规模越大代表业绩越好？论对冲基金规模与其表现的关系¶

有大量的学术和实践证据表明，增加管理的资产规模会对纯多头基金的业绩产生负面影响。例如，Jeffrey A. Busse等人一篇备受引用的研究论文得出结论：规模较大的纯多头基金表现不及其较小的同行，主要原因是持有较少的小市值股票。从实践角度来看，沃伦·巴菲特在他2003年给伯克希尔哈撒韦股东的信中生动地阐述了这一点：

“投资经理从积累资产中获利远远超过了妥善管理这些资产的收益。所以当有人告诉你，增加资金不会损害他的投资业绩时，退后一步：他的鼻子就要变长了。”

增加资产可能阻碍业绩的原因是有道理的：随着资产的增加，投资选择会变窄，较大的管理者仅限于最具流动性的投资，且较难在仓位上灵活交易。较小的股票提供了发现不为人知的“瑰宝”的潜力，因为专业投资者对它们的研究较少。再次引用巴菲特在1999年接受《商业周刊》采访时的话：

“如果我今天管理100万美元，或者即使是1000万美元，我会全额投资。我在20世纪50年代获得的回报率是最高的。我击败了道琼斯指数。但那时我投资的资金很少。没有太多钱是一个巨大的结构性优势。我可以每年赚50%。”

与此同时，交易提供了从“过程”以及“结果”中赚钱的可能性，尤其是在市场压力时期，能够快速退出仓位可能特别受重视。

但规模不经济是否也适用于对冲基金？毕竟，对冲基金经理往往以与众不同为美德，不一定遵循规范。或许对冲基金的费用结构，即收取业绩费以及管理费，与仅收取管理费的纯多头基金相比，创造了更大的资产募集纪律激励。此外，关于规模与纯多头基金业绩的研究往往侧重于股票基金，而对冲基金则跨资产类别投资。

对冲基金行业的增长¶

在探讨主要问题之前，值得考虑近年来对冲基金行业的增长，特别是与基金规模的关系。活跃的对冲基金数量在2010年至2018年间增长了一倍多，从约1700个增加到3800个。同样，这些基金管理的资产在此期间增长了一倍多，从1.4万亿美元增加到3.2万亿美元。

基金数量和管理的资产被分为五个规模组别：小于5000万美元；5000万至2.5亿美元；2.5亿至10亿美元；10亿至50亿美元；大于50亿美元。这些组别类似于股票中的微型股、小盘股、中盘股、大盘股和超大盘股，并在本文中以类似方式标记。

有趣的是，虽然近年来该行业有显著增长，但就基金规模而言，行业的整体状况保持了惊人的稳定。这适用于各规模组别中基金的比例和基金管理的资产。例如，考虑最大的规模组别，资产超过50亿美元的基金在2010年占基金总数的3.5%，在2018年占3.1%，而代表的资产从2010年的41.0%增加到2018年的41.5%。

这一趋势相当令人惊讶，确实有些违反直觉。鉴于整个对冲基金行业的显著增长，预期较大的规模组别会比较小的组别增长更多并非不合理。然而，行业的规模结构保持了非常稳定，各规模组别的增长相当均匀。

规模与对冲基金业绩¶

回到规模对对冲基金业绩影响的主要问题，下图显示了过去九年中五个规模组别的平均年度回报。虽然每年都有明显的差异，但总体趋势是可见的：较小的基金表现优于较大的同行，“微型”组的平均年度回报为7.7%，而“小型”组为6.6%，“中型”组为5.7%，“大型”组为5.6%，而“超大型”组为5.1%。

虽然存在明显的趋势，但回报差异的幅度可能并没有预期的那么大，特别是对于资产超过2.5亿美元的基金而言，鉴于机构投资者通常更大的资产基础和更高的运营标准，这代表了一个实际的门槛。2.5亿至10亿美元组别相对于大于50亿美元组别的平均年度超额回报相对温和，仅为0.6%（5.7%对5.1%）。

为什么规模效应可能不如最初想象的那么明显？或许在对冲基金的情况下，业绩费的存在确实对资产募集产生了一定的纪律。此外，对冲基金的存在理由在很大程度上是参与更小、更小众的市场，这可能使对冲基金经理对容量的限制更加敏感。此外，一些较大的基金由多个（在某些情况下是数百个）底层投资组合经理组成，因此理论上可以被视为几个较小基金的集合。一家大型、知名的多策略基金的创始人将他的基金比作一支由小而灵活的船只组成的船队，与一艘难以改变航向的大船形成对比。还需要注意的是，虽然受到投资规模不经济的影响，但较大的基金通常享有运营规模经济，例如在技术和基础设施、监管和合规以及融资等领域。

从数据中出现的另一个有趣特征是，规模“因素”的强度在过去三年中明显减弱。事实上，在此期间，各规模组别的平均年度回报相差无几，部分规模“曲线”实际上出现了倒置，中型组的平均年度回报低于超大型组（3.9%对4.4%）。这只是一个暂时的异常，还是更持久趋势的迹象？现在下结论还为时过早，但这是值得监测和重新审视的事情。然而，很难忽视近年来小盘股因子在股票中表现不佳的相似之处。实际上，两者可能存在因果关系，因为较小的股票基金往往比较大的基金对小盘股有更大的敞口。

风险¶

然而，回报只是故事的一半。那么风险呢？不同规模基金的风险特征是否存在类似的趋势？为了回答这个问题，我们研究了波动率和对全球股票的贝塔值。

在波动率方面，出现了明显的趋势：较小的基金比较大的同行更具波动性，“微型”组的平均年度波动率为11.3%，而“小型”组为9.4%，“中型”组为8.8%，“大型”组为8.3%，“超大型”组为8.0%。这一趋势也相当一致，与回报趋势的减弱形成鲜明对比。显然，为了获得较小基金的更高回报，需要付出更高波动率的代价。

股票贝塔值的情况相当有趣：存在一种“凹形”关系，最小和最大的基金表现出最高的贝塔值，而中型基金的贝塔值最低。更具体地说，“微型”和“超大型”组的平均年度贝塔值为0.38，而“小型”和“大型”组分别为0.33和0.34，“中型”组为0.31。

可能的解释是，较小的基金运行着更高的市场敞口，因为这些基金的经理经验较少，或因为较低的资产规模提供了更积极交易并承担更大风险的奢侈。较大的基金可能也运行着更高的市场敞口，因为在大规模管理对冲组合的困难以及此类基金的长期性质。相比之下，中型基金似乎存在一个甜蜜点，其中中型经理可能已经成熟到远离贝塔，而基金的规模又不足以受到较大资产基础的限制。

回报差异¶

虽然较小的基金表现出了比较大的同行更高的回报，但每个规模组别内的结果范围如何？下图显示了五个规模组别中基金年度回报的标准差（作为变异性的度量）。虽然每年都有明显的差异，但总体趋势非常清晰：较小基金的回报变异明显高于较大基金，“微型”组年度回报的平均标准差为16.5%，而“小型”组为13.7%，“中型”组为11.6%，“大型”组为10.6%，“超大型”组为9.7%。请注意，最小组别的回报标准差平均比最大组别高出1.7倍（16.5%对9.7%）。

这种趋势并不完全令人惊讶：假设较小基金之间存在更大的差异性是合理的，因为较小的基金往往更具企业家精神，因此产生更广泛的结果，而在规模上差异化的空间较小。

虽然较小的基金提供了最大的潜在回报，但它们也带来了最大的风险，不仅在于前一节中看到的更高波动率和更高股票贝塔值，还在于更高的“执行”风险，鉴于回报的更大变异性。显然，在较小的基金中有更大机会找到“钻石”（类似于股票投资者在小盘股中往往有更多机会），但也有更大风险遇到“坏球”，因此增加了声誉风险。

关键结果总结¶

下表总结了上述分析的关键结果。请注意，该表包括夏普比率，试图结合回报和波动率统计数据（这些是根据前述的回报和波动率统计数据得出的，九年期间以3个月的美元LIBOR作为无风险利率）。由于当回报转为负值时，夏普比率的含义会失效（如2011年和2018年），因此没有像之前的其他统计数据那样以年度形式呈现夏普比率。

虽然夏普比率随着资产增加而呈现下降趋势，但这一趋势并不均匀，结果显示，想要最大化夏普比率的投资者可能希望将目标锁定在资产在5000万至2.5亿美元之间的基金。

结论¶

对冲基金经理可能以与众不同为荣，但至少在规模方面，他们并未免于其纯多头同行广为人知的规模不经济效应。尽管如此，规模对回报的影响并不像人们预期的那样大，特别是对于资产超过2.5亿美元的基金而言，这对于许多机构配置者来说是一个实际的门槛。同样值得注意的是，过去三年中规模因子的明显减弱。此外，虽然较小的基金提供了最大的潜在回报，但它们也带来了更大的风险，包括更高的波动率、股票贝塔值和回报可变性。对于愿意且能够降低规模曲线的配置者来说，存在潜在的回报，但也有更大的执行和声誉风险。因此，在考虑较小基金时，健全的投资和运营尽职调查过程变得尤为关键。

换句话说，每个对冲基金都是独特的，因此每个基金都需要根据自身的优点进行考虑，考虑各种因素，包括通用的和特定的。然而，规模显然是一个不容忽视的因素。因为，虽然可能更像是房间里的针鼹而非大象，规模是对冲基金投资者在投资配置决策中应明智地仔细权衡的因素。

进一步研究¶

对冲基金策略之间的规模因子是否有所不同？假设某些策略对资产增长更为敏感是合理的，例如与流动性较低的资产、高杠杆或高周转率相关的策略。对于高度杠杆化的固定收益相对价值基金和高周转率的统计套利基金，随着资产增加，回报是否更快下降？相比之下，与流动性更高的资产相关的策略，如全球宏观和CTA，可能对资产增长不太敏感。在多策略基金的情况下，甚至可能存在一种反向关系，鉴于运营规模经济对这类基金特别重要。需要进一步的工作深入挖掘数据并研究这些关系。

另一个值得进一步研究的领域是基金年龄与业绩之间的关系。“年轻枪手”的成功渴望是否提供了优势，还是“老手”的经验才是真正重要的？由于较小的基金往往较新，或许年龄而非规模才是业绩的真正区分因素！

关于LLMQuant¶

LLMQuant是由一群来自世界顶尖高校和量化金融从业人员组成的前沿社区，致力于探索人工智能（AI）与量化（Quant）领域的无限可能。我们的团队成员来自剑桥大学、牛津大学、哈佛大学、苏黎世联邦理工学院、北京大学、中科大等世界知名高校，外部顾问来自Microsoft、HSBC、Citadel、Man Group、Citi、Jump Trading、国内顶尖私募等一流企业。

关于社区名¶

是目前人工智能和金融最热门的两个话题，我们探索的课题包括生成式AI技术和传统机器学习ML在量化金融和传统金融的应用，我们的目标是发现人工智能在金融/量化研究场景下可行的解决方案