Incentive Fee Fund Performance Evaluation and Multi-Dimensional Risk Classification using Self-Organizing Maps

Abstract

Vi undersøker prestasjon og kartlegger måten aksjefond med resultatbasert forvaltningsgodtgjørelse som er registrerte på Oslo Børs i perioden 2000-2018 tar risiko på. Vi kartlegger risikoegenskaper ved et selvorganiserende kart, som er et uovervåket nevralt nettverk, og klynger utdataen fra kartet ved k-means- og hierarkisk gruppering. Noen forvaltere av insentivfond øker volatiliteten og markedsbetaen i forsøk på å tjene positive resultatavhengige honorarer. I kontrast til det, tar andre nyansert eksponering for systematiske eller usystematiske faktorer for å slå sin referanseindeks, kanskje i troen på egen dyktighet. Når vi vurderer atferd for risikoendring, finner vi indikasjon på at insentivkontrakter forsterker konveksiteten fra tegningsinsentiver. Når det gjelder prestasjon, finner vi ingen verifikasjon av noen teoretisk tilbøyelighet for at insentivfond tiltrekker seg de beste eller hardest arbeidende forvalterne.

We examine the performance and map the risk-taking behaviour of incentive fee equity funds registered on the Oslo Stock Exchange in the period 2000-2018. We map risk properties by a self-organizing map, which is an unsupervised neural network, and cluster its output using the k-means and the hierarchical clustering algorithms. Some incentive fee fund managers increase volatility and market beta in attempt to earn positive fees. In contrast, others take nuanced exposure to systematic or unsystematic factors to beat their benchmark, perhaps in the belief of possessing skill. Assessing risk-changing behaviour, we find indication that incentive contracts add to the convexity of flow-related incentives. For performance, we find no verification of any theoretical inclination that incentive fee funds attract the best or hardest-working managers.