重。 基金資產 基金A基金B基金C 資產1資產2資產3資產4
概念示意,非原文實際樣本。本圖假設3檔基金均持有全部4項資產,每項資產都與每檔基金連線,共12條線。實際基金網絡依各基金的持股決定是否連線;即使持有相同資產,配置權重也可能不同,本圖未呈現權重。

傳統方法以基金的持股權重向量計算相似性,直接比較「買了什麼、各買多少」。圖網絡方法則透過 node2vec,將節點的網絡關係轉成數值向量,稱為圖嵌入。它藉由在網絡上反覆進行隨機遊走,學習哪些節點經常出現在相近的連結脈絡中。

作者分別對持股權重向量與嵌入向量計算餘弦相似性,再為每檔基金找出最相似的其他基金。兩種方法都產生一份名單,但背後利用的資訊不同:前者直接比較投資組合,後者也反映較廣泛的網絡關係。

資料與比較方式:不只看一個時間點

研究使用 WRDS 平台上的 CRSP 共同基金資料,期間為2018年6月至2024年3月,涵蓋3,874筆基金、2,201個投資組合與12,208項資產。樣本以美國國內主動型股票基金為主,排除指數型、國際型及特定產業型基金等。

這些數字是整段樣本的涵蓋範圍,不表示每個月都有3,874檔基金可比較。原文指出,持股更新頻率不一,月資料筆數也會變動;排除資料較少的首五個月與最後一個月後,主要月度比較涵蓋64個月,平均每月約有214個投資組合。

相較於只研究單季指數基金的先前研究,這個設計可以檢查:當基金不再因追蹤相同指數而自然擁有大量共同持股時,網絡方法是否仍有相同表現?

發現一:兩種方法找出的相似基金,差異很大

作者先問:若各用一種方法,替某檔基金選出最相似的五檔基金,兩份名單會有多大重疊?研究使用 Jaccard 指數,也就是「共同出現的基金數」除以「兩份名單合併後、不重複的基金數」。

例如,兩份名單各有五檔基金,其中兩檔相同,合併後共有八檔,Jaccard 指數就是2÷8=25%。這裡比較的是相似基金名單的集合重疊,不是基金持股本身的重疊比例,也沒有比較名單內的排序先後。

原文圖8:相似基金名單的平均 Jaccard 指數
每檔基金選取的相似同儕數兩種方法的平均名單重疊指數
前5檔15.84%
前20檔21.33%

這些結果顯示,圖嵌入與持股權重找出的「相似基金」明顯不同。研究也發現,嵌入方法往往產生較高的相似性分數。不過,分數更高只是一種量尺下的結果,本身不能證明方法更準確或更有投資價值。

發現二:網絡相似,不保證更能反映報酬共變

接著,作者比較:各方法挑出的相似基金,實際報酬是否也較同步?若一種相似性衡量能抓住報酬上的共同特徵,它找出的同儕理應呈現較高的報酬相關。

原文圖14:基金與相似同儕的平均報酬相關係數
同儕範圍依持股權重選取依圖嵌入選取
前5檔96.58%94.74%
前50檔94.02%92.74%

在這項比較中,持股權重方法的報酬相關係數較高。這也有直接的經濟原因:基金報酬與所持資產及其權重,本來就具有緊密的連結。

這些百分比是報酬相關係數,不是投資報酬率,也不是預測準確率。結果不能解讀為持股方法能幫投資人賺得更多;它說明的是,就本文對報酬共同變動的評估而言,圖嵌入沒有優於簡單的持股基準。

發現三:「二分性未保留」究竟是什麼意思?

原文還檢查:基金與資產轉成嵌入向量後,是否仍能在分群結果中清楚區隔?作者以 k-means 分群,並使用 v-measure 衡量分群與原有「基金/資產」類別之間的一致程度。

在表2列出的十二組參數設定中,平均 v-measure 約介於0.03與0.16之間。作者因此認為,先前研究在指數基金上觀察到的明顯區隔,未能在這批主動型基金樣本中同樣保留。

這不是說原始的基金—資產網絡不再是二分圖。原始網絡依建構方式,仍然只在基金與資產之間連線;未被保留的,是嵌入與分群後,兩種節點類別清楚分開的表現。原文使用的 t-SNE 圖則是降維視覺化工具,圖上的分離程度也不宜單獨視為經濟效果的證據。

投資與研究的啟示:先問相似性的用途

對投資人而言,基金名稱不同或數量增加,並不足以保證分散。持股權重仍是理解重複曝險的重要起點;若關注的是共同交易、流動性壓力或市場衝擊的傳遞,則有理由進一步觀察基金在整體網絡中的位置。

對研究者而言,這篇文章提供了清楚的比較思路:新方法除了找出與舊方法不同的結果,也需要對照具體的經濟目標。若目標是解釋報酬共同變動,就應與持股基準比較;若主張能反映其他風險,則須提出對應的驗證。

作者建議,未來可把波動、流動性與體系風險等面向納入更完整的相似性衡量。這些是延伸研究方向,本文尚未建立一個已驗證、能涵蓋上述風險的綜合指標。因此,結論既不是「圖網絡沒有用」,也不是「機器學習一定勝過傳統方法」,而是要讓衡量工具與研究目的相互配合。

兩檔基金是否相似,取決於我們想比較什麼:持有的資產、報酬的共同變動,還是在市場網絡中承擔的風險?

原文與延伸閱讀路線

Chen, R.-R., Luo, L., Wang, Y., and Zhang, X.(2026). Fund Similarity: A Use of Bipartite Graphs. Information, 17(1), 83.
DOI:10.3390/info17010083

原文於2026年1月13日發表,第一作者 Ren-Raw Chen 目前任職於長庚大學資產管理研究所;在加入長庚之前,任職於美國 Fordham University 的 Gabelli School of Business Administration。本頁中文題名為導讀譯題,正文依原文整理;示意圖為導讀另繪,數值表依原文圖表摘錄。

依興趣回到原文
閱讀重點建議位置
研究動機與文獻定位第1、2節,第1–4頁。
二分圖、node2vec 與衡量方法第3節,第4–9頁;附錄A,第28–29頁。
資料與嵌入後的分群表現第4.1–4.5節,第9–18頁;表1、表2。
名單差異、相似性分數與報酬比較第4.6節,第19–27頁;圖8、圖14。
結論與風險衡量的延伸方向第5節,第27頁。