机构投资者抱团(Louvain社团发现)
「机构投资者抱团(Louvain社团发现)」，覆盖 2003-2025 年，频率 年度，上市公司层级，含 22 个变量，样本量约 61,049。 参考吴晓晖等(2019, 中国工业经济)的方法度量机构投资者抱团：以机构母体年末共同持股(各自占流通A股比例均不低于5%)构建全市场机构关系网络，用Louvai
| 时间跨度 | 2003-2025 年 |
|---|---|
| 数据频率 | 年度 |
| 层级 | 上市公司 |
| 变量数 | 22 |
| 样本量 | 61,049 |
| 是否可合并 | 可与同主体数据集合并 |
字段字典
- Symbol [证券代码] — 以交易所公布的证券代码为准,6位数字
- StkName [证券简称] — 证券简称
- Year [年度] — 统计年度
- Province [省份] — 公司注册所在省份
- ProvinceCode [省份代码] — 省份行政区划代码(6位)
- City [城市] — 公司注册所在城市
- CityCode [城市代码] — 城市行政区划代码(6位)
- County [区县] — 公司注册所在区县
- CountyCode [区县代码] — 区县行政区划代码(6位)
- IndustryCode [行业代码] — 中上协行业分类代码
- IndustryName [行业名称] — 中上协行业分类名称
- insthold [机构总持股比例] — 参考吴晓晖、郭晓冬、乔政(2019, 中国工业经济)的方法，计算公式为：年末持有该公司股份的全部机构投资者(机构母体口径)持股占流通A股比例之和。中间变量，作为各团体持股比例类指标的分母，非核心研究变量。单位：%
- InstCount [持股机构母体数] — 年末持有该公司股份的机构投资者母体(去重)数量。中间结构计数，反映机构持股广度，非核心研究变量。
- CliqueInstCount [抱团机构母体数] — 年末持有该公司股份且被识别为机构团体成员的机构母体数量。中间结构计数，非核心研究变量。
- CliqueCount [持股团体数] — 年末持有该公司股份的不同机构投资者团体个数。中间结构计数，非核心研究变量。
- CliqueOwnership [机构团体持股比例] — 参考吴晓晖、郭晓冬、乔政(2019, 中国工业经济)式(1)，计算公式为：sum_j λ_j×1(机构j属于任意团体)，其中λ_j为机构母体j年末持有该公司占流通A股的比例，1(.)为机构j是否属于机构团体的虚拟变量(属于=1)。核心研究变量，值越大代表机构投资者抱团持股程度越高(被抱团机构持有的流通股比例越大)。单位：%
- CliqueHerfindahl [团体持股赫芬达尔指数] — 参考吴晓晖等(2019, 中国工业经济)的方法，计算公式为：每个机构团体全部成员持股比例之和的平方，再跨所有团体加总。核心研究变量，值越大代表团体持股越向少数大团体集中。
- CliqueOwnTop1 [最大团体持股比例] — 参考吴晓晖等(2019, 中国工业经济)的方法，计算公式为：年末持股比例最大的单个机构团体的持股比例(该团体全部成员持股占流通A股之和)。核心研究变量，值越大代表第一大抱团团体的持股集中度越高。单位：%
- CliqueOwnRatio [团体持股占机构持股比重] — 参考吴晓晖等(2019, 中国工业经济)的方法，计算公式为：机构团体持股比例÷全部机构持股比例(CliqueOwnership/insthold)。核心研究变量，取值0至1，值越大代表抱团机构在全部机构持股中占比越高。
- CliqueHerfindahlRatio [团体赫芬达尔占机构持股比重] — 参考吴晓晖等(2019, 中国工业经济)的方法，计算公式为：团体持股赫芬达尔指数÷全部机构持股比例(CliqueHerfindahl/insthold)。核心研究变量，值越大代表团体持股集中度相对全部机构持股越高。
- CliqueOwnTop1Ratio [最大团体持股占机构持股比重] — 参考吴晓晖等(2019, 中国工业经济)的方法，计算公式为：最大团体持股比例÷全部机构持股比例(CliqueOwnTop1/insthold)。核心研究变量，取值0至1，值越大代表第一大团体持股在全部机构持股中占比越高。
- IsCliqueHeld [是否被抱团机构持有] — 是否被机构投资者团体持有(0=否，1=是)，即机构团体持股比例CliqueOwnership>0。值为1代表该公司年末至少被一个机构团体成员持有。
常见问题
- 「机构投资者抱团(Louvain社团发现)」是什么数据集？
- 机构投资者抱团(Louvain社团发现)，隶属股权结构。参考吴晓晖等(2019, 中国工业经济)的方法度量机构投资者抱团：以机构母体年末共同持股(各自占流通A股比例均不低于5%)构建全市场机构关系网络，用Louvai
- 该数据集的时间范围是？
- 覆盖 2003-2025 年。
- 包含哪些变量/指标？
- 共 22 个变量。核心指标包括：机构总持股比例、持股机构母体数、抱团机构母体数、持股团体数、机构团体持股比例、团体持股赫芬达尔指数、最大团体持股比例、团体持股占机构持股比重、团体赫芬达尔占机构持股比重、最大团体持股占机构持股比重、是否被抱团机构持有。完整字段清单（变量名·中文名·说明）见页面「字段字典」。
- 数据频率和层级是怎样的？
- 频率为年度，上市公司层级。
- 样本量有多大？
- 约 61,049 条观测。
- 数据是如何测算/获取的？
- 指标定义与计算方法 机构投资者抱团刻画的是不同机构投资者公司之间因长期共同重仓相同标的而形成的隐性联盟关系。当一组机构在同一批公司上反复同进同退时，组内信息更易流动、协同更容易达成，其集体行为对所持公司的治理与股价表现具有不同于分散持股的影响。本指标体系参考吴晓晖、郭晓冬、乔政（2019, 中国工业经济）的方法，分两步从全市场机构持股关系中识别机构团体，并在公司层面度量其抱团持股水平。 第一步是构建机构投资者关系网络并提取团体。以机构投资者公司（母体口径，将同一基金管理公司旗下各产品、同一保险/信托/券商主体旗下各账户合并为一个节点）为网络节点。对任意两家机构母体 $i$ 与 $j$，若它们在年末至少共同持有某一家公司、且各自持有该公司的股份占其流通A股的比例均不低于 $5\%$，则在二者之间建立一条连接，$X{ij}=1$，否则 $X{ij}=0$；不论两家机构共同重仓多少只股票，只要存在任意一只同时满足上述阈值即建立连接。由此得到全部机构母体两两之间的 0-1 邻接矩阵 $A$。在此网络上采用 Blondel 等（2008）提出的 Louvain 算法，以模块度最大化为目标近似识别社团：组内机构之间的连接紧密程度显著高于其与组外机构的连接。算法将每家机构分配到某个团体或指定为非团体机构——本实现将社团成员数不少于 2 且社团内部存在实际连边者认定为机构团体，无连边的孤立节点视为非团体机构。 第二步是在公司层面度量机构团体持股。对每家公司 $i$，其机构团体持股比例定义为 $$CliqueOwnership{i}=\sum{j=1}^{N}\lambda{i,j}\cdot \mathbf{1}\!\left(CliqueInstitution{j}\right)$$ 其中 $\lambda{i,j}$ 为机构母体 $j$ 年末持有公司 $i$ 的股份占该公司流通A股的比例，$\mathbf{1}(\cdot)$ 为机构 $j$ 是否属于任意机构团体的示性变量（属于团体取 1，否则取 0）。该值越大，说明被抱团机构持有的流通股比例越高，即公司被机构抱团的程度越强。 在此基础上进一步刻画团体持股的集中度。机构团体持股的赫芬达尔指数等于每个机构团体全部成员持股比例之和的平方、再跨所有团体加总，反映团体持股是否向少数大团体集中；最大团体持股比例取持股比例最大的单个机构团体（其全部成员持股之和）的取值，刻画第一大抱团团体的持股强度。为剥离整体机构持股水平的影响，将上述三个指标分别除以同一公司年末全部机构投资者持股占流通A股比例之和（记为 $insthold$），得到团体持股、团体赫芬达尔指数与最大团体持股相对全部机构持股的占比；其中团体持股占比 $CliqueOwnership/insthold$ 与最大团体持股占比 $CliqueOwnTop1/insthold$ 取值介于 0 与 1 之间，越大表示抱团机构在全部机构持股中越占主导。此外以是否被任一机构团体持有构造二元标识。 补充说明 - 网络与团体识别均以年末口径进行：节点的共同持股关系、团体归属以及 $\lambda$ 均取自当年年末的机构持股，与公司层面年度变量保持一致。 - 节点统一为机构母体：公募基金按基金管理公司合并旗下全部产品；保险、信托、券商及其资管产品、私募及专户等按其法人主体合并旗下各账户后再判定持股比例与建立连接；剔除券商融资融券担保、约定购回、超额配售等非投资组合性质账户，以及作为名义持有人的中央结算机构。 - 公司持股占比一律以流通A股为分母计算，对各机构母体先在公司层面合计持股、再据此判定 $5\%$ 建边阈值与计算 $\lambda$。 - 样本覆盖全部A股上市公司，研究者可按需筛选行业与年度子样本；早期年份机构持股较为稀疏，使用时宜结合研究窗口审慎处理。 参考文献 - 吴晓晖, 郭晓冬, 乔政. 机构投资者抱团与股价崩盘风险[J]. 中国工业经济, 2019(02): 117-135. - Crane A D, Koch A, Michenaud S. Institutional investor cliques and governance[J]. Journal of Financial Economics, 2019, 133(1): 175-197. - Blondel V D, Guillaume J L, Lambiotte R, et al. Fast unfolding of communities in large networks[J]. Journal of Statistical Mechanics: Theory and Experiment, 2008, 2008(10): P10008.
- 如何获取该数据集？
- 通过站内对应淘宝链接下单后，客服发放兑换码；在站内"兑换"页输入兑换码即可获得下载权益并下载。