城市规模与基金业绩.docx

城市规模与基金业绩
该文献预计，平均技术水平和生产效率较高的大城市。此前的研究使用工人的工资或教育的差异，从而间接地联系城市大小和输出。 本文涉及城市规模和生产力，直接使用美国股票共同基金的业绩数据。平均而言，基金在金融中心更好的表现比其他基金两方面的严重和风险调整后的回报，但这种差异是动力不仅来自较有经验的管理人员。在财政资金中心有一个在性能和积极的关系强有力的证据经理的经验在特定的城市，尤其是在纽约的资金。更多重要的是，我们观察到在同一同一经理性能改进在金融中心的基金 ， 但不是其他问题。 我们的测试提供了新证据知识外溢和城市学习。
1.导言
像其他金融机构，共同基金往往设在金融中心。此位置的选择是有点令人费解，但基于证据的金融文学 。Coval和莫斯科维茨（2001年）显示，在美国大型都市地区的共同基金也没有在本地投资优势，从不同规模较小的基金地点。他们解释这个较高的竞争在基金的信息在较大城市。 那么，吸引基金经理大型城市将弥补竞争的负面影响？城市可提供积极的外部基金管理人如知识的转让，商业连接和获取私人信息。 经济学家调查金融中心1强调这些的重要性外部的创新和学习：
本文的目的是确定是否城市提供更好的学习和网络基金经理，荷兰国际集团的可能性，帮助改善他们的业绩随着时间的推移。我们知道，从香港，屈比克，和Stein（2005）该信息被转让的基金经理之间 一个城市，但我们不知道这个信息传输有任何表现积极的影响。 我们的研究还促进了城市经济学文献，这一般研究如何以及为什么城市的发展和形式。在特别是，我们提供了一个新的分析生产力得益于定位在城市中心。在大部分以前的文献（例如， 格莱泽和马雷岛，2001年），亲电导率和能力往往是 间接 测量变化 ， 工资差别和各工作教育地球资源卫星在不同的地区。但是，在本文中，我们比较的生产力和地理重能力在一个地区码 直接的方式：通过金钱，输出来经理来衡量其表现 ， 而不是他们的工资或教育为重点的差异。
经济学文献提供了前几个理论，plaining性能和生产力的原因，应在较大城市高。 我们两个相关理论探索：同时声称 ， 工人的生产率提高，因为大城市提供了积极的外部范围。 4
第一 由赫尔斯利和奇怪的（1990年，1991年） 发展期国家 该城市吸引了大量的技术工人，因为他们更有可能是更好的匹配工作，如果他们失去工作，他们可以更容易寻找另一名雇主需要的技能（排序假设）。 根据这个假设，我们只是希望工人生产力的提高 ， 因为他们改变就业机会和更好的移动公司。 第二种解释介绍了 雅各布斯（1969年），并进一步开发卢卡斯（1988），格莱泽（1999） 和其他人认为，人口密度可以更好地转让信息和知识外溢的提高生产力和吸引那些从粗放谁最有可能受益信息流（学习假设）。5 这一理论意味着， 在较大城市Informa的工人受益，重刑交流，因此，他们的生产率提高因为他们在工作中获得经验，即使他们从来没有更换雇主。我们的实证分析区分这些两个理论如何看基金之间的关系性能与城市管理经验的变化大小。 根据学习的假设，我们预期的关系之间的经验和表现，以增加城市规模。相反，根据排序假设，我们期望之间没有经验和资金回报的关系，无论一个城市的人口。
排序假说
平均显示了他对技术和性能更高层次芒斯，但是这是适用于所有管理人员 ， 不论他们的经验。 我们的数据包括所有美国国内从1992年多元化股票基金到2002年，但不包括这些资金的管理外包无关联的第三方。 我们认为 ， 股票基金因为如果在城市 ， 帮助投资者获取重要的信息就应该特别宝贵的馆藏信息敏感securi资金 如股票关系。
在第一组的测试，我们对有关基金的回报美国人口普查和人口数据管理经验。 我们看到了积极的关系收益和城市规模，但这种关系 ， 主要是因为管理者较长的工作经验。 由于前通过学习假设dicted，之间的关系经验和回报是积极的 ， 但没有较大的城市小的。 这一发现后 ， 向基金持有控制规模，营业额，支出，基金，经理人的年龄学业能力倾向测验（SAT）的成绩，以及各种风险代理和固定效应。
除了城市规模，我们期望高浓度金融中介机构 ， 以改善学习和生产力之间的共同基金经理，因为财政信息是更方便的金融中心。因此，在第二组的测试，我们分裂样品到金融中心和其他地方。 对于每个子样本，我们比较回报率的经验关系。 与学习假说相一致，我们发现一个积极的之间的关系和重大的基金表现 ，各基金经理只能在金融城的经验中心，而不是其他地方。 在返回的经验关系尤其强劲纽约的基金和增长基金的投资主要是在''难以''证券的价值。
由于排序假说属性改进在城市的生产力 ， 以管理人员的移动能力更好的工作，我们需要考虑的潜在影响关于基金业绩的工作变动。 因此，在第二次该文件的一半，我们为长度的测量经验时间一经理在相同的工作（使用权），而仍比在同一城市。 在这种背景下，任何改善随着时间的推移表现不能归咎于更好排序或工作在金融中心的匹配。 我们发现 ，返回占有关系是唯一的积极的财政中心，而这更好的性能不能由于增加的风险采取更有经验财务经理。 我们看到了类似的模式之间性能和使用体验作为基金规模替代衡量基金的表现。
在我们的分析，我们在处理分歧控制里亚尔能力 ， 这将可能有助于性能差异 ， 我们在城市的观察。 为了例如，在所有的回归对有关基金的回报管理城市的经验，包括经理的SAT成绩为代理能力。 作为管理者的替代控制技能，我们还提供一个独立的分析，比较1 经理的工作表现 ， 他 自己以前的表现而住在 同一基金。 这有效地消除所有经理固定效应，所以我们可以跟踪的基金变化表现只能归咎于变化经验 ， 而不是在能力上的差异。 我们观察到在统计上显着增加收益和减少基金经理之间的总投资组合的风险在金融中心 ， 但不是在小城镇中居住的。 在鲁棒性测试中，我们表明，积极的关系与管理经验，并返回我们确定金融中心并不是由分歧在营业额或基金经理的位置上生存。 我们解释为我们提供了证据调查结果 ，个人受益于在城市工作。我们支持目前在文献中认为，更熟练个人定位在较大城市。 6
更重要的是，但是，我们的研究结果 ， 在性能优越的属性 独特的学习环境 ， 大城市的城市，所说的 雅各布斯（1969） ， 卢卡斯（1988），格莱泽（1999年） 等等。 我们的结果是一致的学习和所有类型 在金融中心的信息传播。 基金人为几岁的孩子可能会：（一）通过提高其业绩发展他们的投资技能，（二）发展业务成为更好的关系和私人的访问信息，以及（三）展品放牧行为。
对于 该文件的剩余部分，我们保持一个非常通用定义的学习其中一个可能的解释之间的相互作用的结果更多或技术工人作为获得更好的结果（例如，私人）的信息。文章的其余部分安排如下。 第2节 概述了两件事对基金的城市规模效应假说管理人员和提供相应的经验普雷迪奇， tions。 第3节描述了市级人口和共同基金数据，以及4个风险调整程序。 第4节给出了初步结果人口变数的影响和基金学习性能。 第5条扩展了学习的证据 大城市。 在这里，我们主要侧重于关系基金的收益率之间的城市的经验和管理上不同地点和基金的投资目标 ， 同时控制各种基金的特点。 第6节为使用代理的基金经理任职经验而不是使用的总时间由一个经理花某个城市。 第7节讨论一些稳健性的问题。 第8节结束。
2。 假说
该城市群文学提供了几种这解释了为什么理论性能可能会有所不同基金经理之间在大城市与其他地方。这些理论大致可分为那些消费和生产。 消费型的，集聚ories预测更加富裕和更加 熟练的管理人员将找到的 ， 因为更广泛的城市选择消费品，但没有 生产力的利益（见 里维拉-鲍蒂兹，1988 ; 格莱泽， 科尔克和萨伊斯2001年 ）。 相比之下，生产为基础的理论意味着一些外部利益 ， 在城市定位 这有助于改善随着时间的推移经理的表现。 我们的 兴趣是后者 ， 因此我们的测试集中在两个这说明生产率差异的相关理论
管理人员在城市。 这些假说的分类和学习。 下面我们概述这两个非相互独家理论以及他们将如何解释差异在全国城市管理效能。
第一个假说是基于 赫尔斯利 思想 和斯特兰奇（1990） 谁考虑城市的地方是吸引 较大的技术工人人数 ， 因为有更好的技能大相匹配的中心工作。 根据这一推理，更多的天生技能的个人更好在一个厚实的就业市场的回报（例如，见 惠勒，2001年 ）。 这个假说，类似的消费基础理论聚集预测，从基金经理在其职业生涯的开始有更深的认识和善于比其他地方的金融中心。 主要区分的排序模型和消费基于模型的是 ， 经理人的表现提高作为经理具有良好的匹配资金坐落在城市。 排序假设 ， 因此作为如下：
排序假说。 坐落于共同基金的财务 由于中心 ， 以便更好地超越其他基金排序技术经理 。
第二个假设是基于 雅各布'（1969） 开创性的工作 ， 作为实体的意见 ， 城市带动 信息的产生，传播和学习。 字母a 大量的后续工作，尤其是 卢卡斯（1988年），Audretsch和费尔德曼（1996） ， 格莱泽（1999） ， 和其他人，表明了indivi强烈的相互作用在人口密集地区偶诱导知识转让和创新的进程和经济帮助 增长。 由于城市的效果最为明显的建立和发展知识型产业，金融服务部门应明确受益集中在较大城市的主要活动。 股票共同基金投资于资产Informa的十分有限，重刑他们的内在价值。 金融中心的他们的大量信息的产生可能是提高管理者的这些类型的塞库评估 rities。 因此，基金的接近的各种来源 关于证券资料可以证明关键改善他们的回报表现。 香港，屈比克，和斯坦因（2005年） 显示 ， 管理人员在同一个城市交流信息，所以问题是 ， 是否生产力有任何好处。 相对于排序假设，学习意味着 ， 基金经理在大 城市要履行对自己在更好地保持同一城市 ， 同一基金和他们了解如何更收集和正确理解有关风险他们打算资产交易。 学习假说
因此 ， 如下：
学习假说。 坐落于共同基金的财务 中心胜过由于加强学习其他基金环境 。 在我们的实证检验，测试是否我们的城市提供了一个 独特的学习和网络环境的人为几岁的孩子 ， 为了提高性能的线索。 这不同于从潜在的排序更多的就业市场搬进更大的经济能力和管理突出的城市。 下面我们总结了五年预测理论和说明我们如何能够区分学习排序。
第一个预测是 ， 我们希望在较大的基金金融中心 ， 以更好的表现。 根据排序假设，这种积极的表现是由于大众由于管理人员更好地劳动较大的城市定位市场条件和机会。 根据学习假设，积极的关系是由于提高交流和学习的经验提供给管理人员在提高性能的超大中心。 操作方法以往，因为这两种理论意味着同样的横截面城市之间的尺寸与性能的关系，我们依靠其他的预测 ， 以区别于排序学习。
第二次预测考虑如何经理人性能改善与在同一城市的经验。 通过对管理人员的在 同一城市 ， 重点是我们的经验帐户连接的专业经理人可能获得的金融业。 学习假说认为 ， 经理业绩的免疫证明在大城市的经验比小多作为社区管理者收益更多地接触一更多的人。 获取多重接触使管理者更好地Informa的访问， 重刑。 因此 ， 我们测试是否与城市的关系经验和城市规模和性能的提高更积极的比其他地方的金融中心。 那个排序假设中提出新的变化 ， 在任何预测经理的业绩与经验 ， 如何关系不同;大中城市之间与在其他地方只建议在基金表现好管理人员将能够更好地工作。
第三预报测试中 ， 直接管理人员是否在金融中心的天赋优于其他地方。 我们代理管理人的能力 ， 使用的平均SAT成绩学校的本科毕业 ， 经理。 根据排序假设，更好地管理移动金融中心，因此我们也期望SAT平均成绩要高于其他地区的金融中心。 排序理论也意味着管理者的SAT产生积极影响评分对基金的回报。 我们希望这种关系会特别是在金融中心的深入研究表明 ， 自有更多的教育和娴熟的人才大城市（例如， 格莱泽，1999年 ）。 学习假设不作出任何管理人员的分布预测根据他们的教育背景或关系与经理人天生的技能和基金的表现。人们可以认为 ， 受过良好教育的经理很可能具有较强的资产分配技能。 然而，投资者相对较为温和的教育成就 ， 亦可 受益于金融中心的学习环境 ， 如果他们拥有其他技能，这是可能有用的投资组合管理，如社会网络。第四预测审查了perfor差异地理位置上缺乏经验的芒斯基金经理。 排序假说预测 ， 更多管理人才被吸引到城市 ， 因为加厚的劳动力市场。 因此，根据这一假说， 我们期望绩效之间的差距财务和非金融中心的存在 ， 即使新，没有经验的管理人员。 相反，如果金融中心提供学习机会 ， 基金经理，则改进的性能 ， 应购买了experi - EnCE的，我们不一定期望性能 新经理之间的差异。 最后预测可能是最关键的区别于排序学习。 我们摆脱截面比较和跟踪经理人提高自己的表现与他的任期在给定的基金。 学习假说认为 ， 作为管理人员收益同时 基金的 经验 ，他应该改善 他自己的表现比前几年。 与此相反，上次预测 ， 因为这不包括工作变动，排序假设这里不作任何预测。 因此，研究 经理的经验 ， 在同一 城市 ， 同时基金 ，使我们能够消除潜在影响管理人员转移到更好的工作（基金管理公司），并确定是否返回改善而经理停留在某一城市同样的工作。 另一种办法来区分学习和排序假设是按照谁的管理人员从小型到大型移动中心和金融中心观察他们的表现的变化。 与此问题类型的分析是 ， 虽然经理保持不变，无论是城市和就业正在发生变化。8 因此 ， 这不能完全控制的排序的影响。 当一个经理移动到一个城市，在任何改善性能可能是由于更好的工作（排序）或1金融中心 ， 更好的学习和网络 机会（学习）。 因此，通过改变聚焦在基金的回报超过同一 经理人在同一时间基金和在同一个城市 ，最后使我们能够预测之间作出学习和整理 ， 清洁的区别。 因此，我们预测5纲要每假设直接比较的 ， 应该帮助我们区分排序学习。我们确定哪两种相互竞争的理论更好地解释了时间共同基金回报系列和横截面形态在不同的城市群。因此 ， 调查个我们的测试，门之间的联系的劳动力市场，地利，人和经理的表现。
3。 数据
在本节中，我们描述了市级人口和共同基金数据，以及4个风险调整程序。 既然我们有兴趣分析潜在影响的技能和学习基金的表现在不同的地点，我们需要控制的不同，分配办法 ， 在风险偏好和管理风格。 要做到这一点，我们比较 ， 不仅是毛利润 ， 而且风险调整的。
3.1。 人口数据
我们使用1990年美国两个人口变数政府作为城市的规模和平均技术水平的措施。首先是城市的规模在其总的条款人口。 人口，我们使用的生活津贴（大都会统计区）或PMSA（小学大都市统计区）确定一个城市的普查数据。 当一个城市被定义为CMSA（综合都市统计区），我们只包括那些在县50英里的核心城市。第二个人口统计变量是经测量，每个城市的教育水平的人口比例25岁以上的老年人，谁持有年至少学士学位。 有75个不同的城市或聚集存取共同基金总部。 从它们的大小不等74631 在维多利亚，得克萨斯州的人超过12万新纽约市。 用范围的人口比例学士学位11％之间（底特律，密歇根州）和 48％（麦迪逊，威斯康星州）。 在交叉关联的， 吐温的两个人口变量是积极的 ， 但低于0.1。 我们定义以下6个城市是财务中心：波士顿，芝加哥，洛杉矶，纽约，Phila， 特尔斐，和旧金山。 在这个分类，我们遵循由其他人的数目 ， 并确定金融中心总部设金融中介机构。 特别是，上述六个城市的共同基金数量最多并确定为最大的共同基金中心在香港，屈比克，和Stein（2005） 。 其中五（除波士顿）代表五个是美国最大的城市。 此外，我们使用1990年美国人口普查找到每个城市的数目在金融行业工作的人。 这源于美国所提供的一项特别调查就业人口普查于1990年。 9
根据人口普查数据显示，6个金融中心是在与前七名最集中的金融专业人员。
3.2。 共同基金数据
对股票共同基金的数据来自中心研究证券价格（CRSP的）。 它包含的信息不仅基金的回报和总（记者罗钦文），但净资产还对基金组织年，它的名称经理，以及它的营业额。 我们的样本涵盖从1992年1月至2002年12月。 我们选择所有美国多样化的国内股票基金有下面的投资公司数据公司（ICDI） 投资目标：积极成长，成长＆收入，收入，大幅度增长。 这四个基金分类十分广泛 ， 涵盖所有资产在战略眼光的目标分类基金类别。 例如，小盘基金是分开归类战略眼光的目标 ， 但会下降根据ICDI的积极增长的类别。 由于投资组合的限制 ， 并实施行业集中度放在具体部门的资金，这些资金被排除从样品。为了确定每个基金的位置 ， 我们使用数据理柏分析提供了总部地点在1996年基金公司。 我们的手比赛来自理柏信息与CRSP的总部和检查在总部所在地的任何变化样品。 在情况下 ， 我们无法找到理柏基金， 我们期待手工此信息从半 年度报告注册投资公司 （不适用，特区）向美国证券交易 委员会（SEC）。 我们分类基金 ， 在特定的城市如果将其总部从城市的距离不超过超过50英里。在相关联的一个问题与总部的基金 地点是该基金管理层可能会外包给 无关联的第三方往往不在
在同一城市（见 陈，香港，和屈比克，2007 ; 德尔 圭尔乔，路透社和Tkac，2007年 ）。 在针对这一情况，我们删除了基金的管理外包活动减少12.5％，我们的样本。 我们的方法确定外包资金运用的三个数据美国证券交易委员会提交的文件可在电子数据收集，分析和检索（首席顾问）制度。 这些文件包括 ： 年度报告邮寄给股东（不适用- 30D，后），有效的修订年度报告（485BPOS），和N -特区上述文件。从N -特区文件，我们找出所有资金报告亚咨询安排。 然后，我们搜索了N - 30D和485BPOS文件 ， 以确定是否分顾问该基金是无关联的，如果这样，我们确定这些在资金被外包。 我们的方法和数字密切配合 德尔圭尔乔，路透社和Tkac（2007） 谁报告的8.3％和18.4％的股票基金作为外包在1996年和2002年分别。 像 陈，香港，和屈比克（2007） ，我们也发现 ， 有大量外包在小城市（14％）比（10％的金融中心） 而外包的资金比那些表现差的 内部管理的资金。
CRSP的报告 ， 每股净每类基金的回报而不是每个基金。 我们创建一个回报史每一个加入回费用和价值加权基金每一个由阶级的份额大小分享类返回百分之基金的总体规模与所有共享班相结合。 基金规模仅仅是组合 所有股份类别 ， 使每一个观察是基金/年。
表1
共同基金的汇总统计。
此表给出了国内股票在美国不包括共同基金的资金汇总统计的外包管理 活动。 样本期是1992年1月至2002年12月。 在ICDI基金类别包括了积极的发展（集团），增长和收入（地理标志），收入 （中），并大幅度增长（LG电子）。 小组A显示按地点和投资目标的基金分配，小组B显示了基金分歧之间（F）和（海外）其他地方的金融中心经理的特点。 如果该基金总部50英里的范围内是一个金融中心 波士顿，芝加哥，洛杉矶，纽约，费城，或旧金山。 异常回报之间的基金的总收益和差异 平均收益在所有基金某一年，基金的投资目标和大小四分。 四分位数的大小确定为每年的所有资金和 基金的投资目标。 异常回报百分之显示每月。 基金的年龄是多年来与当年和年度差异 基金组织。 该基金的总规模在数十亿美元的净资产。 在营业额的合计销售或聚合最低证券购买由平均12个月基金总资产净值除以一年。 每年的费用是该基金的总费用的比例。 在与基金经理的任期是多年来本年度之间 ， 当经理被分配到该基金的年度差异。 那个管理城市的经验 ， 是与当年和第一年的差额记录多年的一名基金经理开始在给定的工作城市。 SAT平均是SAT平均为1992年新任经理人的本科大学类评分。 统计意义的10％，5％和 1％的水平表示为*，**和***分别。
表1 显示了我们共同的统计摘要 基金数据。 A组报告中的资金分配上地点和投资目标。 总人数资金是1,917造成12177基金一年的观察。有金融中心 ， 更多的资金比其他地方，1,136与781。 纽约人数最多资金，514，波士顿其次223资金。 在投资目标，大型成长型基金构成最大比例 ， 其次是对所有基金的侵略成长型基金。 该小组还显示基金数目为每个位置管理公司。 示例 载有271管理公司 ， 其中141 位于金融中心和130分别位于 其他地方。
B组的 表1显示了基金和管理性质跨地点istics内外的金融中心。 这些是一些看法，总异常回报率（扣除费用前），年龄基金，基金规模，营业额，支出，基金经理和三可变 冷杉：使用权，城市的经验，以及平均SAT成绩。 异常回报是衡量每月百分之并之间的平均每月总利润的差额该基金在今年的月平均回报所有基金某一年，基金的投资客观，大小四分。 四分位数的大小是确定了每年的基金投资的所有资金目标。 我们用我们的估计的异常收益率因为使用原料回报来衡量业绩在不同的地点是有问题的：原材料返回可以在不同的地点 ， 如果有系统的不同，在基金的规模分配办法 ， 或在资金数目不同投资目标。 这些回报百分之所示 每月。 该基金的规模是衡量其济南数十亿美元。 该基金的年龄是多年来的区别本年度之间和组织一年该基金。 该基金的成交额被定义为 最大总销售额的百分之作为总采购平均基金净资产规模在过去一年。 开支的定义是每年总支出的比例在个百分点的基金。 与经理的任期该基金是多年来目前的区别今年，当基金经理首先分配给年给定的基金。 城市管理者的经验多年来区别当前至今年首今年的记录 ， 这是基金经理在一个工作启动某个城市。 我们使用这两个变量的代理经理的经验与基金和城市，respec -tively。 我们的最后一个变量，SAT平均措施经理人才使用管理的具体SAT成绩，下面的 骑士 ， 埃利森（1999年a）。 我们匹配经理人的本科大学的晨星 与大学的SAT平均分数的传入 1992年本科班由学院报木板。10 在创建管理的具体税务总局变量，我们的样本量减少 ， 因为不是所有的管理人员报告他们的教育背景 ， 并非所有学校的报告税务总局分数。 11 但是，这种减少不会改变 比例的资金作为金融中心的显示表1 。 我们看到 ， 在金融中心的资金是平均两倍以上大， 中和其他地方的这差异有统计学意义。资金周转在金融中心 ， 也明显大于其他地方（89.3％比83.4％）。 有趣的是，尽管在更大的尺寸和更多的贸易，金融中心基金明显优于其他基金的条件异常回报。12 平均（中位数）总异常返回在金融中心的资金为60（132）每年基点高于基金，在小城市。尽管高回报率，投资者需要支付5个基点的费用较少比其他地方的金融中心，因此性能对于金融中心的利益方面达到投资者净回报。 基金的平均年龄，经理任期，并管理城市的经验 ， 在菲南大得多，cial中心。 最后，符合城市的理论集聚，金融中心 ， 吸引个人从大学显着提高的平均SAT成绩。如果这是一个技术代理，则似乎有些排序熟练和非熟练工人，劳动力市场确实正在发生。通过观察 ， 我们探索在其他技能的措施投资组合经理浓度差异与他们的同龄人居住在较小的金融中心城镇 。Kacperczyk，Sialm，和郑（2004年）发现，更集中的投资组合持有为共同基金表平均比基金更好更多元化属性的财产和他们这种优越的性能更好的信息。 我们测试是否我们看到更多比其他金融中心的集中投资组合，哪里。 从理柏分析，我们的投资组合持1996年9月 ， 我们报告他们的浓度 在资金上 表2 不同地点 。 我们组芝加哥和费城为一组 ， 洛杉矶和旧金山以实现到另一个合理子样本大小。 该表显示 ， 共同基金设在金融中心举行得多比其他设的集中投资地方，这是符合我们的证据过度的市场风险由基金经理参与金融中心。 在投资组合浓度差是第一产业的最大的超过23％，和， 虽然在经济上削弱，但仍统计实例， cally非常重要 ， 因为在其他前五个行业投资。
表2
集中投资组合持有量。
此表显示了在任何特定行业进行了基金的投资组合平均水平。 对于每一个基金，投资组合持股是由工业和汇总当时世界排名从最高到最低。 下面的百分之报告的前五个行业的所有基金的投资组合持有的平均浓度（或美元价值的五大行业占总净资产的比例组合集团）在金融中心（女），（海外）位于其他地方，而它们之间的差异（F - O）的相应 吨 ，括号中的数字。 这些数据来自理柏分析季度投资组合持有量1996年9月 ， 包括所有美国在柏的成长和成长收益型基金类别的国内股票基金。 甲基金是一个金融中心 ， 如果它总部设在50英里的波士顿，芝加哥，洛杉矶，纽约，费城，或旧金山。 芝加哥和费城显示为一组和洛杉矶和旧金山的另一个。 基金外包管理活动从样本中删除。 统计意义的10％，5％和1％的水平表示为*，**和***分别。
3.3。 数据从风险调整程序
在测试的城市群，我们的理论需要测量的经验与技巧如何变化城市和一个基金。 因此，我们要尽量控制在风险的不同情况和管理风格和比较不同地区的资金使用性风险调整后 ， 除正常的回报收益。 在本小节中，我们描述了四个风险调整在两个和两个赖斯无条件的程序 tional绩效评估模式。 第一个是广泛用于 卡哈特的（1997年）四因素模型，即

在方程基金阿尔法。 （1）可能会潜在地嵌入2 效果：选股技巧 ， 以及市场时机 基金经理的能力。 分解这两种影响， 我们也考虑 特雷诺 市场时机模型 和 玛泽（1966） ，即

如果学习是获得通过信息交流， 我们期望私人信息 ， 而不是市民要尤其重要的基金业绩。 由于 任福森 和Schadt（1996年） 和 弗森，任福森，和 格拉斯曼（1998） 指出，在有条件的框架分开交易技能的私人与公共信息。 我们遵循这些以往的研究和现在两个有条件的绩效评估模式。有条件的α-β模型是基于标准资本资产定价模型（CAPM），其中 无论是市场测试和拦截是线性两个函数的滞后公共信息变量： 1个月的美国国库券利率和期限结构伸展。 在传播的定义是在收益率上的差异10年期美国政府债券和3个月的美 国库券。 这个变量的选择是出于最近对股票收益的可预测性的证据（见 任福森，亚美尼亚国防部长萨尔基相和四民，2003年 ），并表示如下：
我们估计每个型号使用所有的返回数据 每个基金的基金1992年至2002年有条件 至少有36个月的收益。 表3报告 平均每场设在资金和这些估计境外金融中心。 在其余的文件，我们使用36个月滚动回归的卡哈特的和 有条件的α-β规范 ， 因为这些模，埃尔斯最适合的数据 ， 因为在我们以后的分析，我们 有兴趣捕捉风险的变化调整 通过时间的回报 ， 而不是简单地看 平均数。
表3
平均预期的风险调整收益，市场风险和市场时机。 该表显示了基金平均阿尔法，贝塔市场和条件，在法玛荷载法和动力组合（二 中小

基金设在（F）和（海外）其他地方的金融中心 ， 采用不同的绩效评价模型。 它还报告在不同地点的估计差异（F - O）的相应的 t -统计。 如果一个基金是其总部50英里的范围内是一个金融中心波士顿，芝加哥，洛杉矶，纽约，费城，或旧金山。 该示例包括美国所有多样化的国内股票共同基金除外 这些资金是外包的管理活动。 样本期是1992年1月至2002年12月。 模型1是 卡哈特（1997）模型， 模型3是随着时间的推移条件模型变阿尔法和贝塔，和模型2和4是无条件的，conditiona 升特雷诺和玛泽 （1966）模型，分别。 因变量是基金在1月超额回报月期国库券利率在所有回归。 阿尔法措施 在所有车型拦截。 测试措施对美国的价值系数，在一个市场超额收益的加权个月的国库券利率，研究 要素模型，在法玛，法国的大小和书籍的系数估计到市场的投资组合记为 B 中小企业 和 b会展管理 而对系数 动力组合记为 B 收益率10年期美国政府债券和3月期美国国库券。 在模型2和4，
估计是斜坡上的平方值系数
美国价值加权超额的市场回报。 基于 Z系数
未列入下表尽管这两个变量包括在模式3的估计。 对于每一个基金，模型估计使用所有1992年1月至2002年12月返回数据条件是至少有36个月的基金回报数据。 系数的平均分的基础上的交叉的资金部分。 有861 基金观察 ， 金融中心和633在其他地方。 统计意义的10％，5％和1％的水平表示为*，**和***分别。

根据该模型，对基金的平均阿尔法在金融中心之间0.50％和1.25％为高 比其他地区的，而且这种差距统计学意义的在5％水平或所有模型下面。 我们发现 ， 在平常的5％，没有相当大的差异在市场显着性水平测试版或市场时机选择能力所有车型和地点。 这些结果表明，
在全国不同地点返回 ， 可以使用Attrib -uted更好的股票选择能力 ， 而不是从更好的市场时机或承担风险。 也有一些迹象表明 ， 金融中心的资金惠及更多从战略和动力响应更积极进取 ， 在长期蔓延的变化。 因此，即使经过风险调整，有更好的平均证据投资基金的基金管理人之间的财务技能 中心，符合双方的第一个预测（小） 分类和学习。 其余各节区分这些假设之间。

4。 基金的回报，经理的经验，与城市规模 根据理论，有很多人口特色的金融中心 ， 这有助于排序在城市和学习。 特别是，人数
而这些人的平均教育水平似乎 在通常用作变量描述城市理论文献。 我们开始与我们的实证检验 人口统计学变量之间的一般关系， 共同基金的回报，经理的经验。 图1 显示了年度总基金之间的关系收益和城市规模（绘制）以及城市教育水平（剧情乙）。 对于每一个城市，我们发现 ， 每年平均总 返回总部设在该市所有的共同基金。 我们小组该市人口的75回报平均规模和教育水平 ， 在1990年美国报告普查并提供一个整体回报 ， 平均每人口和教育队列。 人口同伙包括：小于0.5万，0.5至200.0万， 2至5万人，500多万居民。 同伙的教育是：小于20％; 20％至30％，30％至40％，以及更多超过40％的人口拥有学士学位或更多。 我们观察到的平均资金大幅度增加返回两个城市的规模和教育水平。 那个在性能差异最大 ，最小的城市规模的团体超过2％，而同一差异与城市之间的最高和最低
教育水平是4％以上。 的差异最高和最低的两个队列手段 人口和教育集团是统计信号， nificant在1％的水平。 另一个有趣的特征情节乙，是有别于 其士和埃利森（1999年a） ，我们处理与城市 ， 而不是一般的教育水平该基金经理。 因此， 图。 1清楚地表明， 在较大的城市和/或城市的平均基金经理更多受过教育的人表现大大好比同龄的人口较少 ， 学历低社区。 它提供证据证明这两个小分类和学习假设。
回想一下 ， 在学习假说的P2意味着性能与提高城市的经验关系大小。 调查这一点，我们与基金平均异常返回到基金经理人的城市的经验（即时间鉴于经理花了在某一城市）。 我们使用下列小组回归模型：
它的计算
管理人员之间的经验差别在日志 由于在特定的城市一年中位数城市日志 所有资金的管理经验 ， 类似的投资， 精神疾病目标年。 经验是在测量 开始每个日历年和收益度量的 12个月sured期待。 请注意 人口变量方程。 （5）目前单独地和互动与城市管理的经验。 两者 人口和教育人口变数而保持不变 ， 而且每个城市改造对数。
（图1按城市规模和教育水平，基金的回报。 图中显示的平均年度总收益多样化的国内所有美国股票共同不包括基金 ， 外包管理活动的资金。 样本的返回时间是1992年1月至2002年12月。 每个基金与相关的范围内最大的城市总部50英里。 这提供了75个美国城市的样本 ， 每个城市，我们发现 ， 每年平均总收益的总部设在该市所有的共同基金。 在城市的人口规模（剧情A）和教育 ， 我们这些75组回报平均水平 （剧情乙）为报道1990年美国人口普查 ， 并提供为每个队列人口和教育的整体平均收益。 一个城市的教育水平按人口比例计算年龄超过25岁谁持有学士学位或更高。）
基金的特点是资金捕获年龄，大小， 营业额和费用。 基金的年龄，营业额和费用被转换的对数 ， 并表示为基金年龄上面的。 鉴于基金的规模和随时间变化 在投资类别 ， 我们利用过剩的措施。 它计算公式为 ， 对数之间的差异滞后
基金规模减少了基金的平均水平滞后日志 大小相同的投资类别 ， 今年是
表示为 尺寸
我们使用多个变量来控制 对基金 I t 年 的风险 ：在基金的回报对数
波动性， 波动性
要么就在荷载 市场，规模，书上市，和动力组合 从 卡哈特（1997）模型或装运的 市场测试无条件的和有条件的部分
在有条件的α-β型。 我们估计 风险调整收益模型为36个月滚动倒退的 sions。 例如，估计在1994年测试版，我们使用 返回数据从1992年1月至1994年12月 向前迈进。 最后，D（下年 ）是指历年 它可以在所有的规格包括假人。 我们使用 胡贝尔，白城市集群强大的标准误差。
表4
基金的表现，人口和城市管理的经验。 此表显示 ， 从平均异常收益，研究回归估计
荷兰
在人口控制的特点 ， 同时还能为基金 和管理者的特点。 该示例包括美国所有多样化的国内股票基金 ， 不包括共同基金的外包管理活动。 样本期是1992年1月至2002年12月。 每一个基金 ， 是与最大的城市50英里范围内的 总部。 异常回报是衡量每月百分之 ， 是平均每月的总收益基金在今年的差异， 平均每月收益在某一年所有基金，基金的投资目标和大小四分。 经验是一个'' ''测量计算过剩 作为在特定城市之间的差额经理的经验记录在某一年 ， 以及对所有资金管理者中位数与城市的经验记录当年类似的投资目标。 从1990年的美国人口普查来自各城市的人口变量。 人口的日志是一个城市的 人口。 教育是对居民的百分之25以上的持有学士学位的年龄记录。 测验是1992年传入的平均分 本科类（除以100），为每个经理的大学毕业。 基金的年龄是基金年龄（岁）日志。 尺寸（格A1）是'' ''措施过剩计算公式为 ， 与去年的总额（百万元的资金 ， 我和总收入中位数（百万元的所有资金）与净资产日志）净资产记录差同样在这一年的投资目标。 营业额，费用，波动是一个基金的周转率（％），年度基金开支比率（％），并登录标准差 ， 每月将在某一年，分别为。 Beta是斜率估计对美国价值系数加权市场回报在一个超过一个月的T无论从无条件四因素模型票据利率（4楼）包括在回归6或条件（丙）α-β型 包括在回归7。 在回归6，斜坡 b 措施的长期蔓延，或在收益率差10年期美国政府债券和三本月美国国库券。 我们估计的风险调整收益模型为36个月的滚动回归。 今年的拦截和固定效应包含在所有但他们的回归系数不显示。 这些 T括号内数字是根据胡贝尔，白稳健标准误差与 观察集群来自同一城市。 该表还显示了调整 R平方为每个回归。 统计意义的10％，5％和 1％的水平表示为*，**和***分别。
估计结果列于 表4我们 添加更多的管制 ， 我们从左至右移动。 我们没有报告拦截年的系数假人。 回归1显示了如何异常