顾问激励对客户投资的影响

《JOURNAL OF FINANCE》：The Effect of Advisors' Incentives on Clients' Investments

　　**摘要**

我们利用一家投资公司的详细数据以及可靠的识别策略，来估计财务顾问的激励措施对客户投资的影响。通过分析2018年实施的《金融工具市场指令II》（MiFID II）所引发的自然实验，我们发现客户的投资对顾问激励措施的变化反应强烈。顾问通过多种机制做出响应：（i）吸引现有客户投入新资金；（ii）将资金引导至高激励机制的基金；（iii）吸引更多新客户。我们还发现，MiFID II改革带来了更加平衡的激励机制，这体现在平均费用降低和投资组合多样性提高上。许多家庭依赖财务顾问来帮助他们选择投资产品。在过去20年里，世界各地的政府都推出了改革措施，以严格监管顾问与其客户之间的关系以及用于激励顾问的报酬结构。这些改革的出发点是认为，以卖方佣金形式的报酬会导致顾问偏爱某些产品，从而扭曲客户的购买决策。大量研究表明，依赖顾问的客户往往比独立决策的客户持有更糟糕的投资组合（参见Hackethal等人（2010）的研究）。由于现有研究的重点通常在于顾问的薪酬方式（Reuter和Schoar（2024）），遗憾的是缺乏对个别顾问薪酬合同的详细信息。然而，如果不将这些合同与客户的投资行为联系起来，就难以全面了解激励措施的实际效果。例如，无法估算出顾问薪酬变化对客户投资的传导弹性（即变化如何影响客户投资行为），从而也无法评估哪些类型的客户会对政策引发的激励变化反应更强烈。缺乏详细的微观数据也使得研究顾问和客户如何调整行为以应对薪酬变化变得困难，也无法比较不同合同安排下的潜在投资回报。在本文中，我们通过利用一家中等规模西班牙投资公司的内部行政记录来解答这些问题。该公司管理着大量不同投资风格的共同基金，并向客户收取不同的管理费。这些基金通过财务顾问网络进行销售，顾问与客户保持着长期的合作关系。利用公司记录，我们能够计算出2015至2020年间每位客户在每只基金中的投资持仓和资金流动情况。关键的是，我们还能测量客户顾问从每只基金中获得的报酬，这种报酬以“牵引费”的形式存在（即每月向客户收取的基金管理费的一部分）。为了识别顾问薪酬变化的影响，我们利用了欧盟层面的《金融工具市场指令II》（MiFID II）这一全面监管改革所带来的自然实验。这项改革旨在提升金融市场中的投资者保护和透明度。由于历史原因（详见第一节），2018年之前顾问所获得的佣金（以及相应的牵引费）在不同顾问和不同基金之间存在差异。为了减少利益冲突，该公司在2018年采纳了统一的薪酬政策，使得所有顾问和所有基金的佣金趋于均衡，从而在顾问内部产生了可视为外生的时间序列变化。这种变化构成了我们采用“差异中的差异中的差异”（DiDiD）分析方法的基础，该方法能够得出具有合理因果关系的估计结果。我们首先利用上述自然实验来估计牵引费对现有客户（即在2018年之前和之后都与该公司有业务往来的客户）投资的影响。通过构建包含客户、基金和月份的面板数据集，我们的DiDiD方法在控制三个维度所有组合交互作用的同时，利用了费用的时间变化。基准结果显示，顾问从某只基金获得的牵引费增加10%，会导致该客户在该基金中的投资持仓增加4.6%。DiDiD设计的可信性依赖于一个假设：没有任何其他因素会因牵引费的变化而影响客户的投资决策。为了验证这一假设，我们将牵引费的变化与政策实施前后的时间序列数据进行了交叉分析。结果发现，在政策变动前，牵引费的变化并未对客户投资行为产生显著影响，这支持了我们的识别策略。滞后分析也提供了有力证据，表明客户的投资行为迅速适应了新的激励措施，并在12个月内持续做出了调整。

我们论文的一个重要贡献是揭示了顾问如何通过不同机制影响客户的投资决策：（i）当客户向公司的基金中投入新资金时；（ii）当客户从基金中提取资金时；（iii）当客户在自身基金组合内重新分配资金时。我们发现，在客户向顾问收取较高牵引费的基金中，新资金投入的比例更大。这一发现进一步证实了顾问能够引导客户做出符合自身激励机制的投资选择。值得注意的是，新客户（即向公司注入新资金的客户）对激励变化的反应更为显著。再次利用上述自然实验，我们估算出新客户投资行为对牵引费变化的弹性为149%，这一弹性是现有客户的三倍，说明在客户注入新资金的情况下，顾问的影响力更大。结果还表明，当经济环境中顾问与客户的关系频繁变动时，政策带来的激励变化所产生的总体影响可能会更加显著。我们进一步探讨了顾问在激励变化后调整行为的多种方式，发现激励变化较大的顾问会：（i）促使现有客户向公司的基金中投入更多资金；（ii）付出更多努力吸引新客户。总体而言，这些发现揭示了顾问在试图最大化自身报酬时所使用的手段及其面临的限制。例如，顾问会试图让现有客户投资于他们更偏好的基金，但只有在客户注入新资金的情况下才能成功实现这一点。因此，面临激励变化较大的顾问会更加努力地吸引新客户。最后，我们分析了2018年的激励变化是否带来了更有效的投资组合。结果显示，新客户的投资组合夏普比率在政策实施后有所提高，尤其是那些激励更为均衡的顾问所服务的客户。我们确定了两项促进这一积极变化的因素：首先，新的激励机制促使顾问推荐费用较低的基金，从而提升了回报；其次，投资组合的多样性增加，进一步提高了整体收益。总体而言，证据表明MiFID II的改革对本文研究中的客户有益。虽然我们的主要关注点是顾问的激励机制，但研究结果也揭示了MiFID II的更广泛影响，该改革旨在改善投资者保护并减少金融市场中的利益冲突。此外，越来越多的证据表明，散户投资者的金融知识水平往往不足以独立做出明智的投资决策（参见Lusardi和Mitchell（2011, 2014）、Hastings、Madrian和Skimmyhorn（2013）的研究）。此外，顾问还能提供诸如降低风险感知等附加价值（参见Gennaioli、Shleifer和Vishny（2015）的研究）。因此，监管机构通常会关注顾问的薪酬安排，同时继续鼓励投资者寻求顾问的建议。我们的研究表明，通过调整顾问的薪酬合同，确实可以在客户-顾问关系中改善投资策略。

**注释**

1. 本文使用了来自一家投资公司的微观数据及可靠的客户识别方法，以评估财务顾问激励措施对客户投资的影响。
2. MiFID II改革通过平衡顾问的薪酬结构，降低了平均费用并提高了投资组合的多样性，从而提升了投资效率。
3. 由于历史原因，2018年之前顾问的佣金存在明显差异；为减少利益冲突，该公司采用了统一的薪酬政策，导致顾问和不同基金之间的佣金趋于均衡。这种变化为基于“差异中的差异中的差异”（DiDiD）方法的分析提供了数据基础。
4. 我们通过分析2015至2020年间每位客户在每只基金中的投资行为及顾问从中获得的报酬（牵引费），发现了牵引费变化对客户投资的具体影响。
5. 我们利用MiFID II改革引发的自然实验，评估了牵引费变化对现有客户（即2018年前后都与该公司有业务往来的客户）投资的影响。
6. DiDiD方法通过控制三个维度的所有组合交互作用，有效利用了费用的变化。
7. 我们的研究发现，顾问薪酬增加10%会导致客户在该基金中的投资持仓增加4.6%。
8. 我们通过将牵引费变化与政策实施前后的时间序列数据交叉分析，验证了这一假设的有效性。
9. 顾问激励变化对新客户的影响尤为显著，这表明新客户（即注入新资金的客户）对激励变化的反应更为敏感。
10. 结果表明，顾问在激励变化较大时会更加努力吸引新客户，并通过调整策略促使现有客户向他们更偏好的基金投资。
11. 研究还发现，任何政策引发的激励变化在顾问-客户关系频繁变动的经济环境中可能产生更大影响。查尔默斯和鲁特尔（2020年）在这一点上取得了进展，他们研究了一个定义明确的贡献退休计划，该计划在2007年从提供咨询服务的投资提供商转向了另一个不提供咨询服务（但提供了高质量默认计划的提供商）。这一变化导致大量原本不情愿进行自主投资的客户，他们的账户表现比如果他们仍能获得咨询服务时要好。我们的研究结果证实了总体发现，即顾问倾向于推荐（而客户也倾向于购买）佣金较高的产品，而不是更符合客户需求的产品。然而，我们的实证研究环境与以往关于激励不匹配的研究有所不同，因为我们能够观察到哪位顾问在为哪位客户提供咨询，并且我们测量了每位顾问在每种产品上获得的激励。结合我们能够利用这些激励的外部变化的能力，这使我们有能力从三个方向上进一步理解咨询中的扭曲现象。首先，我们是第一个直接计算客户-顾问对内佣金与投资之间关系的弹性的人。虽然之前的研究比较了有顾问和没有顾问的客户或产品，但我们保持顾问关系不变，并考察了客户投资在顾问激励变化时的变化程度。我们还进一步评估了这种变化对客户投资组合的表现和相关福利的影响。这些对于任何旨在在保持专业咨询的同时减少激励不匹配的政策提案都非常重要（鲁特尔和肖尔，2024年）。本文对客户-顾问关系的关注与那些研究顾问对其客户投资影响的研究相呼应（福斯特等人，2017年；斯托尔珀和沃尔特，2019年；林纳宁玛、梅尔策和普雷维特罗，2021年）。当然，由于我们强调顾问激励的具体效果，我们的研究与其他研究有所不同。其次，我们对顾问-客户关系的关注使我们能够研究顾问如何诱导他们偏好的投资。这里的主要发现是，当总体投资规模没有增长时，顾问发现很难重新分配客户的投资。相比之下，当客户带来新的资金进行管理时，顾问更容易诱导他们投资于新激励下的产品。这意味着顾问在新客户身上比在现有客户身上更成功，因为新客户会为公司带来新的资金。第三，我们能够随着时间跟踪顾问的行为，从而研究他们对激励变化的反应的其他方面，例如他们是否更加努力地鼓励现有客户进行新的投资或吸引新客户。我们认为，这些额外的效应与新资金有助于诱导投资的重新分配是一致的。

本文的结构如下。第一部分描述了研究制度环境并简要讨论了数据。第二部分研究了激励对现有客户和新客户的治疗效果，并分析了这些效果产生的机制。第三部分，我们探讨了激励变化后顾问改变行为的额外渠道。第四部分，我们研究了顾问的激励如何影响客户投资组合的整体效率。第五部分讨论了外部有效性并总结全文。

本文使用的数据涵盖了2015年1月至2020年12月期间，这些数据是在严格的保密协议下提供给我们的。我们现在描述我们的研究背景，并讨论了样本公司、客户和顾问的总结统计信息。

A. 公司产品与收入

该公司代表这些基金的参与者积极管理着大量的共同基金（内部基金）。这些基金涵盖了多种投资风格和风险特征，包括以各种国家股票指数为基准的股票基金、固定收益基金以及同时投资于股票和固定收益证券的平衡基金。此外，该公司还提供经纪服务。因此，客户可以通过该公司获得的产品既包括内部基金，也包括其他公司管理的基金（外部产品），如股票、债券、投资基金、期货和期权。实际上，大多数客户将他们的大部分资金投资于内部基金。公司在内部基金上的管理费用表现为客户持有基金金额的百分比。这些费用百分比在我们的样本中有所不同，通常为年百分比1.5%，最高的百分比是最低百分比的两倍以上。费用百分比在不同客户或顾问之间没有变化，在整个样本期间保持不变。

B. 客户

我们的样本包括最多6,132名客户。我们排除了173名本身就是顾问或其近亲的客户。表I（A面板）展示了客户的总结统计信息。平均客户出生于1963年，并于2007年加入了该公司。

表I. 总结统计信息

该表显示了客户（A面板）、西班牙基金投资者（B面板）、顾问（C面板）以及基线客户-基金-月份数据集中的观察记录的总结统计信息。最后一列显示了变量不缺失的观察记录的比例。“金融教育虚拟变量”是根据客户在MiFID II调查中需要填写的问卷构建的。有四个可能的答案：(a) 无大学教育；(b) 大学教育与数学或经济学无关；(c) 大学教育与数学或经济学相关；(d) 专门针对金融市场和投资基金的教育。如果客户选择了(c)或(d)，该变量的值为1。“金融职业虚拟变量”用于捕捉客户“是否从事或曾经从事与金融市场相关的职业”。有四个可能的答案：(a) 我从未从事过与金融市场相关的职业；(b) 我的工作偶尔与金融市场相关；(c) 我曾经从事过与金融市场相关的职业；(d) 我现在从事与金融市场相关的职业。如果客户选择了(c)或(d)，该变量的值为1。“金融知识虚拟变量”是根据调查客户是否熟悉“投资基金的性质、特征和风险”来构建的。具体问题涉及“对所推荐产品的风险了解程度”。有四个可能的答案：(a) 我完全不理解这些术语；(b) 我理解一些术语及其描述；(c) 我理解所有术语及其一般功能；(d) 我详细理解所有术语及其功能。如果客户选择了(c)或(d)，该变量的值为1。“高收入虚拟变量”是根据客户在MiFID II调查中需要填写的问卷构建的。客户需要报告他们的收入属于哪个区间：(a) 0–20,000欧元；(b) 20,000–60,000欧元；(c) 60,000–100,000欧元；(d) 超过100,000欧元。如果客户选择了(c)或(d)，该变量的值为1。“客户总投资”是指客户在平均每月内的总投资，包括基线数据集中的基金和外部产品。“在外部产品中的投资份额”是指客户在该公司投资于非内部产品的金额，涵盖样本中的所有客户。“总资产”也是基于MiFID II问卷的答案得出的。“在基金中的投资”是指受访者在所有公司中投资基金的金额。“顾问加入年份”是指顾问加入公司的年份。“2010年后虚拟变量”在顾问于2010年或之后加入公司时取值为1。“认证虚拟变量”在顾问在2020年12月之前获得了CISI（特许证券和投资研究所）和EFPA（欧洲财务规划协会）认可的至少一个财务顾问资格时取值为1。“客户数量”是指2015年至2020年期间顾问的客户总数。“年度薪酬”是指顾问从内部和外部分别收到的佣金总和。“正投资虚拟变量”在客户在该月投资于基金时取值为1。“投资额”是指该月在基金中的投资金额。“总投资份额”是指客户总投资组合中在该月投资于基金的份额。“净投资流入”是指客户在该月对基金进行的所有交易的净值。“尾随费用”是按基金固定百分比费用（随时间和客户不变）乘以顾问收到的佣金计算得出的，即顾问在2018年1月获得的百分比。

A面板：客户（N=6,132）
- 出生年份：1963、1942、1950、1963、1974、1986
- 金融教育虚拟变量：0.19、0.4、0.09、0.09、0.5
- 金融职业虚拟变量：0.09、0.09、0.09、0.5
- 金融知识虚拟变量：0.35、0.48、0.35、0.5
- 高收入虚拟变量：0.1、0.31、0.1
- 加入公司年份：2007、1996、1996、2000、2010、2014、2017
- 在公司的总投资：102,062、514,798、2,886、10,093、31,315、86,794、201,247
- 总资产：504,605、843,585、24,900、105,000、260,000、500,000、1,000,000
- 总投资/总资产：0.31、0.3、0.029、0.078、0.19、0.42、0.91、0.51
- 在外部产品中的投资份额：0.24、0.29、0.092、0.46、0.7
- 在基金中的投资：77,372、577,435、4,000、10,000、28,000、70,000、174,000
- 在基金中的投资/总资产：0.11、0.12、0.011、0.028、0.068、0.027、0.27
- 顾问（N=166）：
- 合同年份：2007、1993、2000、2010、2013、2015
- 2010年后虚拟变量：0.54、0.5、0
- 认证虚拟变量：0.3、0.46
- 客户数量：41、57、2、7、17、53、116
- 年度薪酬：39,227、43,737、1,362、6,799、22,893、60,352、102,398
- 客户-基金-月份（N=3,637,984）：
- 正投资虚拟变量：0.19、0.39
- 投资额：3,978、24,716
- 总投资份额：0.06
- 净投资流入：5
- 尾随费用：0.97、0.26、0.63、0.75、1.13

作为MiFID II（我们下面讨论的欧盟法律）的一部分，客户需要填写一份“了解你的客户”（KYC）问卷，用于评估所购买产品的适合性。我们使用客户的回答来构建他们的金融教育、金融职业联系和金融知识的衡量标准。大约10%的客户在问卷中报告的收入属于最高两个区间（即超过60,000欧元）。不幸的是，只有大约一半的客户提供了这些问卷。KYC问卷还提供了关于公司客户总资产的信息。A面板提供了与该公司投资的总结统计信息（平均值=102,062欧元）、总资产（平均值=504,605欧元）以及在公司投资的总资产百分比（平均值=31%）。我们可以使用2017年西班牙家庭财务调查（Banco de Espa?a，2019年）来评估我们的客户在西班牙共同基金投资者中的代表性。我们发现，我们的客户比普通西班牙人（平均值=302,260欧元）拥有更多的财富，但比投资于共同基金的7%的西班牙人（平均值=809,376欧元）的财富要少。我们公司的客户将财富的较高比例投资于我们公司，相比典型的共同基金投资者在基金上的投资比例（31%对比11%），尽管他们在绝对金额上的投资稍少。

不幸的是，关于我们客户财富的KYC（了解客户）信息是横截面的（即每位客户最多完成一次调查），并且没有分解成不同的财富子部分。因此，我们无法研究通过我们公司投资的其他金融产品组合的份额如何受到我们公司顾问激励变化的影响。我们甚至无法直接衡量客户总金融资产中有多少比例投资于我们公司，尽管我们可以使用EFF（投资效率）来估计这一比例。为此，我们采用客户的可观察特征（年龄、性别、总资产、教育水平和收入区间），并使用随机森林算法来识别具有相似EFF的投资者。将这些EFF投资者作为最佳的可比组，我们预测平均每位客户将40%的财富投资于金融资产，其余的则投资于（通常流动性较差的）实物资产，如他们的主要住宅。因此，平均每位客户将67%的金融资产投资于我们公司。这意味着客户的决策对其金融资产有经济上的实质性影响，尽管我们无法观察他们的整体财富如何依赖于我们公司的顾问激励。

我们公司通过一个金融顾问网络来营销其内部基金和经纪服务。这些顾问是自主从业的，但我们公司与他们有排他性的合同安排。这些顾问的职责是招揽客户、向他们介绍潜在的投资机会、管理他们的订单，并定期向他们通报其投资组合的表现。顾问被授权销售个别证券和衍生品，但他们不承担受托责任，也不能代表客户进行自由裁量交易。公司内部的一项规定指出，通过顾问首次与公司签约的客户不会被转移到其他顾问手中，除非原顾问不再为公司工作。

我们的样本包括最多166名金融顾问（见表I，C面板中的摘要统计数据），其中30%在2020年12月之前获得了CISI（特许证券与投资学会）或EFPA（欧洲财务规划协会）等认可的金融顾问资格。平均每位顾问在2007年加入公司。平均每位顾问服务41位客户。在整个样本期间，顾问没有基本工资，而是根据客户在其内部基金中的投资金额，从公司收取的管理费用中抽取一定比例作为佣金。我们环境的一个显著特点是，样本中的许多顾问收入相对较低。表I，C面板显示了我们样本中顾问的年收入摘要统计数据。中位数23,000欧元和平均值39,000欧元与Glassdoor对西班牙金融顾问年收入的估计相似。然而，图1表明，除非顾问有其他收入来源，否则他们中的相当一部分人无法维持生计。因此，我们下面的发现需要在考虑到他们收入相对较低这一事实的前提下进行解读。

图1显示了顾问年收入的分布情况。该图展示了样本中顾问的总年收入分布。收入包括从内部基金获得的托管费和从外部产品获得的经纪佣金。

在2018年之前，公司支付给顾问的佣金因顾问和基金而异。佣金价值的主要决定因素是顾问是否在2010年之前被雇用。以2010年之前被雇用的典型顾问为例，在大约三分之二的基金中，这种顾问会获得较高的佣金；在四分之一的基金中获得较低的佣金；在剩余的基金中获得更低的佣金。相比之下，2010年之后被雇用的典型顾问无论客户将资金投资于哪个基金，都会获得相同的佣金。有趣的是，2010年之前的顾问在某些基金中的佣金较高，而在其他基金中佣金较低。表II展示了我们样本中合同安排的变化情况。

表II说明了托管费变化的来源。2010年之前加入公司的顾问获得了在不同基金中具有不同佣金的合同。例如，表中显示基金A的佣金率为70%，基金B的佣金率为45%。假设相应的费用率为1%和2%，这分别转化为托管费0.7%和0.9%。2010年之后加入公司的顾问获得了在所有基金中统一的佣金率，例如50%。这转化为基金A和基金B的托管费分别为0.5%和1%。2018年，2010年之前的顾问获得了与2010年之后顾问相同的合同。

对待顾问的不同待遇原因如下：2010年，公司管理层决定简化薪酬政策，采取适用于所有基金的统一佣金率。然而，与现有顾问重新谈判合同变得很困难。因此，统一的佣金率仅适用于新聘用的顾问，所以不同合同的顾问并存，这主要取决于他们是在2010年之前还是之后加入公司的。这种差异一直持续到2018年1月MiFID II的引入。

MiFID II是欧盟推出的一系列全面监管改革，其核心目标是加强投资者保护。在顾问激励方面，MiFID II继续允许顾问的薪酬取决于所产生的收入，但它现在鼓励公司在不同产品之间提供更均衡的激励。正是MiFID II的引入促使公司在2018年1月修改了其薪酬政策，我们将在下一小节中描述。除了对激励的影响外，MiFID II还包含了关于顾问服务的其他要求：（i）提高收费的透明度；（ii）要求所有顾问在四年内取得认可的资格；（iii）要求保留与客户的所有通信记录；（iv）要求客户完成正式调查，以证明所提供的建议的适当性。对我们的研究目的而言，这些规定通常并不是为了与2018年1月的薪酬政策变更同步而引入的。我们将在第II节中更详细地讨论这些规定的时间安排。

MiFID II为公司提供了重新谈判现有合同和统一薪酬政策的动力。这一变化的核心目标是减少顾问和客户之间的利益冲突。具体来说，从2018年1月开始，所有顾问获得的佣金在所有顾问和所有基金中都相同。2018年之前的佣金差异意味着典型的2010年之后的顾问在薪酬结构上没有任何变化。相比之下，2010年之前的顾问在某些基金中的佣金增加了，而在其他基金中减少了。因此，薪酬政策的变化导致了顾问-基金组合中佣金的时间变化。我们在表II中展示了这种时间变化。为了捕捉薪酬变化，我们将托管费定义为客户在月份t对顾问a的投资c$j$所支付的百分比。

2010年之前加入公司的顾问获得了在不同基金中具有不同佣金的合同。例如，表格显示基金A的佣金率为70%，基金B的佣金率为45%。假设相应的费用率为1%和2%，这分别转化为托管费0.7%和0.9%。2010年之后加入公司的顾问获得了在所有基金中统一佣金的合同，例如50%。这转化为基金A和基金B的托管费分别为0.5%和1%。2018年，2010年之前的顾问获得了与2010年之后顾问相同的合同。

2010年至2018年
2018年之后

差异对待顾问的原因如下：2010年，公司管理层决定简化薪酬政策，采用适用于所有基金的统一佣金率。然而，与现有顾问重新谈判合同很困难。因此，统一的佣金率仅适用于新聘用的顾问，所以不同合同的顾问并存，这主要取决于他们是在2010年之前还是之后加入公司的。这种差异一直持续到2018年1月MiFID II的引入。

MiFID II是欧盟推出的一套全面的监管改革，其核心目标是加强投资者保护。在顾问激励方面，MiFID II继续允许顾问的薪酬取决于所产生的收入，但现在鼓励公司在不同产品之间提供更均衡的激励。正是MiFID II的引入促使公司在2018年1月修改了其薪酬政策，我们将在下一小节中描述。除了对激励的影响外，MiFID II还包含关于顾问服务的其他要求：（i）提高收费的透明度；（ii）要求所有顾问在四年内取得认可的资格；（iii）要求保留与客户的所有通信记录；（iv）要求客户完成正式调查，以证明所提供的建议的适当性。这些规定通常并不是为了与2018年1月的薪酬政策变更同步而引入的。我们将在第II节中更详细地讨论这些规定的时间安排。

MiFID II为公司提供了重新谈判现有合同和统一薪酬政策的动力。这一变化的核心目标是减少顾问和客户之间的利益冲突。具体来说，从2018年1月开始，所有顾问获得的佣金在所有顾问和所有基金中都相同。2018年之前的佣金差异意味着典型的2010年之后的顾问在薪酬结构上没有任何变化。相比之下，对于2010年之前的顾问来说，某些基金的佣金增加了，而在其他基金中减少了。因此，薪酬政策的变化导致了顾问-基金组合中佣金的时间变化。我们在表II中展示了这种时间变化。为了捕捉薪酬变化，我们将托管费定义为客户在月份t对顾问a的投资c$j$所支付的百分比。

在我们的研究中，托管费是主要的独立变量，因为它最直接地反映了顾问鼓励客户投资于某种基金的财务激励。表II展示了佣金在横截面和时间序列上的变化如何转化为托管费的变化。需要强调托管费时间变化的四个特点：首先，从客户的角度来看，支付没有变化，因为管理费用在整个样本期间保持不变。因此，任何与顾问薪酬变化同时发生的客户投资变化都不能归因于客户支付的费用变化。其次，与顾问的佣金一样，2018年1月一些顾问-基金组合的托管费增加了，而其他组合的托管费减少了。这表现在表II中，我们可以看到2010年之前的顾问在某些基金中的薪酬增加了，在其他基金中减少了。第三，2018年佣金在所有顾问和所有基金中变得统一，这意味着托管费在不同基金之间仍然存在差异（由于管理费用的不同），尽管它们在顾问之间不再存在差异。因此，2018年之后的激励仍然不均衡，因为它们仍然倾向于某些基金。我们的最后一个观点与时间有关。顾问显然意识到了MiFID II法规即将引入，并可能预计它会影响他们的激励合同。然而，新政策的具体形式（即，在所有基金和顾问之间统一佣金）直到2017年秋季才由公司确定并通知顾问。因此，我们可以认为薪酬政策的变化在很大程度上是出乎意料的，因为顾问在2018年1月之前一个季度内无法预见到其具体细节。与此观点一致，在第II节中我们讨论了观察到的客户投资变化与新薪酬政策的引入大致同时发生。

在本节中，我们估计了托管费对客户资金分配的因果效应，同时保持客户总投资不变。我们的基准数据集是在活跃客户-基金-月份层面的面板数据集。要在一个月份被视为活跃客户，客户必须在至少一个内部基金中保持正投资。表I，D面板显示了我们基准面板的摘要统计数据。平均活跃客户仅在19%的基金中投资。因此，基金中的中位投资为零，而平均投资约为4,000欧元。年度托管费存在显著差异，平均约为1%，标准差为0.26%。我们首先确定了现有客户的费用与投资之间的弹性关系。然后我们展示了这种效应是通过客户将新资金引入公司，并将这些新资金分配给他们的顾问获得更高费用的基金来实现的。接下来我们通过展示新客户（按定义是将新资金引入公司的人）的托管费对基金投资的弹性是现有客户的三倍，来确认这一“新资金”机制的重要性。

我们首先研究“现有”客户，即那些在2018年薪酬方案变更之前加入公司并至少在公司保留了一个月的客户。我们使用基准客户-基金-月份数据集，并利用薪酬政策的变化作为托管费合理外生变化的来源。所关注的方程是一个具有连续处理的广义DiDiD方程，

$I_{nvets_{ctmecjt} = \lambda LogTrailerFee_{a(c)jt} + \eta _{ct} + \kappa _{jt} + \mu _{cj} + \epsilon _{cjt},$
其中$I_{nvets_{ctmecjt}$表示客户$c$在月份$t$对基金$j$的投资额，$LogTrailerFee_{a(c)jt}$表示客户$c$的顾问$a$在月份$t$从基金$j$获得的（对追踪费的）对数。

表I的D面板显示，在大部分观测值中，投资变量取值为零，同时显示出长的右尾分布。这一事实在选择方程（1）中的因变量时需要谨慎。主要因变量是对投资额进行双曲正弦反变换（ihst）的结果。作为替代变量，我们还使用了投资虚拟变量以及投资额占客户总投资的比例。标准误差在顾问层面进行聚类。需要强调的是，方程（1）包括了所有三组固定效应。纳入客户-基金指标意味着λ的估计不会受到选择效应的污染，即那些合同中对特定基金有较高追踪费的顾问会开始寻找已经倾向于投资这种基金的客户。相反，我们跟踪同一客户-基金组合随时间的变化，研究当客户顾问的追踪费发生变化时，该组合内的投资是如何变化的。纳入基金-时间指标可以解释某些时期某些基金可能变得更具吸引力的普遍性冲击或趋势（例如，整个经济向低费用基金的方向转变）。最后，客户-时间指标意味着我们必须将这一部分的效果解释为在保持客户某个月总投资不变的情况下，对基金分配效果的影响。表III的第（1）到（3）列呈现了方程（1）的估计结果。第（1）列中的系数可以解释为弹性，表明追踪费增加10%（例如，从1%增加到1.1%）会导致投资增加4.6%。从定性上看，客户随着顾问激励的变化而改变投资的行为与先前文献的结果一致，这些文献表明投资建议往往存在冲突。从经济角度来看，这种非常大的弹性表明，任何由政策引起的顾问激励变化都可能对其客户的投资产生显著的影响。

该表格显示了客户在其投资于某些基金时，其顾问所获得的追踪费用对这些客户基金投资的影响的回归估计结果。估计方程为：
$I_{nvets_{ctmecjt} = \lambda LogTrailerFee_{a(c)jt} + \eta _{ct} + \kappa _{jt} + \mu _{cj} + \epsilon _{cjt}.$
其中下标$a$代表顾问，$c$代表客户，$j$代表基金，$t$代表月份。观察单位是客户-基金-月份的组合。追踪费用是按基金百分比计算的（这个百分比在时间和客户之间是固定的），然后乘以顾问获得的佣金百分比（这在2018年1月内因顾问和基金而异）。在（1）中，因变量是客户在该月对基金投资的双曲正弦反变换结果。在（2）中，因变量是客户在该月是否向该基金进行了正投资的指示器。在（3）中，因变量是客户该月投资组合中用于该基金的比例。在（7）中，因变量是客户在该月在该基金中进行的所有交易的净价值的双曲正弦反变换结果。在（4）、（5）和（6）中，因变量是在只有资金流入、只有资金流出，或同时有这两种类型交易的日子里，客户对该基金进行的所有交易的净价值的双曲正弦反变换结果。底部几行提供了图2和图3中动态效应回归中关于预趋势假设的检验。我们使用F统计量和p值来检验原假设π2=π3=?=π11=0。

我们根据Borusyak、Jaravel和Spiess（2024）的方法，仅使用在我们分析影响的冲击之前的观测数据来进行这些检验。估计方程为：
$I_{nvets_{cfq} = \sum_{q=2\ldots11} \pi _q {\left(SHOCK_{a(c)f}\times Quarter_q\right) + \eta _{cq} + \kappa _{fq} + \mu _{cf} + \epsilon _{cfq},$
其中$SHOCK_{a(c)f} = LogPost18TrailerFee_{f} - LogPre18TrailerFee_{a(c)f}$。标准误差在顾问层面进行聚类。回归中的观测数量为3,636,276个。客户数量为6,132个。顾问数量为166个。星号表示显著性水平（*表示10%，***表示5%，****表示1%）。

我们在第（2）列中的系数解释如下：追踪费用增加10%与客户投资该基金的可能性增加0.41个百分点相关（这是无条件可能性的2.3%，而无条件可能性为19个百分点）。第（3）列中的系数表明，追踪费用增加10%会导致分配到该基金的总投资比例增加0.22个百分点（平均为6个百分点）。所有这三个估计在统计上都是显著的。

B. 对现有客户投资流量的影响
在上面记录了客户投资额对顾问激励变化的反应之后，我们接下来探讨这种调整可能发生的潜在机制。考虑一个客户的顾问在2018年的追踪费用发生变化的情况（记住，在我们的样本期间客户支付的费用没有变化）。顾问将从诱导不同的投资分配中获益，问题是如何以及何时这样做。在第一种机制下，顾问会说服客户将资金从收取较低追踪费用的基金中转移出去，转移到收取较高费用的基金中。在第二种机制下，顾问可以等待客户将额外的资金引入投资组合，然后说服客户将这部分新投资分配到收取较高费用的基金中。最后，在第三种机制下，顾问可以说服那些从投资组合中取出资金的客户，不成比例地从现在收取较低费用的基金中取出资金。我们的数据集包含了每个客户和每笔交易的日期和规模信息。我们将这些交易分为三类：（i）流入投资，即客户将其资金引入其内部基金的投资；（ii）流出投资，即客户从其投资组合中移出的资金；（iii）投资重新分配，即客户在其内部基金投资组合内重新分配的资金。流入投资代表“新资金”，而流出投资和投资重新分配则是已经在内部基金投资组合中的“旧资金”。我们在客户-基金-月份层面汇总这些交易，并将它们作为基线模型（1）中的因变量。表III的第（4）到（6）列显示，只有当客户向其基金投资组合引入新资金时，追踪费用才会影响客户行为。对于这些客户来说，基金追踪费用增加10%与流入该基金的资金流量增加1.1%相关。相比之下，出售基金以从投资组合中取出资金或购买其他基金的客户并未受到其顾问费用的显著影响。在第（7）列中，我们在（1）中使用的因变量是净流入（即客户在一个月内在该基金中的所有交易的总和，无论交易类型如何）。我们发现的弹性约为13%。这种弹性是我们在第（1）列中记录的投资额与追踪费用之间正相关关系的流量对应部分。

C. 动态效应
方程（1）平等对待补偿变化前后的所有时期。在这一小节中，我们允许追踪费用变化的效果在补偿变化前后的时期有所不同。我们通过将追踪费用的变化与一系列领先和滞后指标相乘来估计这些动态效应。我们感兴趣的因变量是2018年顾问-基金对收到的激励变化的连续度量，
$S_{H_O_C_Ka(c)j = LogPost18TrailerFee_{j} - LogPre18TrailerFee_{a(c)j},$
其中$S_{H_O_C_Ka(c)j$定义中的下标强调2018年后的追踪费用在不同基金之间是变化的（由于管理费用的差异），但在不同顾问之间是不变的，而2018年前的追踪费用在两者之间是不变的。为了减少估计的噪声，我们将月份合并到相应的季度$q$中，以创建一个客户-基金-季度层面的数据集，并进行估计：
$I_{nvets_{cjq} = \sum_{q=1\ldots10}^{12\ldots24} \pi _q {\left(SHOCK_{a(c)j}\times Quarter_q\right) + \eta _{cq} + \kappa _{cj} + \epsilon _{cj}.$
（2）中的回归再次控制了所有三组固定效应。我们使用2017年第三季度的交互作用作为省略组，以解释新的补偿方案是在2017年秋季传达给顾问的这一事实。参数$\hat{\pi}_1\ldots \hat{\pi}_{10}$捕捉到了补偿改革的预期领先效应，而$\hat{\pi}_{13}\ldots \hat{\pi}_{24}$捕捉到了预期延迟（或滞后）效应。我们在图2（投资额）和图3（投资流量）中绘制了估计的动态效应。图2展示了从估计$I_{nvets_{cfq} = \sum_{q=1\ldots10}^{12\ldots24} \pi _q \left(SHOCK_{a(c)f}\times Quarter_q\right) + \eta _{cq} + \kappa _{fq} + \mu _{cf} + \epsilon _{cfq}$中得出的24个系数$\pi_q$。观察单位是客户-基金-季度的组合。观测数量为1,239,966个。客户数量为6,132个。顾问数量为166个。季度数量为24个（从2015年第一季度到2020年第四季度）。2017年第三季度的变量是回归中被省略的变量。2018年后的追踪费用是按基金计算的，即基金管理费用（在时间和客户之间都是固定的）乘以顾问在2018年1月之后收到的管理费用比例（在所有顾问和基金之间是固定的）。2018年之前的追踪费用是按基金计算的，即基金管理费用乘以顾问在2018年1月之前收到的管理费用比例（在顾问和基金之间是变化的）。在A面板中，投资是客户在该季度内对基金平均投资的双曲正弦反变换结果。在B面板中，投资是一个正向投资虚拟变量。在C面板中，投资是该季度内分配给特定基金的总客户投资比例。回归控制了客户-季度、季度-基金和客户-基金指标。标准误差在顾问层面进行聚类。90%的置信区间通过带帽的垂直线显示。

图3展示了从估计$I_{nvets_{cfq} = \sum_{q=1\ldots10}^{12\ldots24} \pi _q \left(SHOCK_{a(c)f}\times Quarter_q\right) + \eta _{cq} + \kappa _{fq} + \mu _{cf} + \epsilon _{cfq}$中得出的24个系数$\pi_q$。观察单位是客户-基金-季度的组合。观察数量为1,239,966个。客户数量为6,132个。顾问数量为166个。季度数量为24个（从2015年第一季度到2020年第四季度）。2017年第三季度的变量是回归中被省略的变量。2018年后的追踪费用是按基金计算的，即基金管理费用（在时间和客户之间都是固定的）乘以顾问在2018年1月之后收到的管理费用比例（在所有顾问和基金之间是固定的）。2018年之前的附属费用（trailer fee）是通过将基金的管理费用（management fee）乘以顾问在2018年1月之前所获得的管理费用比例来计算的（这一比例因顾问和基金而异）。在D面板中，因变量是客户在该基金月份内进行的所有交易的净值的反双曲正弦变换（inverse hyperbolic sine transformation）。在A至C面板中，因变量是在只有资金流入、只有资金流出，或者两种类型的交易都发生的日子里，客户在该基金月份内进行的所有交易的净值的反双曲正弦变换。回归分析控制了客户-季度（client-quarter）、季度-基金（quarter-fund）和客户-基金（client-fund）的指标。标准误差在顾问层面进行了聚类。90%的置信区间用带限的垂直线表示。观察图2中的领先估计值（Panel A），似乎不存在强烈的先验趋势，因为S?H?O?C?Ka?(c)?j$SHOCK_{a(c)j}$与2018年之前的投资演变没有相关性。在B和C面板中，我们使用积极投资（positive investment）和总投资比例（share of total investment）作为因变量，得出了大致相似的结论。在表III的第（1）至（3）列的底部行中，我们通过正式的先验趋势测试（Borusyak, Jaravel, and Spiess (2024)）验证了这一结论，结果并未拒绝领先估计值都为零的假设。在图3的A面板（资金流入）和D面板（净流入）中，我们看到了一些先验趋势的视觉证据，尽管表III的第（4）和（7）列中的正式测试显示结果不显著。总体而言，我们得出结论，与识别假设一致，那些顾问在特定基金中收到附属费用增加的客户，在得知这一增加之前并没有开始投资这些基金。当我们检查滞后估计值时，我们发现2017年第四季度（Panel A）和净流入（Panel D）的因变量出现了明显的不连续性。这种解释是，当顾问了解到新的激励措施后，他们立即开始将投资转向他们新偏好的基金。这种流动效应持续了几个季度，尽管随着时间的推移逐渐减弱。图3中的流动不连续性反映在图2的股票变量的趋势立即变化（但水平逐渐调整）中。我们将这一证据解释为表明，虽然客户立即做出反应，但他们并没有立即调整自己的投资组合以完全适应顾问的新激励措施。图2进一步表明，这种向新的长期投资水平的逐步转变大约需要12个月的时间，到2018年第三季度，投资稳定在了新的稳态，对新的激励措施的反应似乎已经完成。

关于识别问题的讨论：

（1）中的识别假设是，没有任何趋势或同时发生的冲击导致现有客户以与2018年1月顾问-基金内部附属费用变化相关的方式调整他们的投资。前一小节报告的证据与缺乏先验趋势的假设一致。这意味着任何潜在的混淆因素（除了发生在顾问-基金内部层面之外）都应恰好与2017年底和2018年初同时发生。一个潜在的担忧是，除了鼓励更平衡的激励措施外，《MiFID II》还包括了其他规定来规范顾问和客户之间的关系（见第I节）。幸运的是，公司实施这些额外规定通常不会与2018年1月的薪酬改革同时发生。一个例子是引入了客户调查来评估所考虑的金融产品的适宜性。这些测试是分几年逐步引入的，并没有在2018年初出现中断。

第二个例子是顾问必须获得的额外资格证明，例如CISI和EFPA提供的那些。MiFID II允许有四年的时间来获得这些资格。我们公司的许多顾问在2018年1月之前已经拥有了这些资格，而其他顾问则正在努力获得它们。表I的C面板显示，2020年12月有30%的顾问持有这些资格。MiFID II还要求保留顾问与客户之间的所有通信记录。根据公司的说法，在2018年1月之前，所有与公司场所的电话互动已经被记录下来。对于其他互动，顾问需要保留对话的书面摘要。这些额外规定的逐步引入支持了基线估计的因果解释，原因如下：如果这些规定混淆了表III中的估计，那么它们是逐步引入的事实意味着我们不应该期望2018年左右附属费用变化的效果出现中断。然而，图2和图3显示，当激励措施（且仅限于激励措施）在2018年初发生不连续变化时，投资的变化突然出现。

最后需要注意的是，2018年之后的薪酬政策（即，使顾问和基金之间获得的佣金均等化）减少了内生性的可能性，并增强了识别假设的可信度。例如，因为它排除了针对顾问-基金组合的附属费用增加的情况，这些组合中的客户正在独立增加他们的投资。

E. 新客户初始投资的影响

在本小节中，我们估计了激励措施对新客户初始投资的影响。我们将基线样本限制为仅在2015年至2020年间加入公司的客户。对于这些新客户，我们关注他们在与公司合作的第一个季度的投资。估计方程为：

I?n?v?e?s?t?m?e?n?tc?j=??L?o?g?T?r?a?i?l?e?r?F?e?ea?(c)?j?q?(c)+βc+κj?q?(c)+ιa?(c)?j+ωc?j，

其中L?o?g?T?r?a?i?l?e?r?F?e?ea?(c)?j?q?(c)$LogTrailerFee_{a(c)jq(c)}$表示顾问a$c$在客户c$c$与公司合作的第一个季度q2(c)$期间从基金j$j$收取的附属费用。作为因变量，我们使用表III中第（1）至（3）列的股票投资变量，尽管关注客户的第一个季度意味着这些变量也可以被视为净流入的度量。请注意，实证模型包括了数据集结构允许的每一组固定效应。客户固定效应控制了初始投资的总金额。基金-季度固定效应控制了可能在特定时间点改变某些基金吸引力的任何全公司范围的冲击（例如，普遍转向低费用基金）。更重要的是，顾问-基金固定效应意味着我们比较的是在新顾问-基金组合在不同附属费用时期新客户的初始选择。表IV的A面板显示，新顾问的新客户的初始选择强烈倾向于该顾问当时获得更高补偿的基金。估计的效果在幅度上显著大于表III中现有客户的相应效果。例如，表IV第（1）列的估计弹性为149%，这是表III中相应弹性的三倍多。对于积极投资可能性和总投资比例的影响大约是表III中相应效果的两倍。

该表显示了客户投资基金（在客户加入公司的第一个季度）与客户顾问所收取的附属费用的回归估计。A面板中的估计方程为：

I?n?v?e?s?t?m?e?n?tc?j=??T?r?a?i?l?e?r?F?e?ea?(c)?j?t?(c)+βc+κj?t?(c)+ιa?(c)?j+ωc?j。$\hspace*{60pt}$Investment_{cj}=\phi TrailerFee_{a(c)jt(c)}+\beta _{c}+\kappa _{jq(c)}+\iota _{a(c)j}+\omega _{cj}$。下标表示顾问a$a$、客户c$c$、基金j$j$和月份t$t$。观察单位是客户-基金组合。样本仅包括2015年1月之后加入公司的客户。样本还包括这些客户的第一季度。附属费用是基金的百分比费用（随时间和客户而固定）乘以佣金，即顾问获得的百分比（在2018年1月内因顾问-基金而异）。在第（1）列中，因变量是客户在那个季度对基金投资的反双曲正弦变换。在第（2）列中，因变量是客户在那个季度是否在基金中投资了正金额的指标。在第（3）列中，因变量是客户在那个季度将其投资组合的多少比例投入了该基金。A面板中的方程包括顾问-基金、客户和基金-季度的指标。B面板中的方程进一步包括了基金指标与以下客户特征之间的互动：性别、年龄、金融教育虚拟变量、金融职业虚拟变量、金融知识虚拟变量和高收入虚拟变量。回归分析包括了捕捉上述客户特征是否缺失的互动。标准误差在顾问层面进行了聚类。回归中的观测数量为36,414个。客户数量为2,730个。顾问数量为144个。星号表示显著性水平（?1?%$^{*}$、??3%$^{**}$和???1%$^{***}$）。

A面板：不考虑客户特征 ×$\times$ 基金固定效应

Log Trailer Fee
1.493***
0.105***
0.056***
(0.526)
(0.040)
(0.023)

顾问-基金固定效应
是
是
是

客户固定效应
是
是
是

基金-月份固定效应
是
是
是

客户特征 ×$\times$ 基金固定效应
否
否
否

B面板：考虑客户特征 ×$\times$ 基金固定效应

Log Trailer Fee
1.472***
0.103***
0.057***
(0.507)
(0.039)
(0.023)

顾问-基金固定效应
是
是
是
是

客户固定效应
是
是
是

基金-月份固定效应
是
是
是

客户特征 ×$\times$ 基金固定效应是
是
是

在解释上述估计时有一个潜在的注意事项，即经历薪酬变化的顾问可能会有动力寻找与新薪酬结构相匹配的新客户。我们通过包括客户特征和基金固定效应之间的互动来检验这种混淆“选择”效应的实证相关性。在表IV的B面板中，我们发现控制这些互动后，系数几乎完全相同。我们得出结论，本节的估计很可能捕捉到了处理效应。本表中估计的较大弹性与表III第（4）列的发现一致，即顾问主要在客户扩大其内部基金投资组合时影响投资。对于新客户来说，这是理所当然的，因此这些效应对于他们来说更大是令人安心的。从政策角度来看，新客户的较大效应表明，新法规引起的激励变化其总体效应会随着顾问-客户关系的稳定性而变化。具体来说，在关系稳定且客户很少在初次分配后向他们的投资组合中引入新资金的情况下，政策效应将会较弱。而在客户经常向他们的原始投资中添加新资金且顾问之间的客户流动率较高的情况下，效应可能会强得多。

III. 对总投资和客户流量的影响

在前一节中，我们研究了在保持客户总投资不变的情况下，激励措施对资金分配的影响。在本节中，我们研究激励措施对顾问因激励变化而引导的新客户的总投资流量的影响。A. 对现有客户总投资流量的影响

在前一节中，我们展示了现有客户仅在将新资金引入公司时才会根据顾问的薪酬变化重新平衡他们的投资。因此，薪酬结构发生变化的顾问可能会有动力说服他们的客户引入新资金，以便将这些资金分配到顾问新偏好的基金中。在本小节中，我们探讨是否存在这种效应的证据。为此，我们将总投资流入与2018年顾问们所经历的薪酬结构变化的指标进行回归分析。我们衡量顾问所经历的冲击的第一个指标是2018年追踪费变化的标准化差（涵盖数据集中的所有基金）。为了理解为什么这个指标能够捕捉到顾问促使投资再平衡的动机，假设只有两只基金。进一步假设，对于这两只基金，某位顾问的追踪费从1%增加到2%。由于两只基金的费用增加幅度相同，变化的标准化差为零。直观上，这个零值很好地体现了顾问没有新的动机去增加对一只基金的投资而牺牲另一只基金。现在假设这位顾问在一只基金的追踪费增加了1%，而在另一只基金减少了1%。变化的标准化差现在为正。这与顾问现在有动机将更多投资分配给第一只基金而减少对第二只基金的投资是一致的。鉴于我们之前的发现，即再平衡的主要机制是促使客户向公司投入更多资金，我们预计会发现追踪费变化的标准差与投资流入之间存在正相关关系。我们衡量顾问所经历的冲击的第二个指标是2018年追踪费变化的平均值（涵盖数据集中的所有基金）。如上所述，各基金之间的比例变化不一定需要跨基金进行投资再平衡。然而，有两种假设将追踪费的平均增加与客户投资的增加联系起来。一方面，标准的激励理论认为，获得更高（平均）追踪费的顾问应该愿意投入更多努力来增加客户总投资。另一方面，有些理论认为收入效应非常强，以至于顾问可能选择享受一种“平静的生活”。例如，目标是获得特定月收入的顾问（Camerer等人（1997年）可能会在追踪费足够高以至于他们可以轻松实现目标薪酬时，减少努力来增加客户投资。在表V中，我们构建了一个客户-月份面板数据集，并将总投资流入与上述两个冲击指标进行回归分析。具体来说，我们估计了差异-in-differences（DiD）模型。

$$\begin{equation} Investment_{ct}=\phi (Increase_{a(c)}\times Post_t)+\pi (SD_{a(c)}\times Post_t)+\beta _{c}+\kappa _{t}+\omega _{ct}. \end{equation}$$
请注意，在（1）和（4）中我们利用的变化是相互正交的。在（1）中，我们控制了客户-月份指标，因此研究了在保持客户当月投资不变的情况下，客户将投资分配到哪些基金。（4）的目标是解释客户-月份固定效应，即（跨基金汇总）客户是否在特定月份向他们的投资组合中投入资金。在这方面，（4）的目的是解释（1）中的控制变量。表V显示了顾问整体薪酬变化对现有客户总流入的影响。

该表展示了客户总投资流入与其顾问2018年1月追踪费变化特征之间的回归估计结果。第一个自变量是顾问2018年1月追踪费平均（所有样本基金的简单平均值）的增加额。第二个自变量是顾问2018年1月追踪费变化的标准化差（涵盖所有样本基金）。这两个自变量都与2018年1月之后的虚拟变量进行了交互。第（3）列和第（6）列中的估计方程为：
$$\hspace*{60pt}Investment_{ct}=\phi (Increase_{a(c)}\times Post_t)+\pi (SD_{a(c)}\times Post_t)+\beta _{c}+\kappa _{t}+\omega _{ct}.$$
下标a代表顾问，c代表客户，t代表月份。观察单位是客户-月份组合。在第（1）列至第（3）列中，因变量是客户在该月份进行的全部交易的净值的反向双曲正弦变换，这些交易是汇总在所有基金之上的。在第（4）列至第（6）列中，因变量是客户在该月份进行的全部交易的净值的反向双曲正弦变换，但这些交易仅发生在有资金流入的日子里。回归分析包括了客户固定效应和月份固定效应。标准误差在顾问层面进行了聚合。N=239,275；客户数=1,727；顾问数=164。星号表示显著性水平（*表示10%，***表示5%，****表示1%）。

在图4中，我们绘制了我们的自变量$I_n^{cr_ea_c(c)$（增加额）和$S_Da(c)$（标准化差）的变化情况。正如第I节所讨论的，大量顾问（即2010年之后的顾问）的薪酬没有变化，因此这两个冲击指标的值为零。2010年之前的顾问经历了费用下降，这通常是负面的，但不同基金之间存在差异。因为变化的平均值和标准化差之间存在负相关（t统计量=-17.52），所以我们分别和一起进行了回归分析。变化量相对较小，且两个变量之间的相关性很强（r2=-0.62），因此我们预计我们的估计结果会相当嘈杂。

在图4中，我们展示了顾问整体薪酬变化的两个统计量之间的关系。第一个统计量是追踪费的平均增加额。第二个统计量是追踪费变化的标准化差。这两个统计量都是基于所有基金计算的。圆圈的大小反映了每种平均-标准化差组合中的顾问数量。虚线表示这两个统计量之间的线性回归关系。表V显示，2018年费用变化较大的顾问能够说服他们的客户向公司投入更多资金。这种效应在经济上是显著的：费用增加一个标准差（即0.071）会使顾问的客户总流入增加7.7%（0.071×1.086×100）。我们还发现，费用（平均）较高的顾问会促使他们现有的客户减少投资流入。总之，我们发现，费用变化差异较大的顾问能够从他们的客户那里获得更多的投资，这些新资金会被分配到他们新偏好的基金中。平均费用的下降也与顾问鼓励客户增加投资有关，以弥补因费用下降而失去的收入。当同时考虑这两个冲击指标时，效应会降低，这是预期的，因为这些指标之间存在负相关性。

在第三节中，我们展示了顾问更有可能将客户投资引导到他们偏好的基金中，尤其是对于那些在2018年薪酬结构变化之前加入公司的客户。因此，经历薪酬变化的顾问可能有动机投入更多努力去寻找新客户，即使这可能会导致现有客户离开公司。在本小节中，我们探讨是否存在这种效应的证据。为此，我们将顾问的新客户（或已离开的客户）的比例与2018年顾问所经历的薪酬结构变化的指标进行回归分析。我们构建了一个顾问-月份面板数据集，并将客户流动的指标与上一小节中提到的两种薪酬冲击指标进行回归分析。具体来说，我们估计了差异-in-differences（DiD）模型。

表VI显示了顾问的整体薪酬变化对顾问投资组合中客户进入和离开的影响。该表展示了顾问2018年1月追踪费变化特征与客户投资流入之间回归的估计结果。第一个自变量是顾问2018年1月追踪费平均（所有样本基金的简单平均值）的增加额。第二个自变量是顾问2018年1月追踪费变化的标准化差（涵盖所有样本基金）。这两个自变量都与2018年1月之后的虚拟变量进行了交互。第（3）列和第（6）列中的估计方程为：
$$\hspace*{160pt}Clients_{at}=\phi (Increase_{a}\times Post_t)+\pi (SD_{a}\times Post_t)+\beta _{a}+\kappa _{at}.$$
下标a代表顾问，t代表月份。观察单位是顾问-月份组合。在第（1）列至第（3）列中，因变量是顾问在月份t获得的新增客户数量，除以客户总数。在第（4）列至第（6）列中，因变量是月份t离开顾问的客户数量，除以客户总数。在第（7）列至第（9）列中，因变量是月份t新增客户和离开客户的总数之和，除以客户总数。回归分析包括了顾问固定效应和月份固定效应。标准误差在顾问层面进行了聚合。N=8,458；顾问数=166。星号表示显著性水平（*表示10%，***表示5%，****表示1%）。

IV. 客户投资组合效率的影响
在第二节中，我们展示了顾问的激励如何影响客户对个别基金的选择。在本节中，我们首先考察这些激励是否影响客户投资组合的整体效率。然后，我们简要讨论了一个衡量激励如何影响客户效用的框架。A. 构建投资组合和夏普比率
我们衡量投资组合效率的指标是夏普比率。如下所述，这个简单的指标没有考虑投资组合特征与客户风险偏好之间可能的不匹配（潜在的非最优情况）。尽管如此，无可争议的是，在保持这种匹配不变的情况下，高夏普比率是投资组合的一个理想属性。我们在顾问层面进行了这项研究，将同一顾问的所有客户分组，并计算每个组的投资组合和夏普比率。在我们的第一个练习中，我们关注的是现有客户，我们将他们定义为2017年6月之前加入公司并在2018年之后仍留在公司的客户。我们研究了他们在激励改革前后投资组合的变化情况。为了构建改革后的投资组合，我们使用了2018年3月之后的六个月的平均持仓情况。为了构建前期（preperiod）的投资组合，我们使用了2017年6月之后六个月的平均持倈权重。我们忽略了激励措施变化前的两个月，因为图2显示现有客户只会对顾问激励措施的变化逐渐作出反应并调整自己的投资。在计算这两个六个月期间的平均投资组合时忽略这两个月，可以考虑到投资组合构成的这种逐步变化。我们的第二个研究考察了新客户在顾问激励措施变化前后的投资组合。我们将2018年3月开始的六个月期间内加入公司的客户定义为新客户，而将2017年6月开始的六个月期间内加入公司的客户定义为前期新客户。我们构建了两种类型的投资组合：第一种投资组合仅包含内部基金（internal funds），这是第II节和第III节主要分析的重点，因为外部产品的顾问激励措施没有发生变化；第二种投资组合还包括其他外部产品，如外部共同基金（external mutual funds）、债券（bonds）、股票（stock shares）等。研究这个整体投资组合可以帮助我们了解内部基金投资组合的夏普比率（Sharpe ratio）的任何潜在提升是否被外部产品的较差投资表现所抵消，或者内部和外部投资组合回报之间是否存在相关性。为了计算前期和后期投资组合的夏普比率，我们使用了2017年6月之前48个月内各类产品的平均回报和方差-协方差矩阵。通过使用这些时间不变的平均回报和协方差，我们确保夏普比率的任何潜在提升是由投资策略随时间的变化引起的，而不是由不同产品回报特征的变化引起的。

B. 对夏普比率的影响及机制探讨

表VII的A面板显示了新客户的夏普比率。我们发现，内部基金投资组合的年平均夏普比率从期前的0.712提高到期后的0.799，这一12%的提升在5%的水平上具有统计学意义，表明在2018年激励措施变化后，同一顾问的新投资者开始更高效地投资。至于包含外部产品的整体投资组合，我们发现夏普比率从0.499增加到0.601。整体投资组合的夏普比率也有所提升这一发现很重要，因为它表明客户并没有使用外部产品来抵消内部基金投资组合的变化。

表VII显示了2018年顾问激励措施变化前后不同客户群体投资组合的夏普比率。现有客户是指那些在2017年6月之前加入公司并在2018年之后仍然留在公司的人。2018年之前的新客户是指那些在2017年6月之后的六个月内加入公司的人；2018年之后的新客户是指那些在2018年3月之后的六个月内加入公司的人。现有客户的投资组合是根据他们在2017年6月之后（前期）和2018年3月之后（后期）六个月的平均持倈权重来计算的；新客户的投资组合则是根据他们加入公司后三个月的平均持倈权重来计算的。无论计算哪种投资组合的夏普比率，我们都使用相同的回报和方差-协方差矩阵。回报和方差-协方差矩阵的数据来自2013年6月到2017年6月这段时间。百分比费用（Percentage fee）是指客户为内部基金管理向公司支付的费用；赫芬达尔指数（Herfindahl index）是基于客户在内部基金上的投资来计算的。投资组合的构建是在顾问层面进行的。

2018年激励措施变化后，新客户的夏普比率有所提升，具体表现为：内部基金投资组合的夏普比率从0.712上升到0.799，增加了0.086，提升幅度为12%，在5%的水平上具有统计学意义；整体投资组合的夏普比率从0.499上升到0.601，增加了0.102，提升幅度为10.2%，也在5%的水平上具有统计学意义。

区分2018年激励措施变化后夏普比率提升的三个原因是有帮助的。首先，激励措施的变化可能促使顾问将客户引导至预期回报和风险不同的基金；其次，顾问可能会推荐费用较低但（预期回报和风险）保持不变的基金；第三，客户的投资可能变得更加多样化，从而在投资组合层面降低了风险。第三个机制的背后逻辑是，如果顾问对某一只基金的偏好不明确，他们更有可能鼓励客户投资多只基金，从而实现更高的投资组合多元化。我们没有明确研究第一个潜在渠道，因为这需要准确测量预期回报和风险，而这在短期内是难以实现的。表VII提供了支持第二和第三个渠道的证据：我们发现激励措施变化后，投资者在内部基金上支付的平均百分比费用从1.741%下降到1.416%，下降了19%，在1%的水平上具有统计学意义。费用下降的大部分原因是客户将部分投资从股票基金（equity funds）转向了平衡基金（balanced funds）和行业基金（sector funds）。为了研究多元化机制，我们计算了每位顾问推荐的投资组合权重的赫芬达尔指数，发现平均赫芬达尔指数从0.504下降到0.429，下降了15%，在10%的水平上具有统计学意义。这两个发现共同表明，在每种投资风格内部并没有完美的替代品（具有不同的费用水平）。相反，激励措施的扭曲导致顾问推荐了次优的资产配置（例如，集中投资于少数股票基金），这种情况在2018年后有所改善。

2018年激励措施变化后夏普比率提升的原因有三个：首先，激励措施的变化可能促使顾问引导客户投资于预期回报和风险不同的基金；其次，顾问可能会推荐费用较低但回报和风险保持不变的基金；第三，客户的投资可能变得更加多样化，从而在投资组合层面降低了风险。第三个机制的合理性在于，如果顾问对某只基金的偏好不明确，他们更有可能鼓励客户投资多只基金，从而实现更高的投资组合多元化。我们没有明确提出第一个潜在渠道，因为这需要准确测量预期回报和风险，而这在短期内很难实现。表VII提供了支持第二和第三个渠道的证据。

2018年激励措施变化后，新客户的夏普比率有所提升，具体表现为：内部基金投资组合的夏普比率从0.712上升到0.799，增加了0.086；整体投资组合的夏普比率从0.499上升到0.601，增加了0.102。同时，新客户支付的平均百分比费用从1.741%下降到1.416%，下降了32.6%，在1%的水平上具有统计学意义。赫芬达尔指数从0.504下降到0.429，下降了7.5%，在10%的水平上具有统计学意义。这些发现表明，在每种投资风格内部并没有完美的替代品。激励措施的扭曲导致顾问推荐了次优的资产配置，但在2018年后这种情况有所改善。

在上一小节中，我们采用了一种“简化形式”（reduced-form）的方法来研究顾问激励与客户效用之间的关系。使用夏普比率作为效率的衡量标准有一个优势，即它不对投资者偏好做任何建模假设。然而，正是由于客户偏好是异质的且无法观察到的，夏普比率与客户效用之间的映射并不一定是直接的。原则上，一个投资组合即使其风险调整后的回报较低，也可能为客户提供更高的效用，如果这个投资组合更符合该客户的独特偏好。尽管简化形式的方法透明且直观，但它忽略了客户偏好与投资组合特征之间可能存在的效率低下的匹配问题。然而，投资建议的核心目标正是帮助客户找到符合其风险偏好的产品。在互联网附录的第I节中，我们提出了一个简单的框架来衡量2018年激励措施变化对客户效用的影响。在我们的投资组合选择模型中，投资者对投资组合回报具有均值-方差偏好，他们的预期受到顾问激励的影响。基于这些预期，客户优化他们的均值-方差偏好。我们估计了模型的参数，并使用这些估计来计算2018年补偿政策变化前后的平均客户效用损失。我们发现，激励措施的失衡与客户的大幅效用损失有关（新客户约为9%，现有客户约为6%）。更重要的是，2018年1月的补偿政策将新客户的损失减少了三分之一以上，现有客户的损失减少了近五分之一。因此，我们的分析揭示了激励措施失衡带来的实质性（尽管在减少）效用损失。

在本文中，我们提供了关于顾问激励对其客户投资影响的证据。除了记录到明显的、经济上显著的效应外，本文的重点还在于顾问如何通过各种机制促使客户投资变化。我们发现，当顾问的激励措施发生变化时，客户更有可能将资金引入公司（并投入顾问推荐的单位基金）。此外，我们发现，在MiFID II实施后，客户投资组合的效率（以及客户的效用）显著提高，并探讨了这种效率提升的渠道。我们分析的一个重要局限性在于，我们的实证策略并非旨在评估MiFID II的整体影响（即使是对我们自己的公司也是如此），因为MiFID II包含了几项规范金融咨询行业的条款。总体而言，虽然我们通过专注于一家中型投资公司收集了独特精确的数据，这使得我们的分析更加丰富，并在识别因果效应和揭示见解方面具有显著优势，但我们的“内部计量经济学”方法也引发了关于我们的发现如何适用于其他环境和人群的疑问。第一节讨论了我们公司客户和顾问的特征。总之，我们公司的客户与西班牙的共同基金投资者大致相当，尽管他们似乎通过我们公司投资的总资产比例高于平均水平。此外，一些顾问的收入相对较低，可能是兼职工作的，这可能限制了我们发现的普遍性，尽管平均每位客户都由年收入较高的顾问提供咨询。我们研究环境中的另一个可能降低研究发现普遍性的因素是，样本中的顾问们自愿选择为单一共同基金公司担任（大致上）独家经销商。如果这表明他们更看重自己的报酬而非客户的利益，那么我们论文中的发现可能会高估了对其他群体的影响。我们注意到，我们的研究环境在某些方面与其他重要环境有所不同，而在其他方面又存在相似之处。例如，客户需要按照所投资金额支付管理费，这一现象在美国（SEC，2019年）和欧洲（欧盟委员会，2018年）都很普遍。此外，我们研究环境中的顾问会从公司的费用中获取一部分报酬，这种情况在许多国家也很普遍。我们研究环境中的第三个重要特点是缺乏信托责任要求。在美国，注册投资顾问必须履行这一责任，但提供类似服务的经纪商通常不受此要求约束（Bhattacharya、Gastón Illanes和Padi，2025年）。与我们的研究环境类似，加拿大（Linnainmaa、Melzer和Previtero，2021年）以及许多亚洲国家也不存在信托责任要求。最后，我们所分析的顾问-客户关系基于一般润滑金融关系的信任。理解我们研究背景中的信任水平很重要，因为研究表明信任程度会影响个人对股票投资的决策（Guiso、Sapienza和Zingales，2008年）。西班牙的信任水平与其他发达国家相似，尽管可能略高一些。然而，我们的研究结果可能不适用于信任度较低的国家，比如拉丁美洲的国家。我们还想指出的一点是，我们的论文分析的是在固定顾问-客户关系下的激励机制，而没有讨论顾问可能提供的其他总体好处。如上所述，顾问可以引导客户进行更高程度的投资多样化、增加储蓄，并做出更好的投资决策（Lusardi和Mitchell，2011年；Hastings、Madrian和Skimmyhorn，2013年；Gennaioli、Shleifer和Vishny，2015年）。因此，监管机构通常会针对顾问的报酬进行规范，同时继续鼓励人们寻求金融顾问的服务。我们认为，我们论文的主要价值在于记录了不平衡报酬结构所产生的影响及其机制。

例如，Hung等人（2008年）报告称，73%的美国个人投资者在做出投资决策之前会咨询金融顾问。在欧盟，Chater等人（2010年）发现58%的投资产品购买者表示受到金融顾问的影响。例如，英国2013年的《零售分销审查》禁止所有顾问从金融产品卖方那里收取佣金。在美国，2010年的《多德-弗兰克法案》扩大了顾问需遵守信托标准的情况，通常要求顾问由金融产品的买方而非卖方支付报酬。值得注意的是，由于不同基金的管理费存在差异，即使佣金相等，也无法使各基金的附加费用完全平衡。因此，新政策并未创造完全公平的激励机制，利益冲突仍然存在（尽管如我们在下面所展示的，这种冲突的形式已经大大减弱）。在第一节中，我们详细说明了这一政策的理由，并进一步论证2018年1月顾问与客户之间的关系并没有发生其他突然的变化。Linnainmaa、Melzer和Previtero（2021年）的研究表明，顾问在为自己选择投资产品时存在一些行为偏差。如果将之前的研究结果解释为顾问真心认为推荐的产品对客户更有利，那么我们认为顾问会根据自身激励的变化迅速调整产品推荐，这一解释与我们发现不符。使用该公司作为经纪人进行外部产品交易的客户会在交易时向公司支付一次性经纪费，顾问会从中获得一定比例的佣金，在我们的样本期内，这一佣金在不同产品、顾问和时间上是恒定的。自然地，购买外部产品（如投资基金）的客户也可能定期向外部资产管理公司支付费用。我们公司中的佣金比例与基金的回报无关，没有前端费用（投资者在购买金融产品时支付的费用）或后端费用（在出售时支付的费用）。这种比较并不完美，因为我们使用的是客户在我们公司产品中的投资情况（平均客户将76%的投资投放在内部基金上），而不论这些投资是由哪家公司管理的。此外，上述所有平均值都受到分布严重右偏的影响。因此，更好的比较应使用中位数。我们研究的中位数客户通过我们公司的投资额低于西班牙的基金投资者（31,315欧元对28,000欧元），财富也较少（260,000欧元对446,000欧元），并将更大比例的净资产（19%对7%）投入公司产品。如果我们以平均EFF基金投资者作为我们的平均客户假设的反事实，会得到非常相似的预测结果。受信托责任约束的顾问依法必须为客户的最佳利益行事；不受信托责任约束的顾问通常只需履行“适用性”义务。我们公司的顾问更类似于美国的“经纪商”，而不是“注册投资顾问”。我们参考了现有研究，将他们称为“金融顾问”（参见Egan、Matvos和Seru（2019年）以及Gurun、Stoffman和Yonker（2021年））。我们调查了这一规则在实践中的执行情况。通过将客户总数分为三组，我们发现：（i）94.3%的客户在样本期间完全没有更换顾问；（ii）4.3%的客户在之前的顾问离职后换了一位新的顾问；（iii）1.4%的客户更换了顾问，但之前的顾问仍在公司工作。这项分解表明，公司规则得到了绝大多数客户的遵守。本着同样的精神，我们将任何在将来两天内没有在不同基金中进行购买交易的卖出交易归类为“流出投资”。我们将其他所有交易归类为“重新分配交易”。需要注意的是，关于“流入投资”和“流出投资”的定义并未考虑交易金额，因此这些定义相当严格。例如，假设一个客户从基金A中卖出1欧元，第二天从基金B中买入10,000欧元，并且在那个月没有进行任何其他交易。尽管很明显第二笔交易主要是资金流入内部基金投资组合，我们仍将其归类为重新分配交易。

24. 客户从一个基金中卖出资金以购买另一个基金会在客户-基金时间数据集中产生两笔独立的非零交易，这可能会引发对同一行为可能被重复计算的担忧。研究发现，现有投资的重新分配不会受到跟踪费用的影响，这表明这种担忧在实证上并不显著。

25. 从原则上讲，资本利得税可能会更倾向于鼓励投资新资金而非重新分配现有投资。然而，在西班牙，共同基金的再平衡是免税的，只有在从投资基金系统中撤资时才会征税。因此，税收因素无法解释基金重新分配反应较弱的现象。

26. 我们没有观察到家庭在机构以外的投资，这限制了我们追踪新资金具体来源的能力。不过，我们使用EFF来研究基金投资者持有的主要金融资产，以及共同基金投资变化与其他金融资产变化之间的家庭内部相关性。表IA.X表明，共同基金投资很可能是通过来自流动资产（如支票账户和储蓄存款）的重新分配来资助的，其次是通过养老金和人寿保险产品以及管理投资组合。此外，从报告的消费和收入估算的家庭内部弹性很小且统计上不显著（-0.017），这表明总储蓄率的提高不太可能是新共同基金投资的主要来源。

27. 每个学期的测试数量显示在互联网附录的图IA.I中。互联网附录可以在本文的在线版本中找到。

28. 需要注意的是，2018年1月并没有出现任何不连续的“需求效应”。换句话说，2018年1月并没有与公司客户投资激增同时发生，这种激增可能是由于新的MiFID II监管环境增强了客户信心，从而增加了对金融产品的需求。图IA.II和IA.III显示了总投资和客户数量随时间的变化情况。我们没有发现2018年1月周围存在与图2和图3中发现的不连续性相当的情况。

29. 在跟踪费用变化非常特殊的情况下，我们可能会担心可能存在反向因果关系的风险。那些未来可能倾向于投资亚洲基金的顾问会有兴趣重新谈判从亚洲基金获得的佣金增加。2018年新的薪酬政策的刚性排除了这种类型的反向因果关系。

30. 这一发现引发了这样一个问题：既然这些顾问在2018年之前就可以从这种增加中获益，为什么他们要等到薪酬政策发生变化后才促使总投资增加呢？促使客户增加总投资可能会涉及成本，比如说服努力、可信度受损等。虽然完整的说服模型超出了本文的范围，但可以这样解释2018年的激励变化：新的薪酬政策增加了现有客户分配与顾问理想分配之间的差距。这种差距可能增加了顾问通过额外投资获得的收益，因为额外投资是平衡客户投资组合的最简单方式（见表III的第（4）列）。在成本-收益框架下，边际收益的增加将导致额外的投资。

31. 表IA.III使用流出投资和重新分配流量作为因变量来显示系数。与表III的第（5）和第（6）列一致，我们发现我们的激励冲击测量结果并未影响这些总流量。

32. 在表IA.IV中，我们使用新客户和离任客户的总数作为因变量，而不是相对于总客户数量的占比。由于这些新因变量的取值通常较少（且经常为零），我们进行了泊松回归分析。我们发现结果大体相似，尽管似乎也存在费用平均增加的效应。在表IA.V中，我们研究了客户特征是否受到顾问整体薪酬结构变化的影响。总体而言，我们没有发现薪酬变化较大的顾问改变了他们服务的客户类型。我们还研究了客户与顾问相处的时间是否受到顾问整体薪酬结构变化的影响。在表IA.VI中，我们没有发现当顾问的整体薪酬结构受到较大冲击时，客户与顾问相处的时间会有所增减。

33. 在顾问层面进行这项研究可以减少客户特殊性对估计结果的影响。然而，这基于一个隐含的假设，即同一顾问的客户持有的投资组合具有相似的特征。

34. 我们使用2017年6月作为截止日期，因为我们需要在该日期之后的几个月内构建平均投资组合。

35. 我们的结果对抗使用不同的时间段（例如2017年6月之前的24个月、30个月、36个月和42个月）来计算平均回报和回报协方差是稳健的。表IA.VII展示了这些结果。

36. 通过仅使用2017年6月之前的回报数据，我们也减少了潜在的后见之明的偏差。如果顾问在此期间将资金重新分配到了高回报的基金中，那么任何由此产生的夏普比率通胀都会对政策实施前的投资组合产生影响，至少与政策实施后的投资组合受到的影响程度相当，这使得这种偏差不太可能是观察到的效率提升的原因。

37. 有趣的是，整体投资组合的夏普比率水平低于内部基金投资组合。这是因为外部产品包括个别股票，这些股票具有较高的特殊性波动性，因此夏普比率较低。

38. 在计算标准差时，我们根据每个基金在2017年6月之前的平均投资规模来加权。使用相同的权重得到类似但更为嘈杂的结果，这可能是由于高估了相对较小基金的重要性。

39. 在美国，O'Neal（1999）研究了20个最大的多股票类别共同基金，并指出向投资者收取的年费中有一大部分以跟踪费用的形式支付给了经纪人。在欧盟，EFAMA（2011）使用了一个具有代表性的欧洲共同基金样本，并报告说大约一半的年费被返还给了分销商（ juga see European Commission (2018)）。尽管在MiFID II之后这一比例可能有所下降，但西班牙的最新调查显示跟踪费用仍然很重要（例如，参见Gimenez, Oscar, 2018, “为什么基金的后端费用会在MiFID II后继续存在”，El Confidencial，2018年3月7日，链接：https://www.elconfidencial.com/mercados/2018-03-07/retrocesiones-fondos-inverco-mifid_1530990/）。相比之下，英国在2013年的零售分销审查中禁止了跟踪费用。

40. Charoenwong, Ben和Alan Kwan在2019年的Chicago Global Strategies博客文章《亚洲的投资顾问：缺失的受托责任》（https://chicagoglobalstrategies.blog/2019/04/22/investment-advisers-asia-missing-fiduciary-duty/）中对此进行了讨论。

41. 参见Sapienza, Paola和Luigi Zingales在2011年的NBER报告中《信任与金融》（NBER Reporter, 2011, 16–19）。

42. Ortiz-Ospina, Esteban, Max Roser和Pablo Arriagada在2016年的《信任：我们的数据世界》（Our World in Data）中也进行了探讨。

43. 世界价值观调查询问受访者是否同意“大多数人可以被信任”的说法，2022年的西班牙受访者中有41%表示同意，而美国的受访者中这一比例为37%。英国、德国、意大利和法国的相应比例分别为43%、41%、26%和26%。