量化投資與機器學習微信公眾號，是業內垂直於量化投資、對沖基金、Fintech、人工智慧、大數據等領域的主流自媒體。公眾號擁有來自公募、私募、券商、期貨、銀行、保險、高校等行業30W+關注者，曾榮獲AMMA優秀品牌力、優秀洞察力大獎，連續4年被騰訊雲+社區評選為「年度最佳作者」。
兩位作者來自高金（SAIF）
這篇論文的結論很有意思，通過深度學習技術研究發現：
低顏值的基金經理的業績表現要優於 高顏值的基金經理
- 高顏值 的基金經理會吸引更多資金流，並有更大的晉升機會
- 男性 基金經理的顏值對基金業績有顯著的負面影響
- 女性 基金經理的顏值高低之間沒有顯著的業績差異
- 擁有 學士學位 的高顏值基金經理明顯表現不佳
擁有 博士學位的基金經理外表吸引力得分的影響較小
低顏值的基金經理擁有更高的選股能力
高顏值的基金經理在工作中付出的努力較少，而表現出過於自信的行為
- 高顏值 的基金經理在實地考察中缺乏效率
低顏值的基金經理的業績表現要優於 高顏值的基金經理
擁有 博士學位的基金經理外表吸引力得分的影響較小
低顏值的基金經理擁有更高的選股能力
高顏值的基金經理在工作中付出的努力較少，而表現出過於自信的行為
作者從中國證券投資基金業協會官網、Choice和新浪獲得1677位股票型基金經理的照片。
根據作者描述，這是經濟學術界首次使用深度學習模型來量化面部吸引力的研究。
到底咋研究的？
作者基於Wind拿到了股票型基金和混合型基金的凈值等數據（樣本期為2005年1月至2020年12月）。為進一步保證數據質量，作者將基金時間限制在12個月以上，凈資產總額大於100萬元人民幣。最終得到了1402份獨立基金和相應的1677位基金經理。樣本不存在倖存者偏差。對於樣本中的每隻基金，包含如基金名稱、基金經理、收益、資產規模、費用比率等相關數據。
此外，每個基金平均同時擁有1.24名基金經理，平均任期為33.5個月。在1677名經理樣本中，有267名女性和1410名男性。
其中，1398名管理者擁有碩士學位，60名管理者擁有學士學位，219名管理者擁有博士學位。
關鍵部分來了~
作者基於Liang*等人的尖端美貌預測技術量化基金經理的面部吸引力：
*Liang, Lingyu, Luojun Lin, Lianwen Jin, Duorui Xie, and Mengru Li (2018) 「SCUTFBP5500: a diverse benchmark dataset for multi-paradigm facial beauty prediction,」 in 2018 24th International Conference on Pattern Recognition (ICPR), 1598–1603, IEEE.
他們利用深度學習模型進行面部容貌預測。具體來說，他們收集了一個龐大而多樣的數據集，其中包含2000名亞洲男性、2000名亞洲女性、750名高加索男性和750名高加索女性的照片。
然後，讓60名志願者給這些照片打分，分值範圍從1分到5分，其中5分表示吸引力最高。因此，每張照片將有60個評分者，平均分數將是該照片的最終分數。
Liang等人訓練了一個卷積神經網絡，該網絡以照片作為輸入，分數作為標籤。這個過程本質上類似於監督學習。經過訓練的神經網絡能夠複製人類評分者的評分結果。一旦訓練好神經網絡，它就可以用來預測訓練集之外的照片的容貌評分。
下表描述了了基金經理面部吸引力得分的匯總統計。平均得分為2.88分，標準差為0.51分。
上面大概講了數據哪裡來的，技術怎麼做的，下面看看結論怎麼得的。
結論怎麼得的？
作者通過形成投資組合來開始分析基金經理外表吸引力與基金業績之間的關係。
具體來說，在每個月月底，根據基金經理的面部吸引力得分，將所有股票型基金分為五等分組合。分數是根據上文Liang等人的深度學習方法獲得的。對於有多個基金經理的基金，使用這些基金經理的平均得分作為基金的得分。在有多個經理的基金中，無論我使用經理的最高分還是最低值，結果都是穩健的。
投資組合每個月形成，分別持有0、1-3和4-12個月。由於投資組合每個月都形成，但持有多個月，遵循Jegadeesh和Titman(1993)來處理重疊的月份。採用無風險利率月超額收益率、CAPM alpha、Fama-French 3因子Alpha和Fama-French 5因子Alpha作為績效指標。其形成了等權和價值加權的投資組合。
Panel B展示等權投資組合的結果。結果表明，面部吸引力得分低的基金表現優於面部吸引力得分高的基金。儘管結果並不顯著，但所有績效指標都表現優異。
作者還採用回歸分析的方法來研究基金業績與基金經理人面部吸引力之間的關係：
具體解釋大家自己看論文便知，再次不再闡述。
核心結論：
下表的第(1)-(4)列顯示了使用全樣本的結果，第(5)-(8)列顯示了使用大型基金的子樣本的結果。作者發現基金經理吸引力與基金業績呈顯著負相關。在8種回歸中，有6種吸引力得分的係數在5%水平上顯著。在全樣本回歸中，吸引力得分每增加1分，quarterly alpha值就會下降0.26 ~ 0.3。對比列(3)和列(1)，吸引力得分係數在控制其他經理級特徵後仍然顯著，這表明經理吸引力得分提供了經理教育、任期、性別和其他已知面部特徵無法捕捉到的額外信息。
在組合排序部分，作者發現價值加權組合的收益差異比等權組合更顯著。因此，需要格外關注總凈資產在樣本基金中排名前三分之一的大型基金，發現結果確實變得更強了。尚表的第(5)-(8)列表明，無論我們控制基金特徵還是經理特徵，基金業績與經理吸引力之間的負相關關係都是顯著的。吸引力分數每增加1分，quarterly alpha值就會下降0.53到0.57。
總體而言，基於回歸的分析進一步支持了這一發現，即顏值較低的基金經理的業績表現要優於那些顏值較高的基金經理。
為了捕捉基金經理面部吸引力得分的異質性影響，作者進一步研究了基金經理的子樣本，結論看下錶：
作者根據管理者的性別和受教育程度對整個樣本進行了劃分，我們發現：
只有男性基金經理的面部吸引力得分對基金業績有顯著的負面影響
對於女性基金經來說，顏值高和顏值低之間沒有顯著的業績差異
只有男性基金經理的面部吸引力得分對基金業績有顯著的負面影響
對於女性基金經來說，顏值高和顏值低之間沒有顯著的業績差異
另一個有趣的發現是在所有教育水平中：
擁有學士學位的高顏值基金經理表現明顯不佳
- 擁有博士學位的基金經理外表吸引力得分的影響較小
擁有學士學位的高顏值基金經理表現明顯不佳
作者還是基於回歸的方法研究了資金流量與經理人吸引力之間的關係。
具體解釋大家自己看論文便知，再次不再闡述。
核心結論：
下表第一列中，我們發現經理吸引力得分每增加一個等級，導致資金流量增加1.86% (t-stat = 2.69)。控制基金特徵和管理者特徵更強化了我們的結果，如第二列所示。這些結果表明，高顏值經理在吸引資金流動方面具有優勢。
作者還發現基金過去收益與未來流入量之間存在正相關關係，在第三次回歸中，作者添加了一個交互項(Scorei,t × MOMi,t)，其係數捕獲了經理吸引力與基金過去業績之間的交互效應。相互作用係數為0.67 (t-stat=3.18)，說明高顏值經理在之前業績較好的情況下可以吸引更多的資金流入，得分係數仍然顯著。這表明投資者更喜歡高顏值的經理人，而不管他們的業績如何。
此外，作者認為2012年是基金行業的重大事件年，因為中國證監會開始允許三方財富機構代銷基金。通過在第五次回歸中加入一個相互作用項(Scorei,t × post)來研究這種效應。由於我們控制了年份固定效應，所以沒有在回歸中添加虛擬變量(Postt)。第(5)列報告了交互項的顯著正係數(2.69,t-stat = 2.19)，這意味著在2012年後，高分經理的基金吸引了更多的資金流入。
最後
論文後面還說了很多，再次不再闡述，大家有興趣可以自己讀讀！好不好留給大家評論吧~