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」。
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。
| 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。
| 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。
| 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。 |