Informed trading around earnings and mutual fund alphas

Accepted Manuscript Informed Trading around Earnings and Mutual Fund Alphas Yu Cai, Sie Ting Lau PII: DOI: Reference:

S0378-4266(15)00219-8 http://dx.doi.org/10.1016/j.jbankfin.2015.08.008 JBF 4791

To appear in:

Journal of Banking & Finance

Received Date: Accepted Date:

7 May 2014 3 August 2015

Please cite this article as: Cai, Y., Lau, S.T., Informed Trading around Earnings and Mutual Fund Alphas, Journal of Banking & Finance (2015), doi: http://dx.doi.org/10.1016/j.jbankfin.2015.08.008

This is a PDF file of an unedited manuscript that has been accepted for publication. As a service to our customers we are providing this early version of the manuscript. The manuscript will undergo copyediting, typesetting, and review of the resulting proof before it is published in its final form. Please note that during the production process errors may be discovered which could affect the content, and all legal disclaimers that apply to the journal pertain.

Informed Trading around Earnings and Mutual Fund Alphas

Yu Cai and Sie Ting Lau*

May 31, 2015

*Yu Cai is from the School of Economics and Management at Tongji University, Shanghai, China and Sie Ting Lau is from Nanyang Business School, Nanyang Technological University, Singapore. Authors’ Contact Information: Cai: [email protected], (8621) 6598-2094; and Lau: [email protected], (65) 6790-4649. We thank Stephen Dimmock, Chuan-Yang Hwang, Bin Ke, Jung Min Kim, Mandy Tham, and Hanjiang Zhang for their helpful comments. All errors are our own responsibility.

Informed Trading around Earnings and Mutual Fund Alphas    

Abstract We test a measure of skills of informed trading around earnings for mutual funds based on the buy  trades.  The  measure  is  motivated  by  prior  studies  arguing  that  a  mutual  fund  is  skilled  if  it  buys  stocks  with  subsequent  high  earnings  announcement  returns.  We  find  that  this  measure  predicts  future mutual fund returns. On average, after adjusting for Carhart’s four risk factors, the top decile  of mutual funds outperforms the bottom decile by 44 basis points per quarter. By decomposing fund  alphas  into  two  components  in  their  relations  to  earnings,  we  find  that  this  measure  is  only  associated with earnings-related fund alphas. This measure can also be used to predict stock returns  at future earnings announcements.       

Keywords: Earnings Announcement, Mutual Fund Alpha, Informed Trading  JEL Classification Number: G11, G12, G14     

 

1. Introduction  Baker,  Litov,  Wachter,  and  Wurgler  (2010) examine the stock-selection  skills of mutual fund  managers, using future earnings announcement returns (EARs) of the stocks that mutual funds hold  and trade. At the stock level, they find that the recent buys significantly outperform the recent sells  at  the  subsequent  earnings  announcements.  They  also  find  that  some  mutual  funds  perform  persistently better than others in this regard.  When stock holdings experience positive abnormal returns at earnings announcements, they add  to mutual fund performance. Our conjecture is that such informed trading around earnings (ITE) is  an important mutual fund management skill. Mutual fund managers who appear to be skilled at ITE  are expected to earn positive fund alphas in the future. Our research tests whether variation of ITE  across mutual fund managers is important in explaining variation of their performance.  Mutual fund managers may possess skills other than ITE, such as the ability to forecast investor  sentiment or discount rates, and the ability to time the market. It is not clear whether abnormal stock  returns  earned  in  a  narrow  window  of  earnings  announcement  dates  drive  the  total  outcome  of  mutual  fund  performance.  Moreover,  Berk  and  Green  (2004),  using  theoretical  models,  argue  that  realized alphas should be zero for all mutual funds, even when there is significant variation in their  ability  to  engage  in  informed  trading.  Berk  and  Green’s  argument  is  two-fold.  First,  more  skilled  mutual  funds  may  charge  higher  fees  so  that  net  returns  to  fund  investors  amount  to  insignificant  alphas.  Second,  better  performing  mutual  funds  attract  fund  flows,  which  worsen  investment  performance in the face of decreasing returns to scale. 

2   

In order to test our conjecture, we need a measure of fund manager skills of ITE. This measure  is  motivated  from  prior  studies  that  use  earnings  announcement  effect  tests  (e.g.,  Baik,  Kang,  and  Kim, 2010; and Ke and Petroni, 2004). In these studies, the pre-disclosure trading of some investors  is  shown  to  be  informed,  because  the  stocks  they  purchase  subsequently  realize  positive  EARs.  Hence, our trades-based measure is closely related to the methodologies of Baker et al. (2010) and  Wermers, Yao, and Zhao (2012).  Specifically, we construct the measure by multiplying the change in holdings by future EARs;  in  other  words,  the  trading  amount  interacts  with  the  trading  outcome.  The  EAR  is  defined  as  the  three-day accumulated excess return over the market around the earnings announcement date. Since  one fund holds many stocks, the multiplication at the stock level is aggregated to get the fund level  measure of investment skills. By this measure, if a mutual fund increases holdings in various stocks  with positive EARs in the future, this fund is considered skilled or informed.  In defining the measure, we divide trades into two types: buy and sell. Prior studies suggest that  buy  and  sell  trades  may  have  different  information  contents;  for  example,  Alexander,  Cici,  and  Gibson (2007) show that buy trades of mutual funds are valuation motivated, whereas the pattern is  weaker  for  sell  trades.  Moreover,  mutual  funds  are  typically  long-only  investors.  Therefore,  we  suspect  the  buy  trades-based  measure  (CAR1_BUY)  has  stronger  return  predictability  than  the  sell  trades-based measure (CAR1_SELL).    We  find  that  CAR1_BUY  successfully  predicts  mutual  fund  winners  from  1984  to  2009.  The  return  difference per quarter between the top and bottom decile funds sorted by the  measure is  39  basis  points  when  adjusted  for  the  Fama-French  three  risk  factor  model;  44  basis  points  when 

3   

adjusted for Carhart’s four risk factors; and 22 basis points when adjusted for stock characteristics  (Daniel,  Grinblatt,  Titman,  and  Wermers,  1997).  Such  a  return  spread  is  large  in  economic  magnitude.  The  positive  relationship  holds  in  regressions  where  fund  characteristics,  the  post-earnings announcement drift, and several fund alpha measures from the literature are controlled  for,  and  where  the  holdings-based  measures  of  mutual  fund  returns  are  used  as  the  dependent  variable. On the other hand, CAR1_SELL is not significantly related to future fund returns.  To  understand  the  property  of  CAR1_BUY,  we  decompose  fund  alphas  in  their  relations  to  earnings. Following Busse and Tong (2012), we obtain daily returns of the mutual fund based on its  latest  stock  holdings.  We  then  decompose  fund  alphas  into  two  distinct  components  by  replacing  stock  returns  in  the  fund’s  portfolio  with  market  returns  on  earnings  announcement  dates.  We  demonstrate that CAR1_BUY is only associated with earnings-related fund alphas, which appear to  attract fund flows more strongly than the rest of fund alphas.  Mutual fund investors might not benefit directly from fund return predictability of CAR1_BUY,  because  the  top  decile  mutual  funds  earn  insignificant  alphas.  On  the  other  hand,  mutual  fund  investors  cannot  short  sell  the  bottom  decile  mutual  funds  that  earn  significantly  negative  alphas.  However,  we find that the cross-sectional variation  in  CAR1_BUY across mutual  funds could help  the  investors  to  select  favorable  stocks  on  future  earnings  announcement  dates.  Following  Cohen,  Coval, and Pastor (2005), we show that a stock quality measure based on CAR1_BUY predicts future  EARs.  This  result  is  consistent  with  the  Wermers  et  al.  (2012)  model  on  the  relationship  between  fund alphas and stock alphas, and supports the notion that mutual fund managers have ITE skills.   

4   

Our work adds to studies that show fund manager skills in various forms. Coval and Moskowitz  (2001) reveal that mutual funds trade local stocks at an information advantage and earn substantial  abnormal returns, and Alexander et al. (2007) find that mutual funds are conscious about the stocks  they  want  to  buy  and  keep.  When  faced  with  large  investor  outflows,  mutual  funds  retain  some  stocks in their portfolio. The decision is  motivated by the belief that these stocks are undervalued,  and,  indeed,  these  stocks  eventually  outperform  the  market.  Jiang,  Yao,  and  Yu  (2007)  find  the  market  timing  ability  of  mutual  funds  by  examining  their  holdings,  and  Ali,  Chen,  Yao,  and  Yu  (2008), after studying whether mutual funds are capable of profiting from the accrual anomaly, find  that  some  mutual  funds  deliberately  seek  exposure  to  low  accrual  stocks  and  make  high  future  returns.  Cohen,  Frazzini,  and  Malloy  (2008)  find  that  mutual  funds  base  their  investments  on  personal connections with good outcome, and Kacperczyk, van Nieuwerburgh, and Veldkamp (2012)  find that some mutual funds select stocks well when the economy is good, and time the market well  when the economy is bad.      Furthermore, Wermers (2000) examines the stock-selection skills of mutual funds from 1975 to  1994, and finds that although the annual net returns of mutual funds underperform the market by 1%,  the stocks they select outperform the market by 1.3%. Kacperczyk, Sialm, and Zheng (2005) show  that fund managers concentrate investments in industries where they have an information advantage,  while Cremers and Petajisto (2009) find that mutual funds purposely deviate their investments from  the index benchmark portfolios, which brings higher future returns. Da, Gao, and Jagannathan (2010)  divide the stock-selection skills of mutual funds into impatient trading and liquidity provision, and  find that the highest returns come from impatient trading.   

5   

Our work also relates to another group of studies that use EAR tests; for example, Baik et al.  (2010)  show  that  local  institutional  investors  have  more  information  about  local  stocks  than  non-local  investors.  Stocks  in  which  local  institutional  investors  have  increased  their  weights  earn  more than the matching stocks at the next earnings announcement by 0.96%. Ke and Petroni (2004)  find  that  transient  institutional  investors  possess  information  that  allows  them  to  avoid  negative  stock  price  shocks  associated  with  the  end  of  a  string  of  consecutive  earnings  increases.  Other  studies  that  examine  informed  trading  from  the  perspective  of  EARs  include  Kim  and  Verrecchia  (1997), Chrisophe, Ferri, and Angel (2004), and Bushee and Goodman (2007).  It  is  important  to  highlight  the  difference  between  our  study  and  existing  literature  on  EAR  studies. Most existing studies examine the existence of ITE and show that, on average, mutual fund  managers  are  informed  around  earnings  when  the  stocks  they  buy  or  sell  experience  positive  or  negative  EARs  on  the  next  announcement  date.  However,  most  EAR  studies  do  not  explore  the  cross-sectional  variation  in  mutual  fund  performance.  Baker  et  al.  (2010)  show  that  mutual  funds  conduct ITE, and emphasize the short-window performance at the stock holdings level: on average,  stocks bought by mutual funds realize greater EARs than stocks sold by mutual funds. Such a pattern  shows  persistence,  but  Baker  et  al.  do  not  analyze  explicitly  how  much  variation  in  mutual  fund  alphas is attributed to fund manager skills of ITE. In our study, we use the trading amount (weight  change) interacted with the trading outcome (EAR) as the mutual fund level measure, and find that  only  the  buy  trades-based  measure  is  useful  in  explaining  the  cross-section  of  future  mutual  fund  returns.    The measure we use is also closely related to Wermers et al. (2012), except that their measure is  based on total trades (both buy and sell trades). Wermers et al. (2012) seek to convert mutual fund 

6   

alphas  to  stock  alphas;  hence,  their  empirical  analysis  is  also  on  the  cross-section  of  individual  stocks,  and  not on  the cross-section  of  mutual funds.  We show that in  the cross-section  of  mutual  funds,  only  the  buy  trades-based  measure  of  fund  manager  skills  of  ITE  is  significantly  related  to  mutual fund returns.  The  remaining  paper  proceeds  as  follows.  In  Section  2,  we  form  and  describe  our  sample  of  mutual funds. In Section 3, we describe the measure of fund manager skills of ITE, the measures of  mutual fund performance, and other control variables used in the regression analysis. In Section 4,  we present empirical and robustness results, and in Section 5, we conclude the paper.    2. Sample formation  Following Kacperczyk et al. (2005), we form the sample of mutual funds from 1984 to 2009 by  matching the Thomson/CDA stock holdings database with the Center for Research in Security Prices  (CRSP) Mutual Fund Database. We match two fund databases with the MFLINKS tables provided  by Wharton Research Data Services (WRDS).  The Thomson/CDA database contains  mutual funds’ stock holdings.1  The primary  source for  the  database  is  the  mandatory  SEC  N-30D  filing,  which  was  published  quarterly  prior  to  1985,  semi-annually  from  1985  through  2003,  and  quarterly  again  after  2004. 2   The  Thomson/CDA  database increases the reporting frequency by feeding on voluntary reports of mutual funds such as 

                                                     1

As noted by Fama and French (2010), after 1986, the database is relatively free of survivorship bias. 

2

The SEC adopted enhanced mutual fund portfolio disclosure on Feb 11, 2004, which requires quarterly disclosure.   

7   

fund prospectuses.3  As a result, quarterly reports are obtained for more than 80% of all funds (see  Wermers, 2000). In our study, 82.1% of our sample reports on a quarterly basis.  The  CRSP  Mutual  Fund  Database  records  monthly  fund  returns,  total  net  assets  under  management (TNA), fee structures, investment objectives, and other fund characteristics.4  It has no  survivorship bias, is updated on a quarterly basis, and is distributed with a lag of one quarter. In this  database, each fund class is treated as a separate fund. In this study, we combine fund classes into a  single  fund,  and  sum  TNA  across  fund  classes  as  in  Yan  (2008).  For  fund  age,  we  find  the  most  senior class and use its number of years with CRSP’s records. For all the other fund characteristics,  we use CRSP’s TNA-weighted average across fund classes.  We obtain stock prices from the CRSP monthly stock file and match them to the holdings data  based on the fund report dates. We also adjust the holdings data for stock-splits that occur between  the report date and the file date to avoid a look-ahead bias, because the file dates are often quarters  after the fund report dates. Without adjustments, the portfolio weight that is computed using data on  the file dates would contain future information.        To construct the  measure of fund  manager skills of ITE, we  also obtain earnings  report  dates  from the COMPUSTAT database. We download characteristic-based benchmark returns and group 

                                                     3

On the other hand, a recent mutual fund study by Schwarz and Potter (2013) suggests that the Thomson/CDA database 

is missing 30% of mandatory filings.  4

The monthly TNA is available, starting from 1991. 

8   

assignment  data from the website of Russ  Wermers.5  These are used  to  construct the mutual fund  performance measure, as seen in Daniel et al. (1997).  We  require  sample  funds  to  be  diversified  domestic  equity  mutual  funds,  and  use  the  investment  objective  code  from  the  CRSP  Mutual  Fund  Database  (crsp_obj_cd)  to  identify  these  funds.  The  CRSP  objective  code  builds  on  the  objective  codes  of  Strategic  Insight,  Lipper,  and  Wiesenberger. The four-character CRSP objective code has four levels of meanings. If the first two  characters are “ED,” the fund is known as equity and domestic funds. We then delete sector, hedged,  and short funds with the use of the third and fourth character of the CRSP objective code. We also  delete  those  index  funds  where  fund  names  contain  the  keyword,  “Index,”  or  where  the  CRSP  database  has  assigned  an  index  flag  (index_fund_flag).  We  further  require  funds  to  have  at  least  USD  10  million  TNA  (in  2009  GNP-deflated  constant  dollars),  to  hold more  than  20  stocks  at  the  beginning of the quarter, and to have a return history larger than 24 months for estimating abnormal  fund returns using risk factor models. To avoid the incubation bias, as described in Evans (2010), we  follow Amihud and Goyenko (2013) and delete observations of fund returns before the start dates, as  reported by CRSP. For those funds without the CRSP start dates, we delete returns in their first 36  months. Finally, as in Amihud and Goyenko (2013), we require the market value of stock holdings  to be larger than 70% of fund TNA.  Table 1 is about here. Table 1 reports the study’s pooled sample statistics. The sample comprises 97,279 fund-quarters  from  3,131  distinct  funds  between  1984  and  2009.6  The  mean  quarterly  return  is  1.90%,  with  a                                                       5

The web address is http://www.smith.umd.edu/faculty/rwermers/ftpsite/Dgtw/coverpage.htm 

9   

standard  deviation  of  10.63%.7  The  mean  fund  size  measured  by  TNA  is  USD  1,183  million,  whereas the median is USD 222 million. As noted in Chen, Hong, Huang, and Kubik (2004), some  large  funds  in  the  industry  cause  the  TNA  variable  to  become  right  skewed.  Hence,  we  use  the  natural logarithm of TNA in all regression analyses. The expense ratio has a  mean of 1.26% and a  median of 1.21%. The turnover ratio is the rate at which the fund changes its stock holdings annually,  which is calculated by the CRSP database.8  The mean turnover ratio is 85%, and the mean fund age  is 13.4 years. Total load comprises the front-end and back-end fees paid by fund investors. The mean  total load is 1.30%, since a large proportion of non-load funds exists in our sample.9  Other variables  are defined and explained in the next section.  3. Empirical design  In this section, we discuss the major variables used in the study. First, we define two measures  of fund manager skills of ITE; one is based on the buy trades, and another is based on the sell trades.  Second,  we  explain  how  mutual  fund  returns  are  measured  based  on  risk  factor  models  or  stock  holdings.  Finally,  we  define  the  fund  flow  variable  and  introduce  two  control  variables  for  the  post-earnings announcement drift. 

                                                                                                                                                                               6

The number of distinct funds equals 431 for 1984 to 1989, 1,648 for 1990 to 1999, and 2,870 for 2000 to 2009. 

7

The  reported  summary  statistics  are  based  on  the  pooled  sample.  For  fund  returns,  the  time-series  average  of  the 

cross-sectional mean is 2.57%, and the time-series average of the cross-sectional standard deviation is 4.43%.  8

See Yan and Zhang (2009) for an explanation about turnover in the CRSP Mutual Fund Database. 

9

In the dataset, 51.9% of funds report missing front load value, and 38.87% of funds report missing rear load value. The 

mean front load is 2.42% for funds with non-missing front load observations, and the mean rear load is 0.5% for funds  with non-missing rear load observations. We replace missing values with zeroes. 

10   

3.1. The measure of fund manager skills of ITE The  measure  of  fund  manager  skills  of  ITE  is  motivated  by  the  literature’s  extensive  use  of  earnings  announcement  tests  to  show  ITE  for  investors  (see  for  example,  Baker  et  al.,  2010;  and  Wermers et al., 2012). The computation of the measure is based on quarterly stock holdings, and the  timeline in defining the measure is shown in Figure 1.    Figure 1 is about here. In  Figure  1,  the  measure  of  fund  manager  skills  of  ITE  in  quarter  t  is  used  to  predict  the  quarterly  mutual  fund  return  in  quarter  t+1.  The  measure  is  based  on  the  interaction  of  weight  changes  and  EARs.  The  weight  change  is  obtained  by  comparing  the  stock  holdings  of  two  consecutive quarters between quarter t-1 and quarter t-2 (or between quarter t-1 and quarter t-3 if the  fund reports semi-annually).10  The earnings announcement date falls in quarter t.11    We define the buy trades-based measure of fund manager skills of ITE as   

(1) 

CAR1 _ BUYt 

1

 jJ   w j ,t 1  w j ,t 2 

 jJ   w j ,t 1  w j ,t 2   adjAR j ,t ,  

                                                     10

We  exclude  stale  holdings  reports  by  requiring  the  distance  of  two  consecutive  quarters  to  be  no  greater  than  two 

quarters.    11

The reported holdings of mutual funds are typically at the quarter end dates and so the three-day window of EAR is 

inside quarter t. If the fund reports are not released in the final month of the quarter, our EAR could be inside quarter t-1.  Fortunately,  this  does  not  pose  a  problem,  since  we  use  the  first  EAR  after  the  fund  report  date  to  try  to  capture  the  informed trading of mutual funds.     

11   

where  w j ,t 1   is  the  weight  of  stock  j  in  the  stock  portfolio  of  the  fund  at  the  end  of  quarter  t-1;  w j,t 2   is the weight at the end of quarter t-2; adjAR j,t   is the adjusted three-day EAR of stock j in 

quarter t (to  be  defined  below);  and  J   ( j : w j ,t 1  w j ,t 2 )   denotes stocks  purchased by the  fund  during quarter t-1. We compute three-day EARs for stocks based on the market-return adjusted model, where the  CRSP  value-weighted  index  is  used  as  the  market  proxy.12  Note  that  these  EARs  may  contain  an  upward bias.  Frazzini and  Lamont (2007) show that stock returns on earnings announcement  dates  tend to be positive. Hence, we subtract the monthly average EAR of all stocks from the raw EAR of  individual  stocks  to  obtain  the  adjusted  three-day  EAR (adjAR).  This  is  equivalent  to  generating  residual EARs by running monthly regressions in the cross-section of announcing stocks, where the  dependent  variable  is  EAR,  and  the  independent  variable  is  the  intercept.  Our  results  are  qualitatively  similar  when  stock  characteristics,  such  as  firm  size,  book-to-market  ratio,  and  price  momentum,  are  also  adjusted  for;  that  is,  when  these  variables  are  also  used  as  the  independent  variables in the regressions.  We define the sell trades-based measure of fund manager skills of ITE as 

(2) 

CAR1_ SELLt 

1

 jJ  w j ,t 1  w j ,t  2  

 jJ   w j ,t 1  w j ,t  2   adjAR j ,t ,  

where   J   ( j : w j ,t 1  w j ,t  2 )   denotes stocks sold by the fund during quarter t-1.                                                       12

In defining EAR, we also try a five-day window [-2, 2] instead of a three-day window [-1, 1], industry-return adjusted 

models, and firm-characteristics adjusted models. The empirical results are qualitatively similar. 

12   

Following Kacperczyk et al. (2005), we adjust for weight changes that occur as a result of price  changes when determining the quarterly buy and sell trades of stocks by mutual funds. Even when  stocks are just held and carried over from the previous quarter, stock weights can change as a result  of  stock  price  changes.  Therefore,  we  assign  a  hypothetical  weight  for  each  fund  quarter.  It  is  calculated as 

 j ,t 1  w

(3) 

w j ,t  2  (1  R j ,t  2 )

 jw j ,t 2  (1  R j ,t 2 )

, 

 j ,t 1   is the hypothetical weight  where R j,t 2 is the quarterly return of stock j in quarter t-2, and  w  j ,t 1   instead of  w at the end of quarter t-1. We use  w j ,t 2   for the computation in Equations (1) and 

(2).13    We  find  that  the  mean  weight  change  at  the  fund-quarter-stock  level  is  zero,  with  a  standard  deviation of 0.7% across fund-quarter stocks. The mean weight change at the fund-quarter level for  buys is 23.2% with a standard deviation of 15.9% across fund-quarters. The mean weight change at  the  fund-quarter  level  for  first-time  buys  (i.e.,  zero  holdings  are  observed  for  these  stocks  at  the  previous report date) has a mean of 15.9% and a standard deviation of 14.9%.    In  Table  1,  the  measure  CAR1_BUY  has  a  mean  of  -0.02%  and  a  median  of  -0.03%,  and  the  measure CAR1_SELL has a mean of 0.08% and a median of 0.05%. Unreported results show that the  correlation between CAR1_BUY and CAR1_SELL is -0.070, which is statistically significant.   

3.2. Fund performance measures                                                      13

The analysis when not using hypothetical weights leads to qualitatively similar results. 

13   

The  major  set  of  fund  performance  measures  is  derived  from  the  time  series  of  mutual  fund  return  history.  These  are  mutual  fund  alphas  estimated  from  risk-factor  models,  specifically  the  market model, the Fama-French three-factor model (1993), and the Carhart four-factor model (1997).  For example, for the four-factor model, we run the following regression model for fund p in month t  on the return data of the preceding 24 months.14 

(4) 

( R p ,m  r f ,m )   t  bt  MKTm  st  SMBm  ht  HMLm  ut  UMDm   m, m  t  24, t  23,...t  1,

 

where  ( R p,m  r f ,m )   is the excess return of fund    over the risk-free interest rate in month 

, and 

MKTm ,  SMBm ,  HMLm   and  UMDm   are the market, size, book-to-market, and momentum factors, 

respectively.  The  estimates  of  risk  factor  loadings,  b t ,  s t ,  h t   and  u t ,  are  used  to  calculate  the  Carhart four-factor alpha for fund p in month t, 

(5) 

Alpha 4 F p ,t  ( R p ,t  r f ,t )  b t  MKTt  s t  SMBt  h t  HMLt  u t  UMDt .  





If  we  drop  the  momentum  factor  from  Equations  (4)  and  (5),  we  have  the  Fama-French  three-factor alpha for fund month (p, t) which is denoted by Alpha3Fp,t . Similarly, if only the market  factor is  specified  in  Equations  (4)  and  (5), we  have the  market factor  alpha, which  is denoted  by Alpha1Fp,t .   

We  will  be  analyzing  quarterly  observations.  The  quarterly  mutual  fund  return  is  the  sum  of  monthly  returns  during  the  calendar  quarter.  Summary  statistics  on  the  factor  model-based  mutual  fund  alphas  are  provided  in  Table  1.  We  find  the  mean  (median)  of  quarterly  Alpha3Fp,t   and                                                       14

  The results are robust when fund alphas are estimated in 12-month rolling windows.   

14   

Alpha 4 Fp,t   are -0.20% (-0.25%) and -0.24% (-0.26%) per quarter, respectively. The negative signs 

of these alphas are consistent with Gruber (1996).  Daniel  et  al.  (1997)  propose  another  set  of  performance  measures  for  mutual  funds.  The  benchmark returns for mutual funds are not based on risk-factor models, but on the characteristics of  holdings. Assuming that trades take place at the end of each quarter, their holdings-based measures  are  also  useful  for  our  study.15  Daniel  et  al.  (1997)  construct  125  characteristic-based  benchmark  portfolios, which are formed by triple sorting U.S. stocks by three stock characteristics: (1) market  capitalization,  (2)  book-to-market  ratio,  and  (3)  prior-year  return.  Each  stock  in  the  mutual  fund  holdings is matched to one of the 125 benchmark portfolios by the three characteristics. As a result,  the  monthly  mutual  fund  return  can  be  decomposed  into  three  components:  (1)  characteristics  selectivity, (2) characteristics timing, and (3) average style.    Characteristics selectivity (CS) measures how well fund managers select stocks. It is defined as  (6) 

CSt   j w j ,t 1  ( R j ,t  BRt ( j , t  1)),  

where  w j ,t 1   is the weight on stock j at the end of month t-1;  R j ,t   is the month t return of stock j;  and  BRt ( j, t  1)   is  the  month    return  of  the  benchmark  portfolio  to  which  stock  j  is  assigned  during month t-1 according to the characteristics of size, value, and momentum.    Characteristic  timing  (CT)  measures  how  well  fund  managers  time  the  market  by  tilting  portfolios towards stocks with characteristics or styles that have higher returns. It is defined as                                                       15

For example, Kacperczyk et al. (2005) use the stock characteristics-based measures to show that abnormal fund returns 

are attributed to the industry concentration index.   

15   

(7) 

CTt   j ( w j ,t 1  BRt ( j , t  1)  w j ,t 13  BRt ( j , t  13)),  

where  BRt ( j, t  13)   is  the month  t  return on the benchmark  portfolio  to  which  stock  j is assigned  during month t-13, and  w j ,t 13   is the weight on stock    at the end of month t-13.  Average  style  (AS)  captures  the  returns  earned  by  the  mutual  fund  as  a  result  of  the  fund’s  tendency to hold stocks with certain characteristics in the long run. It is defined as:  (8) 

ASt   j w j ,t 13  BRt ( j , t  13).  

We  download  the  characteristics’  benchmark  returns  from  the  website  of  Russ  Wermers  (see  footnote  5  for  link).  There  are  125  monthly  portfolio  return  series.  The  calculation  of  these  benchmark returns are found in Wermers (2004), which is a refined version of Daniel et al. (1997).  We also acquire group assignment data from Wermers’s website, with which each stock is assigned  to  one  benchmark  portfolio  each  month,  and  then  calculate  the  characteristics-based  mutual  fund  return measures. Summary statistics for these measures are provided in Table 1. We find the pooled  mean of CS, CT, and AS are 0.10%, 0.01%, and 2.24% per quarter, respectively. The sum of CS, CT,  and  AS  is  conceptually  the  raw  mutual  fund  return  before  expenses,  subject  to  how  close  the  assumption on fund trades is to reality. From Table 1, the total of the three measures is 2.35%, and  the mean of quarterly fund returns, plus quarterly fund expenses, is 2.22% (1.90%+1.26%/4). 

3.3. Fund flow and other control variables Following Zheng (1999), the quarterly fund flow for each mutual fund is defined as 

(9) 

FLOWt 

TNAt  TNAt 1  (1  Rt )  MGTNAt ,  TNAt 1

16   

where  Rt   and  MGTNAt   represent the mutual fund return in quarter t and the total assets acquired  from a merger, respectively. When defining the fund flow, we assume that new money comes at the  end of the quarter. To contain the outlier effect in computing the mean statistics, we winsorize fund  flow at 1% and 99% in every quarter.  The  measure  of  fund  manager  skills  of  ITE  involves  EARs.  To  make  sure  the  return  predictability  does  not  mechanically  come  from  the  post-earnings  announcement  drift,  we  need  proper  control  variables.  The  earnings  drift  is  the  tendency  for  stock  prices  to  move  in  the  same  direction as  earnings surprises. The earnings drift was first documented by Ball and Brown (1968)  and also studied by Bernard and Thomas (1990), Bhushan (1994), and Bartov, Radhakrishnan, and  Krinsky  (2000).  The  earnings  drift  is  believed  to  result  from  investors’  under-reaction  to  earnings  news, and Fama (1998) concludes that it is a financial anomaly that is “above suspicion.”    Guided by prior studies on the earnings drift (for example, Chan, Jegadeesh, and Lakonishok,  1996), we use the value-weighted average of three-day EARs of all the stocks in the fund portfolio  as the control variables for the drift at the fund level. It is defined as 

(10) 

Nt

CAR1t  w j ,t  AR j ,t ,   j

where  AR j ,t   is  the  three-day  EAR  of  stock  j  in  quarter  t;  w j,t   is  the  stock  weight  at  the  end  of  quarter  t;  and  Nt   is  the  number  of  stocks  held  by  the  mutual  fund.  In  Table  1,  we  note  that,  on  average, the fund has a positive CAR1 of 0.76% and a median value of 0.61%. 

17   

Berkman, Dimitrov, Jain, Koch, and Tice (2009)  suggest that EARs can be noisy in the sense  that stock mispricing is often corrected by the public disclosure of earnings. Thus, we define another  control variable for the drift based on the direction of EARs,    Nt

Dnews1t  w j ,t  sign( AR j ,t ),  

(11) 

j

where  sign()   is the sign function equal to 1 if  AR j ,t   is positive and 0 if it is non-positive.    4. Empirical Analysis  In this section, we show the determinants for the measures of fund manager skills of ITE and  their persistence. We examine whether the measures are informative about future fund performance  and learn more about fund manager skills by decomposing fund alphas with respect to earnings. We  finally examine whether ITE skills of fund managers can be used to predict abnormal stock returns at  future earnings announcements. 

4.1. Determinant analysis We perform OLS regressions to show determinants for CAR1_BUY and CAR1_SELL, as seen in  Amihud and Goyenko (2013).16  In regressions, we control for fund characteristics such as total net  assets  under  management  (TNA),  expense  ratio  (EXP_RATIO),  fund  turnover  (TURNOVER),  fund  age  (AGE),  total  load  (TOTAL_LOAD),  fund  flow  (FLOW)  and the  fund-level  EAR  (CAR1).  We  consider a mutual fund as a growth fund when its CRSP fund objective is “EDYG,” and denote it  with  a  dummy  variable,  GROWTH.  We  also  include  four  fund  alpha  measures  proposed  in  prior  studies.  Specifically,  we  use  the  return  gap  measure  (RETGAP)  of  Kacperczyk  et  al.  (2008),  the                                                       16

Here, we winsorize CAR1_BUY at 0.5% and 99.5% in each quarter in regressions to avoid the outlier effects. Results  are similar when we winsorize the variable at 1% and 99% in each quarter. 

18   

similarity-based  fund  performance  measure  (SIM)  of  Cohen  et  al.  (2005),  the  selectivity  measure  (Fund R2)  of  Amihud  and  Goyenko  (2013),  and  the  industry  concentration  index  (ICI)  of  Kacperczyk et al. (2005). Note that all the variables in regressions are in quarter t except TNA, which  is in quarter t-1. The t-statistics for coefficient estimates are based on standard errors that cluster by  both the quarter and the fund.  Table 2 is about here. Table  2  presents  the  determinant  analysis  results.  From  model  1,  we  find  that  CAR1_BUY  is  negatively  associated  with  fund  turnover  (TURNOVER),  and  is  not  significantly  related  to  other  mutual  fund  characteristics.  The  coefficient  on  fund  flow  (FLOW)  is  significantly  positive,  which  suggests that informed trading attracts fund flows. The coefficient on earnings drift, CAR1, is also  significantly positive, which is expected because of the way that CAR1 and CAR1_BUY are defined.  The coefficient on the growth dummy (GROWTH) is negative but statistically insignificant, so  the  skills  of  ITE  as  measured  by  CAR1_BUY  are  not  limited  to  a  particular  investment  style.  In  unreported  analyses  where  we  divide  the  sample  of  mutual  funds  into  growth  and  value  funds  subsamples,  we  do  not  find  the  return  predictability  of  CAR1_BUY  to  be  significantly  different  between these two groups of mutual funds.  We find that CAR1_BUY is negatively related to RETGAP, but positively related to SIM. Since  these  variables  are  all  in  quarter  t,  such  results  could  be  because  of  the  way  the  variables  are  constructed. RETGAP is defined as the actual fund returns minus the hypothetical fund returns based  on latest stock holdings. Since CAR1_BUY is associated with positive abnormal returns at earnings  announcements  in  quarter  t  (see  Figure  1),  the  negative  relationship  between  RETGAP  and 

19   

CAR1_BUY  is  not  surprising.  On  the  other  hand,  SIM  is  a  measure  of  fund  alpha  that  uses  latest  stock holdings. Hence, the positive association between SIM and CAR1_BUY is also not a surprise.  We  find  that  CAR1_BUY  is  negatively  related  to  Fund R2,  suggesting  that  top  funds  in  terms  of  CAR1_BUY  show  a  greater  degree  of  investment  selectivity  relative  to  the  multifactor  benchmark.  On the other hand, CAR1_BUY has a negative association with the industry concentration index.    In  model 2, we find  that CAR1_SELL is  negatively related to fund  age (AGE), and  positively  related to total fund load (TOTAL_LOAD). The coefficients on FLOW, CAR1, Fund R2, and ICI are  significant, and the signs are all opposite from those in model 1. This confirms that CAR1_BUY and  CAR1_SELL are negatively correlated as reported earlier.   

4.2. Persistence of measures of fund manager skills of ITE Investment skills of mutual funds, if they do exist, are arguably persistent (see, e.g., Kosowski,  Timmermann, Wermers, and White, 2006). Since the ITE skill is a specific form of investment skills,  it could also be persistent. We expect that mutual funds, which rank at the top in terms of ITE skills  in quarter t, also rank high in the following quarters. To test this, we sort mutual funds into quintiles  in  each  quarter  by  one  of  the  two  measures  of  fund  manager  skills  of  ITE  (CAR1_BUY  and  CAR1_SELL),  and  compute  the  simple  average  of  that  measure  for  these  fund  portfolios  in  the  following  four  quarters.  To  avoid  a  mechanical  result,  we  drop  funds  that  do  not  disclose  stock  holdings on a quarterly basis, as their ITE measures are used in the following quarter.  Table 3 is about here. Table  3  provides  the  persistent  analysis  results.  Panel  A  of  Table  3  shows  the  results  for  CAR1_BUY. We find that persistence is observed in quarters t+1, t+3, and t+4; therefore, in terms of 

20   

CAR1_BUY, the top quintile funds continue to do better than the bottom quintile funds in these three  quarters.  Panel  B  of  Table  3  shows  the  results  for  CAR1_SELL.  We  do  not  find  persistence  of  CAR1_SELL for mutual funds. This suggests that CAR1_SELL may not be a good measure of fund  manager skills of ITE. 

4.3. Portfolio analysis of fund return predictability We sort all the sample funds from 1984 to 2009 into 10 portfolios according to the measures of  fund  manager  skills  of  ITE  at  the  start  of  each  quarter.  The  funds  are  equally  weighted  in  the  portfolios  to  ensure  the results  are  not  influenced  by  fund  size.  We  then  collect  one-quarter-ahead  raw returns for these portfolios and, following Kacperczyk et al. (2005) project the portfolio returns  to the contemporaneous  quarterly risk factor series to calculate the risk factor model-based alphas.  Note  that  the  mutual  fund  returns  are  after  fund  expenses,  and  the  10  portfolios  are  rebalanced  quarterly.  Table 4 is about here. Table 4 shows the results of the above portfolio analysis. The raw returns for various groups of  mutual funds are positive, but the returns become negative after controlling for the risk factors. This  is  consistent  with  Gruber’s  (1996)  finding  that  the  average  mutual  fund  underperformed  passive  market indexes by approximately 65 basis points a year from 1985 to 1994.  As shown in Panel A of Table 4, in general, the fund returns increase with the portfolio decile  ranks of CAR1_BUY, indicating the fund-return predictability of this measure. The decile 10 funds  with the highest value of CAR1_BUY earn raw returns of 2.72% per quarter after expenses, which is  34 basis points higher than decile 1 funds. When the systematic risk factors are considered (FF3 and 

21   

Carhart4),  the return difference between the decile 10  funds  and the decile 1  funds are 39 and  44  basis  points  per  quarter  for  the  Fama-French  three-factor  alpha  (FF3),  and  Carhart’s  four-factor  alpha (Carhart4), respectively. The return spread between the decile 10 funds and decile 1 funds is  22  basis  points  per  quarter,  which  is  statistically  significant.  There  are  no  significant  relations  between CAR1_BUY and CT or between CAR1_BUY and AS.  The  return  predictability  of  CAR1_BUY  is  economically  large  and  comparable  to  existing  studies. For example, Kacperczyk et al. (2005) find that the difference in after-expense returns is 32  basis  points  per  quarter  between  the  top  and  bottom  decile  funds,  as  sorted  by  their  industry  concentration  measure  after  adjusting  for  Carhart’s  four  risk  factors.  Cremers  and  Petajisto  (2009)  use the active share measure, which is based on the deviation of holdings from benchmark portfolios,  and find that the return difference between the top and bottom quintile funds is 64 basis points per  quarter after adjusting for the benchmark index return specific to each fund. In our study, we find the  return difference is 44 basis points per quarter between the top and bottom decile funds, and is 31  basis points per quarter between the top and bottom quintile funds, after adjusting for Carhart’s four  risk factors.  Panel B of Table 4 shows the results when mutual fund portfolios are sorted by CAR1_SELL.  We find that this measure does not generate statistically significant return spreads among funds.   

4.4. Regression analysis of fund return predictability In this subsection, we perform the quarterly Fama-MacBeth regression (see Fama and MacBeth,  1973) of mutual fund returns on the measure of fund manager skills of ITE from 1984 to 2009. The  fund-return  measures  are  based  on  risk-factor  models.  We  analyze  CAR1_BUY  and  CAR1_SELL 

22   

separately in the regressions, and control for other factors known to affect mutual fund returns. The  regression model is:  (12) 

Alpha 4 Ft 1  a  b  CAR1_ BUYt  c  fund _ chart  d  drift _ controlt   t 1 ,  

where Alpha4Ft+1 is the one-quarter ahead fund return; fund_chart represents the fund characteristics’  controls, including the natural logarithm of total net assets under management (TNA), expense ratio  (EXP_RATIO),  fund  turnover  (TURNOVER),  the  natural  logarithm  of  fund  age  (AGE),  total  load  (TOTAL_LOAD), and fund flow (FLOW) in quarter t.17  To address the concern that our results may  be driven by post-earnings announcement drift, we also control for the fund-level EAR (CAR1), or  the fund-level EAR direction (Dnews1). Moreover, we control for several fund alpha measures from  the literature in some of the models; these measures are also seen in the prior determinant analyses. Table 5 is about here. Panel A of Table 5 shows the results of the Fama-MacBeth regressions of mutual fund returns  on  CAR1_BUY.  As  shown  in  model  1  to  model  7,  the  measure  CAR1_BUY  is  significantly  and  positively related to future mutual fund returns. The relationship holds when the mutual fund return  is  measured  by  Alpha3F,  Alpha4F  or  CS.  From  the  standardized  parameter  estimates  of  these  quarterly regressions, we find that one standard deviation change in CAR1_BUY produces a 7.9 basis  point change in Alpha3F (for model 1) and an 8.7 basis point change in Alpha4F (for model 5).18                                                         17

The fund characteristic variables are based on Yan (2008), Cremers and Petajisto (2009), and Massa and Patgiri (2009). 

Note that we use the quarterly decile rank of fund flows in regressions.  18

Here, we standardize the explanatory variables and then run the regressions. The standardized parameter estimates for 

these quarterly regressions are not tabulated. 

23   

For  the  fund  characteristics  variables,  EXP_RATIO  is  significantly  and  negatively  related  to  fund returns, which is consistent with Carhart (1997) who find that net fund returns are negatively  correlated with expense levels. AGE is negatively related to mutual fund returns, which is consistent  with Table V of Kacperczyk et al. (2005). TOTAL_LOAD is also negatively related to mutual fund  returns. The negative associations of both the expense ratio and total load with fund returns net of  expenses are not surprising, since Gil-Bazo and Ruiz-Verdú (2009) find that funds that charge higher  fees  earn  lower  returns  gross  of  expenses. FLOW is  positively  related  to  mutual  fund  returns,  supporting  the  smart  money  effect  documented  by  Zheng  (1999).  We  note  that  the  coefficient  on  FLOW is  smaller  when  fund  returns  are  measured  by  Alpha4F rather  than  by  Alpha3F. This  is  consistent  with  Sapp  and  Tiwari  (2004)  in  that  the  smart  money  effect  can  be  explained  by  the  momentum  effect.  Two  post  earnings  announcement  drift  variables  are  not  significantly  related  to  future fund returns.  We  find  that  the  coefficient  estimates  for  three  of  the  four  fund  alpha  measures  from  the  literature  are  generally  supportive  of  the  prior  research.  In  particular,  we  find  that  RETGAP,  SIM,  and ICI are positively related to future fund alphas. We also find that CAR1_BUY is not significantly  related  to  timing  skills  (CT)  and  long-term  investment  styles  (AS).  These  results  suggest  that  the  measure is able to capture the ability of fund managers to select under-valued stocks, but offers little  insight on the market timing skills or the average investment style of the funds.  Panel  B  of  Table  5  shows  the  results  of  quarterly  Fama-MacBeth  regressions  of  mutual  fund  returns on CAR1_SELL. We find that, except in model 6, CAR1_SELL is not significantly related to  mutual fund returns measured by Alpha3F, Alpha4F or CS. This, together with the portfolio results  in Table 4, suggests that CAR1_SELL is not a strong predictor of future fund returns. In unreported 

24   

analyses where lagged CAR1_BUY and CAR1_SELL are used, we reach similar findings. Therefore,  we focus on the buy trades-based measure, CAR1_BUY, in the subsequent analyses. 

4.5. Decomposing fund alphas with respect to earnings We  have  shown  that  CAR1_BUY  as  a  measure  of  ITE  predicts  future  mutual  fund  returns.  However,  it  is  still  not  known  whether  this  measure  is  also  associated  with  other  skills  of  fund  managers. In this subsection, we decompose fund alphas into two components in their relations to  earnings to learn more about the property of this measure.    We  follow  Busse  and  Tong  (2012)  by  obtaining  daily  returns  of  a  mutual  fund  based  on  its  latest stock holdings. The stock weights in the portfolio are updated on a daily basis because of stock  price changes. With the daily vector of stock weights, and daily stock returns, daily fund returns can  be computed. Next, by replacing stock returns in the fund’s portfolio with market returns on earnings  announcement dates, we obtain another time-series of daily fund returns unrelated to earnings (that  is,  without  earnings  announcement  effects).19  Note  that  we  use  the  same  daily  vector  of  stock  weights in both cases.  In  each  quarter,  these  time  series  of  fund  returns  are  regressed  on  daily  Carhart’s  four  risk  factors to estimate risk-adjusted fund alphas. Total-Alpha is the total fund alpha based on the latest  stock  holdings;  Non-EAR-Alpha  is  the  component  of  the  holdings-based  fund  alpha  unrelated  to  earnings; and EAR-Alpha, defined as the difference between Total-Alpha and Non-EAR-Alpha, is the  component of the holdings-based fund alpha related to earnings. We create two other variables that  are the average of holdings-based fund alphas: Non-EAR-Alpha_p is the average of Non-EAR-Alpha                                                       19

Specifically, we assume that the announcing stocks realize market returns on three event days, from day -1 before the  earnings announcement date to day 1 after the earnings announcement date. 

25   

in  the past four quarters, and  EAR-Alpha_p  is  the average of EAR-Alpha in  the past four quarters.  These  two  variables  are  used  to  predict  future  fund  alphas.  According  to  unreported  summary  statistics, the time-series averages of the cross-sectional means of Non-EAR-Alpha and EAR-Alpha  are -15 and 16 basis points per quarter, respectively.  Table 6 is about here. In  Panel  A  of  Table  6,  we  show  the  concurrent  association  between  CAR1_BUY  and  two  components of fund alphas in their relations to earnings. We sort mutual funds into deciles in each  quarter, and compute the simple average of the concurrent fund alphas in the same quarter. From this  panel,  we  find  that  CAR1_BUY  is  only  associated  with  earnings-related  fund  alphas  (EAR-Alpha),  and is not related to the rest of fund alphas (Non-EAR-Alpha).  In Panel B of Table 6, we perform quarterly regressions to examine the relative importance of  two  components  of  fund  alphas  to  future  fund  alphas.  Before  regressions,  we  winsorize  variables  regarding holdings-based fund alphas at 1% and 99% in each quarter to minimize the outlier effects.  In model 1 and 2, both Non-EAR-Alpha_p and EAR-Alpha_p are significantly related to fund alphas  measured by Total-Alpha or Alpha4F. Therefore, both components of fund alphas  are important to  future fund performance, gross or net of expenses. In model 3, where future Non-EAR-Alpha is the  dependent variable, we find that the  coefficients  on  Non-EAR-Alpha_p and  EAR-Alpha_p are  both  significantly positive. In model 4, where future EAR-Alpha is the dependent variable, the coefficient  on Non-EAR-Alpha_p is not significantly different from zero and the coefficient on EAR-Alpha_p is  significantly  positive.  Therefore,  each  component  of  fund  alphas  exhibits  persistence.  The  component of fund alphas related to earnings is able to predict the other component of fund alphas in 

26   

the future. On the other hand, fund alphas unrelated to earnings do not predict future earnings-related  fund alphas.    Berk  and  Green  (2004)  assert  that  realized  fund  alphas  should  be  zero.  More  skilled  funds  attract new fund flows, which, coupled with decreasing returns to scale, inevitably lower fund alphas.  To  test  this  assertion,  we  use  two  components  of  fund  alphas  to  predict  fund  flows.  Before  regressions, we winsorize fund flows at 1% and 99% in each quarter to minimize the outlier effects.  As  fund  flows  are  persistent,  we  use  OLS  regressions  and  report  the  t-statistics  for  coefficient  estimates based on standard errors clustering by both the quarter and the fund.      Table 7 is about here. Table 7 provides the analysis results of fund flows. From model 1 to model 3, we find that these  two  components  of  fund  alphas  predict  future  fund  flows  for  eight  quarters.  We  compare  the  coefficients  on  these  two  components  of  fund  alphas  using  the  Wald  tests.  Based  on  both  the  coefficient  estimates  and  the  Wald  test  statistics  in  model  2  and  model  3,  it  appears  that  earnings-related  fund  alphas  attract  fund  flows  more  strongly  than  the  other  component  of  fund  alphas. In unreported analyses, we find that earnings-related fund alphas do not decrease with fund  size.  However,  non-earnings-related  fund  alphas  are  negatively  associated  with  fund  size  once  we  exclude those largest mutual funds (e.g., top 20%).   

4.6. Predicting future abnormal stock returns at earnings announcements We  establish  that  CAR1_BUY  is  important  for  explaining  cross-sectional  variation  in  fund  alphas.  In  portfolio  analyses,  when  adjusting  for  Carhart’s  four  risk  factors,  we  find  that  the  top  decile funds in  terms of  CAR1_BUY do not earn  significantly positive  alphas,  and that the bottom 

27   

decile funds realize significantly negative alphas. Still, fund investors cannot benefit from such fund  return predictability, since they cannot short sell under-performing mutual funds.    We  now  ask  whether  variation  of  CAR1_BUY  among  mutual  funds  can  be  converted  to  stock-level signals that might  help stock investors to pick outperforming  stocks  on future earnings  announcement  dates.  This  is  equivalent  to  testing  the  models  of  Wermers  et  al.  (2012)  on  the  relationship between fund alphas and stock alphas.  Following  Cohen  et  al.  (2005),  we  construct  stock-quality  measures  for  stocks  at  the  end  of  each quarter based on fund alpha measures (Alpha4F and CAR1_BUY) in the past four quarters. We  denote  these  stock  quality  measures  as  SQ_Alpha4F  and  SQ_CAR1_BUY,  respectively.  As  an  example, the stock quality measure based on CAR1_BUY is constructed as 

(13) 

SQ _ CAR1_ BUY j ,t   i (

wi , j ,t

 i wi, j ,t



1 4  CAR1_ BUYi,t k 1 ),   4 k 1

where  wi , j ,t   is the weight of fund i in stock j at the end of quarter t. 

Table 8 is about here. We  employ  both  the  regression  and  portfolio  approaches  to  examine  whether  stock  quality  measures predict abnormal stock returns at future earnings announcements. We use three-day EARs  as the proxy for abnormal stock returns at earnings announcements (AR).20  In Panel A of Table 8,  we  show  results  of  quarterly  regressions  of  future  AR  on  stock  quality  measures,  and  find  that  SQ_CAR1_BUY is positively related to  future AR in the next four quarters. On the other hand, the 

                                                     20

Results are qualitatively similar when we use unexpected earnings based on the time-series of earnings. 

28   

stock quality measure based on Alpha4F is not significantly related to future AR, except in quarter  t+2. We infer from such results that ITE skills might be different from other skills of fund managers.  In  Panel  B  of  Table  8,  we  sort  stocks  into  quintiles  by  SQ_CAR1_BUY  at  the  end  of  each  quarter,  and  report the  average AR for the stock  portfolios in  the following  four quarters.  We find  that  stocks  with  the  lowest  quality  in  quintile  1  perform  poorly  relative  to  stocks  with  the  highest  quality  in  quintile  5  on  future  earnings  announcement  dates.  These  stocks  realize  lower  AR  than  stocks in the highest quality quintile by 11, 13, 17 and 14 basis points, respectively, in the next four  quarters.   

4.7. Additional analyses In this section, we briefly summarize the results of four additional analyses and do not tabulate  them.  In  the  first  analysis,  we  follow  Kothari  and  Warner  (2001)  and  simulate  1,200  real-time  mutual funds based on historical stock return data from 1984 to 2009. The idea is that if there is a  mechanical link between earnings drift and the measure we use, then this link would manifest itself  in  simulated  funds  as  well.  However,  based  on  portfolio  results,  we  do  not  find  that  CAR1_BUY  predicts fund winners in these simulated mutual funds.  In  the  second  analysis,  we  decompose  buy  trades  into  first  buys  and  non-first  buys.21  When  both measures are entered into the regression models, as in Table 2, we find that the measure based  on first buys is informative about fund returns, and the measure based on non-first buys is not. This  result is consistent with Baker  et al. (2010), and  suggests that mutual funds do carry out informed  trading, because first buys are clear intentions of buying stocks.                                                       21

If a stock is not owned in the previous quarter and is now owned by a fund, then the stock is a first-buy stock. 

29   

In  the  third  analysis,  we  follow  Kim  and  Kim  (2003)  in  creating  an  empirical  proxy  for  the  systematic risk factor of earnings  drift.  We  add  this risk factor to the Carhart four-factor  model to  estimate  fund  alphas,  and  find  that  CAR1_BUY  is  still  informative.  This  result  indicates  that  the  return predictability of fund manager skills of ITE is not likely due to earnings drift.  In the fourth analysis, we analyze whether CAR1_BUY is affected by Regulation FD, which was  implemented in October 2000. We divide the sample into two sub-periods: (1) 1984 to 2000, and (2)  2001 to 2009. We run  regressions on the two sub-samples and find that when Regulation FD is in  effect,  the  association  between  CAR1_BUY  and  mutual  fund  returns  is  not  significant.  This  is  consistent with Baker et al. (2010), who show that mutual funds have been less successful in trades  after Regulation FD.  5. Conclusion  Many  studies  in  finance  and  accounting  literature  use  EAR  tests  to  show  ITE  by  investors.  Motivated by these studies (specifically, Baker et al., 2010; and Wermers et al., 2012), we examine  one measure of skills of ITE for mutual funds based on their buy trades. In this measure, the fund is  skilled if they buy stocks that subsequently have high EARs.    Using  this  measure  and  data  from  1984  to  2009,  we  find  that  the  top  decile  fund  portfolio  outperforms the bottom decile fund portfolio by  44 basis points per quarter when adjusted for risk  factors  (using  the  Carhart  four-factor  model),  and  22  basis  points  when  adjusted  for  stock  characteristics  (Daniel  et  al.,  1997).  This  measure  significantly  predicts  mutual  fund  returns  in  regressions  that  control  for  fund  characteristics  and  post  earnings  announcement  drift.  The  relationship  is  also  robust  when  lagged  fund  alpha  measures  from  the  literature  are  used  in 

30   

regressions  such  as  the  return  gap,  the  similarity-based  fund  performance  measure,  the  selectivity  measure, and the industry concentration index.    We  decompose  fund  alphas  with  respect  to  earnings  to  learn  more  about  the  property  of  this  measure. We find that this measure is only associated with earnings-related fund alphas. Such fund  alphas  seem  to  attract  fund  flows  more  strongly  than  non-earnings-related  fund  alphas.  Also,  supporting  the  notion  that  mutual  fund  alphas  can  be  converted  to  stock  alphas,  we  find  that  this  measure  of  fund  manager  skills  of  ITE  can  be  used  to  predict  stock  returns  at  future  earnings  announcements.   

31   

References   Alexander, G. J., G. Cici, and S. Gibson, 2007, Does motivation matter when assessing trade performance?  An analysis of mutual funds, Review of Financial Studies 20, 125-150.  Ali, A., X. Chen, T. Yao, and T. Yu, 2008, Do mutual funds profit from the accruals anomaly?, Journal of Accounting Research 46, 1-26.  Amihud, Y., and R. Goyenko, 2013, Mutual fund's R2 as predictor of performance, Review of Financial Studies 26, 667-694.  Baik, B., J. K. Kang, and J. M. Kim, 2010, Local institutional investors, information asymmetries, and equity  returns, Journal of Financial Economics 97, 81-106.  Baker, M. , L. Litov, J. Wachter, and J. Wurgler, 2010, Can mutual fund managers pick stocks? Evidence  from their trades prior to earnings announcements, Journal of Financial and Quantitative Analysis 45,  1111-1131.  Ball, R., and P. Brown, 1968, An empirical evaluation of accounting income numbers, Journal of Accounting Research 6, 159-178.  Bartov, E., S. Radhakrishnan, and I. Krinsky, 2000, Investor sophistication and patterns in stock returns after  earnings announcements, Accounting Review 75, 43-63.  Berk, J. B., and R. C. Green, 2004, Mutual fund flows and performance in rational markets, The Journal of Political Economy 112, 1269-1295.  Berkman, H., V. Dimitrov, P. C. Jain, P. D. Koch, and S. Tice, 2009, Sell on the news: Differences of opinion,  short-sales constraints, and returns around earnings announcements, Journal of Financial Economics  92, 376-399.  Bernard, V. L., and J. K. Thomas, 1990, Evidence that stock prices do not fully reflect the implications of  current earnings for future earnings, Journal of Accounting and Economics 13, 305-340.  Bhushan, R., 1994, An informational efficiency perspective on the post-earnings announcement drift, Journal of Accounting and Economics 18, 45-65.  Bushee, B. J., and T. H. Goodman, 2007, Which institutional investors trade based on private information  about earnings and returns?, Journal of Accounting Research 45, 289-321.  Busse, J. A., and Q. Tong, 2012, Mutual fund industry selection and persistence, Review of Asset Pricing Studies 2, 245-274.  Carhart, M. M., 1997, On persistence in mutual fund performance, Journal of Finance 52, 57-82.  Chan, L. K. C., N. Jegadeesh, and J. Lakonishok, 1996, Momentum strategies, Journal of Finance 51,  1681-1713.  Chen, J., H. Hong, M. Huang, and J. D. Kubik, 2004, Does fund size erode mutual fund performance? The  role of liquidity and organization, The American Economic Review 94, 1276-1302.  Christophe, S. E., M. G. Ferri, and J. J. Angel, 2004, Short-selling prior to earnings announcements, Journal of Finance 59, 1845-1875.  Cohen, L., A. Frazzini, and C. Malloy, 2008, The small world of investing: Board connections and mutual  fund returns, Journal of Political Economy 116, 951-979.  Cohen, R. B., J. D. Coval, and Ľ Pástor, 2005, Judging fund managers by the company they keep, Journal of Finance 60, 1057-1096.  Coval, J. D., and T. J. Moskowitz, 2001, The geography of investment: Informed trading and asset prices,  Journal of Political Economy 109, 811-841.  Cremers, K. J. M., and A. Petajisto, 2009, How active is your fund manager? A new measure that predicts  performance, Review of Financial Studies 22, 3329-3365.  Da, Z., P. Gao, and R. Jagannathan, 2010, Impatient trading, liquidity provision, and stock selection by  mutual funds, Review of Financial Studies. 

32   

Daniel, K., M. Grinblatt, S. Titman, and R. Wermers, 1997, Measuring mutual fund performance with  characteristic-based benchmarks, Journal of Finance 52, 1035-1058.  Evans, R. B., 2010, Mutual fund incubation, The Journal of Finance 65, 1581-1611.  Fama, E. F., 1998, Market efficiency, long-term returns, and behavioral finance, Journal of Financial Economics 49, 283-306.  Fama, E. F. , and K. R. French, 2010, Luck versus skill in the cross section of mutual fund returns, Journal of Finance 65, 1915-1947.  Fama, E. F., and K. R. French, 1993, Common risk factors in the returns on stocks and bonds, Journal of Financial Economics 33, 3-56.  Fama, E. F., and J. D. MacBeth, 1973, Risk, return, and equilibrium: Empirical tests, Journal of Political Economy 81, 607-36.  Frazzini, A., and O. A. Lamont, 2007, The earnings announcement premium and trading volume, NBER Working Paper No. w13090. Available at SSRN: http://ssrn.com/abstract=986940.  Gil-Bazo, J., and P. Ruiz-Verdú, 2009, The relation between price and performance in the mutual fund  industry, Journal of Finance 64, 2153-2183.  Gruber, M. J., 1996, Another puzzle: The growth in actively managed mutual funds, Journal of Finance 51,  783-810.  Jiang, G. J., T. Yao, and T. Yu, 2007, Do mutual funds time the market? Evidence from portfolio holdings,  Journal of Financial Economics 86, 724-758.  Kacperczyk, M., C. Sialm, and L. Zheng, 2005, On the industry concentration of actively managed equity  mutual funds, Journal of Finance 60, 1983-2012.  Kacperczyk, M., C. Sialm, and L. Zheng, 2008, Unobserved actions of mutual funds, The Review of Financial Studies 21, 2379-2416.  Kacperczyk, M., S. van Nieuwerburgh, and L. Veldkamp, 2014, Time-varying fund manager skill, Journal of Finance 69, 1455-1484.  Ke, B., and K. Petroni, 2004, How informed are actively trading institutional investors? Evidence from their  trading behavior before a break in a string of consecutive earnings increases, Journal of Accounting Research 42, 895-927.  Kim, D., and M. Kim, 2003, A multifactor explanation of post-earnings announcement drift, Journal of Financial and Quantitative Analysis 38, 383-398.  Kim, O., and R. E. Verrecchia, 1997, Pre-announcement and event-period private information, Journal of Accounting and Economics 24, 395-419.  Kosowski, R., A. Timmermann, R. Wermers, and H. White, 2006, Can mutual fund "stars" really pick stocks?  New evidence from a bootstrap analysis, Journal of Finance 61, 2551-2595.  Kothari, S. P., and J. B. Warner, 2001, Evaluating mutual fund performance, Journal of Finance 56,  1985-2010.  Massa, M., and R. Patgiri, 2009, Incentives and mutual fund performance: Higher performance or just higher  risk taking?, The Review of Financial Studies 22, 1777-1815.  Sapp, T., and A. Tiwari, 2004, Does stock return momentum explain the "smart money" effect?, Journal of Finance 59, 2605-2622.  Schwarz, C. , and M. E. Potter, 2013, The voluntary reporting of mandatory data: The case of mutual funds,  Available at SSRN: http://ssrn.com/abstract=2093688.  Wermers, R., 2000, Mutual fund performance: An empirical decomposition into stock-picking talent, style,  transactions costs, and expenses, Journal of Finance 55, 1655-1695.  Wermers, R., 2004, Is money really "smart"? New evidence on the relation between mutual fund flows,  manager behavior, and performance persistence, Available at SSRN: http://ssrn.com/abstract=414420. 

33   

Wermers, R., T. Yao, and J. Zhao, 2012, Forecasting stock returns through an efficient aggregation of mutual  fund holdings, Review of Financial Studies 25, 3490-3529.  Yan, X., 2008, Liquidity, investment style, and the relation between fund size and fund performance, Journal of Financial and Quantitative Analysis 43, 741-767.  Yan, X., and Z. Zhang, 2009, Institutional investors and equity returns: Are short-term institutions better  informed?, Review of Financial Studies 22, 893-924.  Zheng, L., 1999, Is money smart? A study of mutual fund investors' fund selection ability, Journal of Finance  54, 901-933.   

34   

Appendix: Variable Definitions This table provides the definitions of our variables in alphabetic order.  Variables AGE  Alpha1F  Alpha3F  Alpha4F  AR  AS  CAPM  CAR1  CAR1_BUY  CAR1_SELL  Carhart4  CS  CT  Dnews1  EAR-Alpha  EAR-Alpha_p  EXP_RATIO  FF3  FLOW  FLOW_R  Fund R2  GROWTH  ICI  Non-EAR-Alpha  Non-EAR-Alpha_p  RET  RETGAP  SIM  SQ_Alpha4F  SQ_CAR1_BUY  TNA  TOTAL_LOAD  Total-Alpha  TURNOVER 

Definition fund age, the number of years since the fund has return records in the CRSP dataset  fund alphas based on the market model  fund alphas based on the Fama-French three-factor model  fund alphas based on the Carhart four-factor model  abnormal stock returns at earnings announcements  average style measure of fund performance as in Daniel et al. (1997)  alphas of fund portfolios based on the market model  fund-level earnings announcement returns  the buy trades-based measure of fund manager skills of ITE  the sell trades-based measure of fund manager skills of ITE  alphas of fund portfolios based on the Carhart four-factor model  characteristics selectivity measure of fund performance as in Daniel et al. (1997)  characteristics timing measure of fund performance as in Daniel et al. (1997)  fund-level direction of earnings announcement returns  the component of holdings-based fund alphas related to earnings  the average of EAR-Alpha in the past four quarters  yearly total expense divided by fund assets  alphas of fund portfolios based on the Fama-French three-factor model  quarterly fund flow  quarterly decile rank of fund flow  the selectivity measure of mutual funds as in Amihud and Goyenko (2013)  a dummy for the growth fund  the industry concentration index measure as in Kacperczyk et al. (2005)   the component of holdings-based fund alphas unrelated to earnings  the average of Non-EAR-Alpha in the past four quarters  the raw mutual fund return  the return gap measure of fund performance as in Kacperczyk et al. (2008)  the similarity-based fund performance measure (SIM) of Cohen et al. (2005)  the stock quality measure based on Alpha4F following Cohen et al. (2005)  the stock quality measure based on CAR1_BUY following Cohen et al. (2005)  total net assets under management  total load charged by the fund  total fund alpha based on the latest stock holdings as in Busse and Tong (2012)  fund’s stock holdings turnover rate 

35   

Table 1: Summary Statistics This  table  contains  pooled  summary  statistics  for  our  sample.  RET  is  the  raw  mutual  fund  return  in  percentage.  TNA  is  total  net  assets  under  management.  EXP_RATIO  is  yearly  total  expense  divided  by  fund  assets.  TURNOVER is the fund’s stock holdings turnover rate provided by CRSP. AGE  is the number of years since the  fund  has  return  records  in  the  CRSP  dataset. TOTAL_LOAD is  the  total load  charged by  the  fund.  FLOW  is  the  quarterly  fund  flow.  CAR1  is  the  fund-level  earnings  announcement  returns  (EARs)  and  defined  as  the  value-weighted average of the most recent EAR of all stocks held by the fund at the start of the quarter. Dnews1 is  the fund-level EAR direction. CAR1_BUY is the measure of fund manager  skills of ITE based on the buy  trades.  CAR1_SELL is defined in a similar way, but it is based on the sell trades. Alpha1F, Alpha3F, and Alpha4F are fund  alphas  based  on  the  market  model,  the  Fama-French  three-factor  model,  and  the  Carhart  four-factor  model,  respectively.  Characteristics  selectivity  (CS),  Characteristics  timing  (CT),  and  Average  style  (AS)  are  the  stock  characteristic-based measures of fund performance (Daniel et al., 1997).  VARIABLES  3,131 distinct funds  RET (% per quarter)  TNA (Mil)  EXP_RATIO  TURNOVER (%)  AGE (years)  TOTAL_LOAD (%)  FLOW (%)  CAR1 (%)  Dnews1  CAR1_BUY(%)  CAR1_SELL (%)  Alpha1F (% per quarter)  Alpha3F (% per quarter)  Alpha4F (% per quarter)  CS (% per quarter)  CT (% per quarter)  AS (% per quarter) 

MEAN 

STD 

P25 

Median 

P75 

N 

1.90  1183  1.26  85  13.40  1.30  1.73  0.76  0.53  -0.02  0.08  -0.06  -0.20  -0.24  0.10  0.01  2.24 

10.63  4598  0.47  100  10.34  1.76  15.10  2.99  0.20  2.07  2.11  4.90  4.24  4.11  3.79  2.00  9.79 

-2.97  69  0.97  32  5.75  0.00  -4.19  -0.06  0.47  -1.04  -0.95  -2.28  -2.09  -2.07  -1.53  -0.85  -2.86 

2.78  222  1.21  63  9.92  0.46  -0.94  0.61  0.53  -0.03  0.05  -0.14  -0.25  -0.26  0.05  -0.03  3.09 

7.87  753  1.50  111  17.75  2.30  3.70  1.45  0.60  0.98  1.06  2.08  1.62  1.55  1.64  0.79  8.23 

97,279  97,279  97,279  97,279  97,279  97,279  97,279  97,278  97,278  97,252  97,235  97,279  97,279  97,279  96,335  94,364  94,364 

     

36   

Table 2: Determinant analysis We  perform  OLS  regressions  to  show  determinants  for  CAR1_BUY  and  CAR1_SELL.  TNA,  EXP_RATIO,  TURNOVER,  AGE,  TOTAL_LOAD  are fund  characteristics variables. FLOW  is  the quarterly fund  flow. CAR1  is  the  earnings  drift  variable.  GROWTH  is a dummy  variable  indicating  the  fund is  a  growth  fund  according  to  its  CRSP fund objective. RETGAP is the return gap measure of Kacperczyk et al. (2008). SIM is the similarity-based  fund  performance  measure  of  Cohen  et  al.  (2005).  Fund  R2  is  the  selectivity  measure  of  Amihud  and  Goyenko  (2013). ICI is  the  industry  concentration  index  of  Kacperczyk  et  al.  (2005). All  variables  are  in  quarter  t  except  TNA, which is in quarter t-1.The t-statistics are in square brackets, and are based on standard errors clustering by  both  the  quarter  and  the  fund.  ***,  **,  and  *  indicate  statistical  significance  at  the  1%,  5%,  and  10%  levels,  respectively.    VARIABLES  Intercept    Log (TNA)    EXP_RATIO    TURNOVER    Log (AGE)    TOTAL_LOAD    FLOW    CAR1    GROWTH    RETGAP    SIM    Fund R2    ICI    Observations  R2

(1)  CAR1_BUY  -6.452  [-0.46]  0.725  [0.69]  3.585  [1.24]  -2.930*  [-1.89]  3.13  [1.55]  -1.027  [-1.40]  2.380***  [6.15]  9.318***  [6.71]  -3.001  [-1.23]  -3.544***  [-2.95]  3.365*  [1.69]  -7.756*  [-1.95]  -24.092*  [-1.82]  85,286  0.022 

   

37   

(2)  CAR1_SELL  -0.766  [-0.06]  -0.406  [-0.43]  -2.121  [-0.71]  -1.948  [-1.42]  -3.788**  [-2.20]  1.293*  [1.75]  -0.822**  [-2.37]  -3.808***  [-5.01]  3.296  [1.26]  0.284  [0.12]  -2.042  [-1.11]  9.023*  [1.96]  27.136**  [2.08]  85,260  0.005 

Table 3: Persistence of measures of fund manager skills of ITE This table shows persistence of the measure of fund manager skills of ITE. In Panel A, we sort funds  into  quintiles  in  each  quarter  according  to CAR1_BUY,  and  compute  the  simple  average  CAR1_BUY  for these quintile portfolios in the following four quarters. In Panel B, we conduct similar analyses on  CAR1_SELL. The t-statistics  are  in  square  brackets. ***,  **,  and  *  indicate statistical  significance at  the 1%, 5%, and 10% levels, respectively.  Panel A: Average CAR1_BUY for the quintile fund portfolios sorted by CAR1_BUY Rank  1  2  3  4  5  5th Quintile  - 1st Quintile 

t+1 -7.39  [-1.32]  -5.36  [-1.00]  -6.33  [-1.21]  -1.58  [-0.33]  -0.96  [-0.19]  6.43**  [2.11] 

t+2 -5.09  [-0.93]  -6.61  [-1.42]  -5.57  [-1.02]  -5.39  [-1.06]  -3.06  [-0.55]  2.03  [0.54] 

t+3 -7.34  [-1.49]  -7.22  [-1.41]  -4.76  [-1.05]  -3.99  [-0.76]  0.66  [0.12]  8.00**  [2.62] 

t+4 -9.32  [-1.62]  -7.48  [-1.44]  -4.30  [-0.91]  -4.13  [-0.82]  -3.67  [-0.67]  5.65**  [2.25] 

Panel B: Average CAR1_SELL for the quintile fund portfolios sorted by CAR1_SELL Rank  1  2  3  4  5  5th Quintile  - 1st Quintile 

t+1 -3.77  [-0.74]  -7.53  [-1.37]  -9.57  [-1.84]  -2.18  [-0.44]  1.37  [0.26]  5.14  [1.59] 

t+2 -2.27  [-0.42]  -6.80  [-1.32]  -6.58  [-1.27]  -6.59  [-1.32]  -3.48  [-0.66]  -1.21  [-0.35] 

 

38   

t+3 -0.80  [-0.14]  -4.39  [-0.99]  -5.43  [-1.03]  -8.97  [-1.84]  -2.89  [-0.52]  -2.09  [-0.70] 

t+4 -4.84  [-0.95]  -4.00  [-0.82]  -4.64  [-0.87]  -8.89  [-1.59]  -6.67  [-1.17]  -1.82  [-0.52] 

Table 4: Portfolio returns sorted by the measures of ITE This  table  presents  quarterly  returns  for  10  equally  weighted  fund  portfolios  sorted  by  CAR1_BUY  (Panel  A)  and  CAR1_SELL  (Panel  B)  from  1984  to  2009.  Fund  portfolios  are  rebalanced  quarterly.  RET is the raw mutual fund return. CAPM is the alpha for fund portfolios based on the market model.  FF3  is  the  alpha  for  fund  portfolios  based  on  the  Fama-French  three-factor  model.  Carhart4  is  the  alpha for fund portfolios  based on the  Carhart four-factor model. These alphas are the intercept from  regressing excess returns (over risk free interest rate) of fund portfolios on the contemporaneous risk  factors  from 1984 to 2009. RET, CAPM, FF3, and Carhart4 are measured in percentage per quarter.  CS, CT  and AS are the measures of characteristics selectivity, characteristics timing and  average  style,  respectively.  The  t-statistics  are  in  square  brackets.  ***,  **,  and  *  indicate  statistical  significance at the 1%, 5%, and 10% levels, respectively.  Panel A: Portfolios sorted by CAR1_BUY CAR1_BUY deciles  1 

RET  2.37  [2.59]  2  2.53  [2.96]  3  2.54  [2.99]  4  2.51  [2.98]  5  2.45  [2.98]  6  2.59  [3.19]  7  2.70  [3.31]  8  2.64  [3.23]  9  2.70  [3.24]  10  2.72  [3.14]  2nd Half - 1st Half  0.19*  [1.82]  5th Quintile - 1st Quintile  0.26  [1.55]  10th Decile - 1st Decile  0.34  [1.65] 

CAPM  -0.52  [-2.46]  -0.26  [-1.65]  -0.21  [-1.5]  -0.22  [-1.37]  -0.27  [-1.74]  -0.12  [-0.66]  -0.01  [-0.05]  -0.10  [-0.48]  -0.07  [-0.28]  -0.14  [-0.46]  0.21*  [1.77]  0.29  [1.54]  0.38*  [1.67] 

FF3  Carhart4  -0.36  -0.43  [-2.64]  [-2.94]  -0.19  -0.27  [-1.67]  [-2.33]  -0.20  -0.23  [-1.77]  [-2.06]  -0.19  -0.26  [-1.53]  [-2.12]  -0.26  -0.34  [-2.65]  [-3.47]  -0.15  -0.19  [-1.22]  [-1.52]  -0.03  -0.10  [-0.24]  [-0.81]  -0.07  -0.16  [-0.56]  [-1.22]  0.02  -0.11  [0.13]  [-0.66]  0.03  0.01  [0.17]  [0.08]  0.20**  0.20**  [2.33]  [2.20]  0.30**  0.31**  [2.10]  [2.04]  0.39**  0.44**  [2.22]  [2.38] 

 

39   

CS  0.03  [0.32]  0.06  [0.73]  0.09  [1.14]  0.03  [0.45]  0.09  [1.15]  0.05  [0.60]  0.19  [2.22]  0.13  [1.15]  0.12  [1.03]  0.26  [1.62]  0.09  [1.47]  0.14  [1.60]  0.22*  [1.93] 

CT  -0.01 [-0.07] 0.01 [0.10] 0.02 [0.25] 0.04 [0.47] 0.04 [0.51] 0.03 [0.43] 0.05 [0.61] -0.01 [-0.12] 0.02 [0.24] 0.02 [0.24] 0.00 [0.05]

0.02 [0.63] 0.03 [0.68]

AS  3.02 [3.61] 2.99 [3.58] 3.05 [3.60] 3.00 [3.61] 3.09 [3.68] 3.09 [3.73] 3.12 [3.76] 3.09 [3.71] 3.07 [3.71] 3.01 [3.54] 0.05 [0.84] 0.03 [0.37] -0.01 [-0.12]

   

      Panel B: Portfolios sorted by CAR1_SELL CAR1_SELL deciles  1 

RET  2.71  [3.23]  2  2.60  [3.17]  3  2.69  [3.29]  4  2.52  [3.10]  5  2.58  [3.09]  6  2.49  [2.95]  7  2.49  [2.96]  8  2.54  [2.99]  9  2.54  [2.97]  10  2.57    [2.88]  2nd Half - 1st Half  -0.09  [-1.02]  5th Quintile - 1st Quintile  -0.10  [-0.62]  10th Decile - 1st Decile  -0.14    [-0.69] 

CAPM  -0.10  [-0.36]  -0.14  [-0.6]  -0.05  [-0.23]  -0.19  [-1.03]  -0.15  [-1.07]  -0.27  [-1.61]  -0.25  [-1.61]  -0.23  [-1.74]  -0.24  [-1.45]  -0.29  [-1.53]  -0.13  [-1.23]  -0.14  [-0.78]  -0.19  [-0.81] 

FF3  Carhart4  CS  -0.02  -0.09  0.10  [-0.09]  [-0.55]  [0.82]  -0.09  -0.21  0.11  [-0.54]  [-1.37]  [0.94]  -0.05  -0.16  0.15  [-0.4]  [-1.26]  [1.58]  -0.20  -0.24  0.05  [-1.69]  [-1.97]  [0.64]  -0.12  -0.18  0.14  [-1.10]  [-1.68]  [1.60]  -0.24  -0.29  0.05  [-2.19]  [-2.41]  [0.51]  -0.22  -0.34  0.10  [-1.97]  [-3.23]  [1.13]  -0.18  -0.18  0.03  [-1.67]  [-1.49]  [0.49]  -0.16  -0.24  0.13  [-1.24]  [-1.79]  [1.39]  -0.15  -0.17  0.18  [-1.13]  [-1.12]  [1.73]  -0.10  -0.07  -0.01  [-1.44]  [-0.86]  [-0.27]  -0.10  -0.05  0.05  [-0.82]  [-0.38]  [0.58]  -0.13  -0.08  0.08  [-0.86]  [-0.43]  [0.70] 

 

40   

CT  0.04  [0.46]  0.01  [0.16]  0.04  [0.53]  0.04  [0.54]  0.04  [0.49]  0.01  [0.13]  0.00  [0.01]  0.03  [0.40]  0.00  [-0.02]  -0.01  [-0.07]  -0.03  [-1.38]  -0.03  [-0.84]  -0.04  [-0.95] 

AS  3.12  [3.80]  3.07  [3.70]  3.05  [3.66]  3.08  [3.66]  3.07  [3.67]  3.01  [3.56]  3.01  [3.57]  3.08  [3.71]  3.03  [3.57]  3.04  [3.67]  -0.05  [-0.90]  -0.06  [-0.68]  -0.08  [-0.76] 

Table 5: Fama-MacBeth regression of mutual fund returns This  table  shows  Fama-MacBeth  regressions  of  future  mutual  fund  returns  on  the  measure  of  fund  manager  skills  of  ITE  from  1984  to  2009.  Alpha3F  is  the  conditional  alpha  from  the  Fama-French  three-factor  model  estimated  using  the  fund’s  previous  24-months  return  history.  Alpha4F  is  the  conditional alpha from the Carhart four-factor model estimated similar to Alpha3F. CS, CT and AS are  the measures of characteristics selectivity, characteristics timing and average style, respectively. TNA,  EXP_RATIO,  TURNOVER,  AGE,  TOTAL_LOAD  are  fund-characteristic  variables.  FLOW_R  is  the  quarterly decile rank of fund flow, FLOW. CAR1 and Dnews1 are earnings drift variables. RETGAP is  the  return  gap  measure  of  Kacperczyk  et  al.  (2008).  SIM  is  the  similarity-based  fund  performance  measure  of Cohen et  al. (2005). Fund  R2 is  the  selectivity measure  of Amihud  and Goyenko (2013).  ICI  is  the  industry  concentration  index  of  Kacperczyk  et  al.  (2005).  The  t-statistics  are  in  square  brackets. ***, **, and * indicate statistical significance at the 1%, 5%, and 10% levels, respectively.  Panel A: Regression of mutual fund returns on CAR1_BUY   (1)  (2)  (3)  (4)  (5)  (6)  (7)  VARIABLES  Alpha3F  Alpha3F  Alpha3F  Alpha4F  Alpha4F  Alpha4F  CS  CAR1_BUY  0.044***  0.039**  0.039**  0.051***  0.050***  0.050***  0.034**  [2.74]  [2.38]  [2.58]  [3.17]  [3.01]  [3.22]  [2.05]  Log (TNA)  0.003  0.002  0.011  -0.023  -0.024  -0.010  -0.016  [0.17]  [0.08]  [0.58]  [-1.41]  [-1.44]  [-0.55]  [-0.85]  EXP_RATIO  -0.132**  -0.138**  -0.174*** -0.174*** -0.176*** -0.228***  0.031  [-2.09]  [-2.22]  [-2.64]  [-2.75]  [-2.78]  [-3.39]  [0.51]  TURNOVER  0.137**  0.129**  0.094  0.031  0.027  0.007  0.067  [2.17]  [2.12]  [1.48]  [0.6]  [0.53]  [0.14]  [1.35]  Log (AGE)  -0.031  -0.032  -0.054  -0.033  -0.031  -0.054*  0.031  [-0.85]  [-0.87]  [-1.55]  [-1.03]  [-0.96]  [-1.82]  [1.06]  TOTAL_LOAD  -0.011  -0.009  -0.005  -0.006  -0.006  0.001  -0.002  [-0.97]  [-0.83]  [-0.41]  [-0.47]  [-0.47]  [0.08]  [-0.16]  FLOW_R  0.047*** 0.046***  0.036***  0.032***  0.033***  0.025**  0.030**  [3.32]  [3.34]  [2.81]  [2.88]  [3.00]  [2.41]  [2.17]  CAR1  0.025  0.006            [0.76]  [0.21]            Dnews1  0.058  -0.056                [0.17]    [-0.19]        RETGAP    0.099***    0.123***              [3.25]      [4.53]    SIM      44.008***      30.565***          [3.41]      [2.64]    Fund R2      0.005      -0.020          [0.05]      [-0.18]    ICI      0.826**      0.781**          [2.33]      [2.18]    Fund objective  Yes  Yes  Yes  Yes  Yes  Yes  Yes  fixed effect  # of periods    104  104  104  104  104  104  104  Observations  97,252  97,251  86,878  97,252  97,251  86,878  96,322  R2 0.069  0.077  0.133  0.06  0.067  0.124  0.063 

41   

(8)  CT  0.002  [0.25]  0.000  [-0.06]  -0.009  [-0.34]  0.024  [1.28]  -0.010  [-0.55]  -0.004  [-1.03]  0.008  [1.16] 

(9)  AS  -0.001  [-0.07]  -0.002  [-0.16]  0.067  [1.11]  0.037  [0.90]  0.034  [1.21]  -0.006  [-0.57]  -0.009  [-0.69] 

     

     

               

               

  Yes 

  Yes 

104  94,351  0.063 

104  94,351  0.205 

Panel B: Regression of mutual fund returns on CAR1_SELL   (1)  VARIABLES  Alpha3F  CAR1_SELL  -0.013    [-0.88]  Other control  variables the  same as in  Yes  the matching  model of  panel A  Fund  Yes  objective  fixed effect  # of periods    104  Observations  97,235  R2 0.068 

(2)  (3)  (4)  (5)  (6)  Alpha3F  Alpha3F  Alpha4F  Alpha4F  Alpha4F  -0.011  -0.015  -0.02  -0.019  -0.022*  [-0.74]  [-1.17]  [-1.49]  [-1.42]  [-1.80] 

(8)  CT  -0.004  [-0.79] 

(9)  AS  -0.005  [-0.38] 

Yes 

Yes 

Yes 

Yes 

Yes 

Yes 

Yes 

Yes 

Yes 

Yes 

Yes 

Yes 

Yes 

Yes 

Yes 

Yes 

104  97,234  0.076 

104  86,852  0.132 

104  97,235  0.058 

104  97,234  0.065 

104  86,852  0.123 

104  96,295  0.062 

104  94,325  0.062 

104  94,325  0.204 

 

42   

(7)  CS  0.009  [0.63] 

Table 6: Decomposing fund alphas with respect to earnings We  obtain daily returns  of  the  mutual  fund  based  on  its  latest  stock  holdings,  as in  Busse  and  Tong  (2012).  By  replacing  stock  returns  in  the  fund’s  portfolio  with  market  returns  on  earnings  announcement  dates,  we  obtain  another  time  series  of  daily  fund  returns  without  earnings  announcement  effects.  In  each  quarter,  these  time  series  of  fund  returns  are  regressed  on  daily  risk  factors to derive risk-adjusted fund alphas. Total-Alpha is the total fund alpha based on the latest stock  holdings;  Non-EAR-Alpha  is  the  component  of  holdings-based  fund  alpha  unrelated  to  earnings;  and  EAR-Alpha, defined as the  difference between Total-Alpha and Non-EAR-Alpha, is the component of  holdings-based fund alpha related to earnings. Non-EAR-Alpha_p is the average of Non-EAR-Alpha in  the past four quarters. EAR-Alpha_p is the average of EAR-Alpha in the past four quarters. In Panel A,  we sort our sample of mutual funds into deciles by CAR1_BUY. We compute the simple average of the  concurrent  fund  alphas  for  each  decile  of  mutual  funds.  In  Panel  B,  we  perform  quarterly  Fama-MacBeth  regressions  of  fund  alphas.  Note  that  Alpha4F  is  the  quarterly  fund  alpha  measure  based  on  the  Carhart  four-factor  model.  TNA,  EXP_RATIO,  TURNOVER,  AGE,  TOTAL_LOAD  are  fund characteristics variables. FLOW is the quarterly fund flow, and CAR1 is the earnings drift variable.  The t-statistics are in square brackets. ***, **, and * indicate statistical significance at the 1%, 5%, and  10% levels, respectively.  Panel A: Association between CAR1_BUY and fund alphas    CAR1_BUY deciles  1    2    3    4    5    6    7    8    9    10    10-1   

Total-Alpha  -0.57  [-4.55]  -0.31  [-3.11]  -0.26  [-2.81]  -0.14  [-1.36]  -0.07  [-0.73]  0.03  [0.33]  0.16  [1.82]  0.28  [2.85]  0.42  [3.78]  0.64  [5.16]  1.21***  [10.03] 

Non-EAR-Alpha  -0.14  [-1.05]  -0.11  [-1.08]  -0.19  [-1.96]  -0.14  [-1.34]  -0.16  [-1.72]  -0.16  [-1.84]  -0.14  [-1.51]  -0.10  [-1.02]  -0.09  [-0.84]  -0.12  [-0.98]  0.02  [0.17] 

    43   

EAR-Alpha  -0.43  [-11.15]  -0.20  [-6.58]  -0.08  [-2.59]  0.01  [0.18]  0.09  [3.21]  0.19  [6.77]  0.30  [10.68]  0.38  [12.12]  0.52  [15.54]  0.75  [17.89]  1.18***  [26.21] 

  Panel B: Quarterly regressions of fund alphas  (1) 

0.166***  [5.69]  0.201***  [3.07]  -0.007  [-0.43]  -0.032  [-0.60]  -0.004  [-0.09]  -0.055**  [-2.09]  -0.006  [-0.70]  -0.005**  [-2.20]  -0.005  [-0.20] 

(2)  Alpha4F    (t+1)  0.145***  [3.96]  0.128**  [2.12]  -0.023  [-1.40]  -0.216***  [-3.51]  0.014  [0.29]  -0.019  [-0.59]  0.000  [-0.01]  0.002  [0.62]  0.014  [0.56] 

(3)  Non-EAR-Alpha    (t+1)  0.164***  [6.08]  0.149**  [2.37]  -0.009  [-0.65]  -0.020  [-0.41]  -0.009  [-0.23]  -0.045*  [-1.83]  -0.008  [-1.08]  -0.005**  [-2.20]  -0.006  [-0.28] 

(4)  EAR-Alpha    (t+1)  0.002  [0.29]  0.052***  [3.23]  0.003  [0.69]  -0.012  [-0.88]  0.005  [0.60]  -0.010  [-1.38]  0.002  [0.67]  0.000  [-0.85]  0.001  [0.26] 

Yes 

Yes 

Yes 

Yes 

104  95,237  0.107 

104  97,256  0.099 

104  95,237  0.109 

104  95,237  0.077 

VARIABLES 

Total-Alpha    (t+1) 

Non-EAR-Alpha_p  EAR-Alpha_p  Log (TNA)  EXP_RATIO  TURNOVER  Log (AGE)  TOTAL_LOAD  FLOW  CAR1  Fund objective  fixed effect  # of periods    Observations  R2

     

44   

Table 7: Predicting fund flows Non-EAR-Alpha_p  is  the  average  of  non-earnings-related  fund  alphas  in  the  past  four  quarters;  EAR-Alpha_p  is  the  average  of  earnings-related  fund  alphas in  the  past  four  quarters.  These  two  variables  are  lagged  by  4,  8  and  12  quarters  in  model  2  to  4,  respectively.  TNA,  EXP_RATIO,  TURNOVER, AGE, TOTAL_LOAD are fund characteristics variables. FLOW is the quarterly fund flow.  FLOW (t-4:t-1) is the cumulative fund flow from quarter t-4 to quarter t-1. We test whether coefficient  estimates on EAR-Alpha_p and Non-EAR-Alpha_p are significantly different using the Wald test. The  t-statistics are in square brackets and are based on standard errors clustering by both the quarter and the  fund. ***, **, and * indicate statistical significance at the 1%, 5%, and 10% levels, respectively.    Variables  Non-EAR-Alpha_p (t)    EAR-Alpha_p (t)    Non-EAR-Alpha_p (t-4)    EAR-Alpha_p (t-4)    Non-EAR-Alpha_p (t-8)    EAR-Alpha_p (t-8)    Non-EAR-Alpha_p (t-12)    EAR-Alpha_p (t-12)    Log (TNA)  EXP_RATIO  TURNOVER  Log (AGE)  TOTAL_LOAD  FLOW (t)  FLOW (t-4: t-1)  Quarterly fixed effect  Fund objective fixed effect  Observations  R2 The Wald test statistic  Associated P-value 

(1)  FLOW (t+1)  0.766***  [9.14]  1.004***  [6.23]                          -0.192***  [-4.33]  -0.396**  [-2.29]  0.29  [1.63]  -1.068***  [-9.64]  0.028  [0.67]  0.220***  [10.47]  0.025***  [8.53]  Yes  Yes  96,252  0.1674  1.5254  0.217   

(2)  FLOW (t+1) 

(3)  FLOW (t+1) 

(4)  FLOW (t+1) 

        0.291***  [4.44]  0.653***  [4.82] 

                0.130**  [2.35]  0.482***  [3.76] 

                        -0.075  [-1.58]  0.058  [0.53]  -0.105**  [-2.32]  -0.249  [-1.26]  0.124  [0.73]  -0.822***  [-7.14]  -0.018  [-0.43]  0.216***  [8.98]  0.029***  [8.37]  Yes  Yes  80,251  0.1389  1.0596  0.303   

                -0.188***  [-4.31]  -0.364**  [-2.07]  0.298  [1.63]  -1.039***  [-9.48]  0.022  [0.56]  0.233***  [10.53]  0.025***  [8.18]  Yes  Yes  94,653  0.1574  6.4357  0.011   

45   

        -0.156***  [-3.38]  -0.347*  [-1.9]  0.292  [1.63]  -0.961***  [-8.51]  0.003  [0.07]  0.229***  [9.90]  0.027***  [8.22]  Yes  Yes  89,114  0.1523  6.1314  0.013   

Table 8: Predicting abnormal stock returns at earnings announcements Following Cohen et al. (2005), we construct  stock-quality  measures for common stocks at the end of  each  quarter based  on fund alpha measures  (Alpha4F and CAR1_BUY) in the  past four  quarters, and  denote them as SQ_Alpha4F and SQ_CAR1_BUY, respectively. We use these two variables to predict  abnormal  returns  at  earnings  announcements  (AR)  in  the  next  four  quarters.  BETA,  BM  and  ME  are  stock  beta,  the  book-to-market  ratio,  and  market  value  of  firm  equity,  respectively.  In  Panel  A,  we  perform  quarterly  Fama-MacBeth  regressions  of  AR  on  stock  quality  measures.  In  Panel  B,  we  sort  stocks into quintile portfolios by SQ_CAR1_BUY and report the average AR for these stock portfolios  in  the  next  four  quarters.  The  t-statistics  are  in  square  brackets.  ***,  **,  and  *  indicate  statistical  significance at the 1%, 5%, and 10% levels, respectively.  Panel A: Quarterly regressions of AR on stock quality measures 

(1)  (2)  (3)  (4)  (5)  (6)  (7)  (8)  VARIABLES  AR (t+1)  AR (t+1)  AR (t+2)  AR (t+2)  AR (t+3)  AR (t+3)  AR (t+4)  AR (t+4)  INTERCEPT 

0.189***  0.085  0.183***  0.024  0.179***  -0.018  0.193***  -0.013  [5.01]  [0.59]  [4.50]  [0.16]  [4.53]  [-0.12]  [4.81]  [-0.08]  SQ_Alpha4F  0.017  0.016  0.022*  0.022*  0.018  0.022  0.005  0.009  [1.19]  [1.13]  [1.67]  [1.72]  [1.30]  [1.61]  [0.35]  [0.66]  SQ_CAR1_BUY  0.075**  0.066**  0.094***  0.080***  0.080**  0.066*  0.124***  0.116***  [2.49]  [2.20]  [3.09]  [2.63]  [2.27]  [1.93]  [3.24]  [3.03]  BETA  -0.098  -0.071  -0.062  -0.033  [-1.03]  [-0.75]  [-0.64]  [-0.33]  Log (BM)  0.078  0.095*  0.103**  0.089*  [1.6]  [1.96]  [2.16]  [1.81]  Log (ME)  0.027**  0.029**  0.033***  0.031**  [2.35]  [2.48]  [2.96]  [2.54]  # of periods    104  104  104  104  104  104  104  104  Observations  247,832  247,810  247,017  246,995  246,081  246,057  245,160  245,135  R2 0.001  0.005  0.001  0.005  0.001  0.005  0.002  0.005 

  Panel B: Average AR for stocks sorted by SQ_CAR1_BUY    SQ_CAR1_BUY quintiles  1    2    3    4    5    5th Quintile - 1st Quintile   

t+1  0.10  [1.71]  0.18  [3.72]  0.20  [4.29]  0.26  [5.67]  0.21  [3.59]  0.11*  [1.93] 

t+2  0.09  [1.79]  0.15  [3.23]  0.24  [4.80]  0.26  [5.25]  0.22  [4.22]  0.13**  [2.54] 

46   

t+3  0.10  [1.81]  0.17  [4.03]  0.20  [4.29]  0.21  [3.80]  0.27  [4.43]  0.17***  [2.99] 

t+4  0.13 [2.18] 0.11 [2.31] 0.24 [5.60] 0.24 [4.58] 0.27 [4.27] 0.14** [2.20]

Figure 1: Timeline for defining the measure   

      

,

−

,

 

Announcement return,  Fund return, Rt+1  ,

   

Quarter t-2 

Quarter t-1 

Quarter t 

   

           

47   

  Quarter t+1 

Quarter t+2