Caitlin Dannhauser is at the Villanova School of Business, Villanova University, 800 Lancaster Avenue, Villanova, PA 

19085. She can be reached at caitlin.dannhauser@villanova.edu. Phone: 610‐519‐4348. Saeid Hoseinzade is at the 

Sawyer Business School, Suffolk University, 120 Tremont Street, Boston, MA 02108. He can be reached at Email: 

shoseinzade@suffolk.edu . We thank Itay Goldstein (discussant), Antti Petajisto (discussant), Pierluigi Balduzzi, 

Jeffrey Pontiff, Jonathan Reuter, Ronnie Sadka, Hassan Tehranian, and participants at the 2017 ICI and Darden 

Academic and Practitioner Symposium on Mutual Funds and ETFs, the Second Annual “Philly Five” Finance 

Symposium, and Suffolk University Seminar Series for helpful comments. 

  

The Transformation of Corporate Bond Investors and Fragility:  

Evidence on Mutual Funds and ETFs 

 

Caitlin Dannhauser  

Villanova University 

 

Saeid Hoseinzade  

Suffolk University 

 

 

 

 The liquidity transformation of mutual funds and exchange‐traded funds (ETFs) is examined as 

a potential source of corporate bond market fragility. Using differential exposure among bonds 

from the same issuer to plausibly exogenous outflows, ETFs cause temporary flow‐driven yield 

pressure that reverts after seven months. Outflows from active and index mutual funds have no 

impact. The differential effects are attributed to short‐term positive feedback traders’ presence in 

ETFs and delayed arbitrage propagating shocks. A one‐month effect is found for active mutual 

funds in the lowest quartile of liquid assets, suggesting their significant liquidity buffers may be 

insufficient in prolonged shocks. 

 

 

 

 

 

 

 

 

 

 

1  

1. Introduction 

Fragility resulting from  the unintended consequences of financial  innovation  is a recurring 

theme  in market  history  (Gennaioli,  Shleifer,  and  Vishny,  2012).1 With  a  heightened  interest  in 

vulnerabilities  created  by  various  non‐bank  financial  institutions,  Schmidt,  Timmermann,  and 

Wermers (2016) observe that pooled vehicles for which the liquidity mismatch becomes magnified in 

times of turmoil are particularly susceptible to run‐like behavior and its consequences. A more recent, 

yet prevalent investment theme is the transformation of the systemically important corporate bond 

market. Between 2008 and 2016 the amount of corporate debt outstanding grew 56% according to the 

Securities  Industry  and  Financial Markets  Association  (SIFMA).  Over  the  same  period,  Federal 

Reserve Board statistics reveal that broker‐dealer corporate and foreign bond holdings decreased 78%, 

while those of nontraditional investors, exchange‐traded funds (ETFs) and open‐end mutual funds, 

more than tripled. With combined holdings nearly matching the levels of traditional long‐term bond 

investors,  insurance  companies,  historically  familiar  concerns  regarding  the  intraday  and  daily 

liquidity provisions of ETFs and mutual funds relative to illiquid corporate bonds have emerged.2 For 

example,  the 2015 Financial Stability Oversight Council annual  report  lists  the expansion of  these 

vehicles as a potential threat and Bill Gross warned of a mass exodus through ETFs.3 Conversely, such 

risks are deemed limited by the Investment Company Institute due to mutual funds use of a liquidity 

buffer and by ETF sponsors due to structural features that reduce their interaction with constituent 

bonds.4,5  Given  the  importance  of  corporate  debt  to  firms  and  the  growing  relevance  of  these 

investment  vehicles  to  investors’  portfolios,  this  paper  contributes  to  the  literature  by  cleanly 

identifying the asset price implications of flows from corporate bond ETFs and mutual funds during 

a period of turmoil.  

                                                            1 Collateralized mortgage obligations in the 1980s and 1990s, mortgage backed securities in the 2000s, and money market funds in 

2008 motivate the theory that excessive issuance of innovations sparked by virtues of diversification, tranching, or insurance prior to 

the revelation of the securities’ vulnerability to unattended risk results in market fragility. 2 Bloomberg characterize the change in the post‐crisis bond market model as a transition of power from banks to mutual funds, 

hedge funds, and exchange‐traded funds. They state that regulations have paved the way for the buy‐side “to exert more influence 

than ever on markets.” See: https://www.bloomberg.com/news/features/2016‐08‐15/the‐rise‐of‐the‐buy‐side 3 “The obvious risk—perhaps better labeled the ‘liquidity illusion’—is that all investors cannot fit through a narrow exit at the same 

time,” Bill Gross. See: https://www.wsj.com/articles/goldman‐sachs‐joins‐bond‐etf‐party‐1496925000  4 ICI 2016 Factbook states “There are many reasons to believe [concerns that outflows to bond funds could pose challenges for fixed‐

income markets] are overstated.” See: http://www.icifactbook.org/deployedfiles/FactBook/Site%20Properties/pdf/2016_factbook.pdf  5 Bill McNabb, CEO of Vanguard, states “This discovery that most ETF share trading does not lead to any activity in the ETF portfolio 

means  the  impact  of  ETFs  —  and  the  possibility  of  disruption  or  volatility  —  on  the  primary  market  is  limited.”  See: 

https://www.ft.com/content/53054716‐e6e9‐11e6‐893c‐082c54a7f539 

 

2  

Although ETFs and mutual funds are both pooled investment vehicles that provide diversified 

exposure  to  the difficult  to access over  the counter  (OTC) underlying market,  their distinguishing 

features make the mechanism through which outflows from the funds can impact the pricing of the 

underlying distinct. For mutual funds, investors can redeem shares for cash at the end of day net asset 

value  (NAV)  leaving  the  remaining  investors  to bear  the  consequences of another’s outflow,  thus 

creating the potential for runs induced by strategic complementarities. Goldstein, Jiang, and Ng (2017) 

find that active corporate bond mutual funds are particularly susceptible due to a concave flow to 

return relationship. The authors conclude that for these funds to be a major systemic concern evidence 

of an effect on market prices and potentially real economic activity is needed.  

The distinguishing features of ETFs mitigate concerns of similar runs because the redeeming 

shareholder bears the cost of his own actions. Nevertheless, recent theoretical works suggests that the 

absence of these externalities does not preclude ETFs, from being a potential source of market fragility. 

Focusing on ETFs backed by hard to trade assets, Bhattacharya and O’Hara (2016) claim that ETFs are 

now a preferred trading vehicle capable of affecting underlying asset prices. Their model predicts that 

ETFs  can  exacerbate market  instability  and herding due  to  imperfect  learning  and delayed price 

synchronization. The authors, along with a broader ETF model from Malamud (2016) shows that the 

creation and redemption mechanism of ETFs can serve as a shock propagation channel. Finally, Pan 

and Zeng (2017) theorize that the dual role of authorized participants (APs) as corporate bond market 

makers and arbitrageurs creates conflicting incentives that increase fragility.  

The  challenge  of  addressing  the  effect  of  turmoil  period  outflows  from  nontraditional 

corporate bond investors on market yields is that the majority of asset growth has occurred during 

the post‐crisis bull market, limiting the number of unanticipated exogenous shocks. However, in the 

summer of 2013 the Federal Reserve unexpectedly proposed ending its bond buyback program known 

as quantitative easing (QE). The change in expectations about monetary policy led investors to alter 

their perception of risk and to sell their bond fund holdings, in an episode commonly referred to as 

the  Taper  Tantrum.  According  to  Lipper,  the  uncertainty  in  timing  and  scope  of  the  Fed’s QE 

withdraw  led  to  $8.6  billion  in  outflows  from  taxable  bond mutual  funds  and ETFs  in  the week 

following the announcement and $23.7 billion over four weeks, the sharpest four‐week exodus since 

2008.  The  turmoil  and  outflows  continued  throughout  the  summer,  forcing  the  Fed  to  officially 

announce in September that it would delay any QE slowdown. 

 

3  

Using  this plausibly exogenous shock as a quasi‐natural experiment, we  follow Coval and 

Stafford (2007), Lou (2012), and Mitchell, Pulvino, and Stafford (2004) by studying if outflows from 

either vehicle during a period of  turmoil create yield pressure  that subsequently reverses. Beyond 

controlling for observable bond characteristics and liquidity, the inclusion of issuer level fixed effects 

is key to our identification similar to Manconi, Massa, and Yasuda (2012). Relying on within issuer 

variation, endogeneity concerns regarding changes in fundamental risk are addressed by effectively 

comparing two bonds from the same firm exposed to different levels of outflows. We find significant 

yield pressure  created by ETFs, with a one  standard deviation  increase  in ETF Tantrum outflows 

leading to a 12.4 basis point greater increase in the yield spread of corporate bonds in September 2013. 

Economically, this implies a 10.8% (8.5%) increase in the yield spread of the median (mean) corporate 

bond held by ETFs prior to the onset of the Taper Tantrum. The effect is transient lasting seven months 

before reverting, thus implying that bonds temporarily traded at non‐fundamental values due to ETF 

outflows. In contrast, we document that outflows from active mutual funds have no significant effect 

on corporate bond yield spreads in the months following the Taper Tantrum. Since the index strategy 

of most ETFs  reduces  the  flexibility  of  a manager’s  response  to  flows  (Christoffersen, Keim,  and 

Musto, 2008; Elton, Gruber, and Busse, 2004), we also consider the impact of index mutual funds. We 

find that Taper Tantrum outflows from index mutual funds do not have a significant impact on the 

yield  spread  of  their  holdings.  The  insignificance  of  an  index mandate may  reflect  the  use  of 

representative sampling or mutual funds benchmarking to aggregate bond indices, rather than to the 

corporate bond dedicated indices followed by ETFs. 

Next, we attempt to identify which characteristics of ETFs contribute to the distinctive yield 

impact. In particular, we examine the appeal of intraday trading to different investor types and the 

implications of the in‐kind creation and redemption mechanism. First, as described by Chordia (1996), 

Deli and Varma (2002) and Nanda, Narayanan, and Warther (2000) funds adopt different structures 

to appeal  to  the stochastic  liquidity needs of  investors. Following Amihud and Mendelson  (1986), 

Constantinides (1986) and Poterba and Shoven (2002), we posit that the intraday liquidity of ETFs is 

likely to attract short‐term traders who are theorized to focus on the behavior of other investors, rather 

than on  long‐term  fundamentals  (Allen, Morris, and Shin, 2006; De Long, Shleifer, Summers, and 

Waldmann, 1990a; Froot, Scharfstein, and Stein, 1992; Stein, 2005). As described by Cella, Ellul, and 

Giannetti (2013), during normal markets short‐horizon investors in ETFs should not affect underlying 

 

4  

bonds because other investors readily provide liquidity. However, in turmoil periods short‐horizon 

investors are expected to sell en masse (Bernardo and Welch, 2004; Morris and Shin, 2004).  

The distribution of fund flows provides preliminary evidence of distinct investor bases in the 

different investment vehicles. We follow the literature to formally test if the underlying ETF investors 

have  shorter  investment horizons by considering  the volatility of  fund  flows  (Bollen, 2007; Sialm, 

Starks, and Zhang, 2015) and the churn of institutional investors (Cella, Ellul, and Giannetti, 2013) . In 

both the cross‐sectional regressions of Sialm, Starks, and Zhang (2015) and panel regressions with date 

fixed effects, we find that the volatility of ETFs is statistically significantly greater than mutual funds 

after  controlling  for  lagged  fund  characteristics. Next, we  focus  on  a  subset  of  investors  in  the 

corporate bond funds in our study, institutional investors. We find that the churn of institutions that 

use corporate bond ETFs is statistically significantly shorter than those that use mutual funds. Having 

established that short‐term investors self‐select into ETFs, we then examine if they engage in positive 

feedback trading, that is investors increasing flows in periods of lower interest rates and decreasing 

flows in periods of higher interest rates. Specifically, we regress flows on lagged changes in Treasury 

rates,  an  ETF  dummy,  and  their  interaction,  as well  as,  controls  for  lagged  fund  flows,  returns, 

turnover, expense ratio, and the average rating and duration of its holdings. The coefficient on the 

interaction term is negative and significant, implying that ETF investors are more sensitive to common 

market shocks and trade on past price trends, which is theorized by De Long, Shleifer, Summers, and 

Waldmann (1990b) to be potentially destabilizing. Overall, these results provide evidence that bonds 

exposed to ETFs are subjected to distinct pressures associated with short‐horizon positive feedback 

traders. 

Second, while mutual  funds deal directly with  all  investors  through  fund  share  and  cash 

transactions, ETFs interact only with APs through the in‐kind creation and redemption mechanism, 

known as the primary market. ETF creation (redemption) occurs when an AP buys the pre‐specified 

basket (ETF shares) and exchanges it for a block of ETF shares (underlying basket). The reliance of 

ETFs on  this mechanism has  important  implications  for both portfolio construction and arbitrage. 

Because ETFs generally do not need to provide cash on demand they may invest more in benchmark 

securities. In contrast, for various types of mutual funds Chen, Goldstein, and Jiang (2010), Chernenko 

and  Sunderam  (2016)  and Hoseinzade  (2015)  show  that managers  have  an  incentive maintain  a 

liquidity  buffer  to mitigate  the  adverse  effect  of  investor  flows,  particularly  during  periods  of 

 

5  

volatility. Comparing the asset allocation in the reporting period prior to the Taper Tantrum, we find 

that the median investment in cash and government bonds is 21.2% for active mutual funds and 47.7%, 

for  index mutual  fund, compared  to  just 2.74%  for ETFs, a difference  that  is both statistically and 

economically significant.  

The primary market also enables APs to engage in arbitrage between the ETF market price 

and NAV. While arbitrage should be instantaneous, when ETFs are backed by hard to trade assets it 

may not be the case (Bhattacharya and O’Hara, 2016). However, a difference in the two prices may 

occur and persist if limits to arbitrage are present (Abreu and Brunnermeier, 2003; De Long, Shleifer, 

Summers, and Waldmann, 1990a; Ofek and Richardson, 2003; Pontiff, 1996; Shleifer and Vishny, 1997). 

A number of theories further suggest that in the presence of limits arbitrage may amplify rather than 

stabilize  fundamental  shocks  (Greenwood  and  Thesmar,  2011; Hong, Kubik,  and  Fishman,  2012; 

Hugonnier and Prieto, 2015; Kyle and Xiong, 2001). We begin by documenting that ETF arbitrage was 

impaired. Splitting corporate bond ETFs into two groups based on the average percentage price to 

NAV deviation during the turmoil period we show that the high deviation ETF group, those for which 

ETF sellers pushed market prices significantly below the underlying NAV, traded at slight premiums 

prior  to  the event. Comparing  the characteristics of  the ETF groups  immediately before  the Taper 

Tantrum shows that both are similar size and hold bonds with similar credit quality, volatility of flows 

and institutional ownership. The high deviation ETFs hold bonds with greater effective duration for 

which we would expect more selling pressure  for  in expectation of higher  interest  rates and have 

higher  bid  ask  spreads  suggestive  of  known  limits  to  arbitrage  (Gromb  and  Vayanos,  2010). 

Interestingly, there is an insignificant difference in the AP arbitrage activity proxy from Da and Shive 

(2013) prior to the event, but arbitrage in the high deviation ETFs is statistically significantly lower 

during the Taper Tantrum.  

The existence of these arbitrage opportunities translates into potential selling pressure for the 

individual bonds from arbitrageurs, who are concerned about relative price efficiency, rather than the 

absolute price efficiency of  the  individual assets  (Brown, Davies, and Ringgenberg, 2016; Mitchell, 

Pedersen, and Pulvino, 2007). We first calculate the holdings‐weighted exposure of each bond held by 

ETFs to price‐NAV deviations during the tantrum, denoting those with below median measures high 

arbitrage exposure as they are held by ETFs trading at Taper Tantrum induced discounts. Then we 

effectively implement a strategy that sells high arbitrage exposure bonds and buys a portfolio of ETF 

 

6  

bonds without similar exposure. To formally test the impact of delayed arbitrage, we regress the yield 

spread for each month of the Taper Tantrum through December 2014 on a high arbitrage exposure 

dummy and in the multivariate regression, we control for observable bond characteristics. We find 

that  the yield spreads of  the  two groups are not significantly different during  the Taper Tantrum. 

However,  as  the  turmoil mitigates  and  arbitrageur  reenter  to  restore  the  relative price  efficiency 

between  the  ETF  and  the  underlying,  the  yield  spreads  of  high  arbitrage  exposure  bonds  are 

statistically significantly higher for nine months. The timeline for the convergence of the two portfolios 

coincides  with  the  closing  of  the  arbitrage  opportunity.  These  results  support  the  theories  of 

Bhattacharya and O’Hara (2016) and Malamud (2016) that predict that ETF arbitrage can serve as a 

shock propagation channel from the liquid ETF to prices of the illiquid underlying. 

Our main sample includes all open‐end mutual funds and ETFs with an average allocation to 

corporate  bonds  greater  than  20%. We  use  this  threshold  because most  corporate  bond  funds, 

particularly  index mutual  funds,  are  benchmarked  to  aggregate  bond  indices  that  have  sizeable 

government and securitized  investments.6  In contrast,  the majority of ETFs  follow corporate bond 

dedicated indices with the median ETF holding 93% of their assets in corporate bonds. To address 

comparability concerns as robustness tests we execute our main tests for active mutual funds with a 

corporate bond allocation greater  than 80%. An  emerging  literature  focuses on  the  importance of 

corporate bond fund cash buffers with Jiang, Li, and Wang (2016) finding in times of volatility mutual 

funds sell their holdings proportionally rather than relying on the liquidity buffer and Morris, Shim, 

and Shin (2017) showing in a global setting that cash hoarding is the norm. Therefore, we also consider 

active mutual funds in the lowest quartile of combined liquid investments and the highest quartile of 

flows volatility. The only evidence of  flow‐induced yield pressure  is  in active mutual  funds  in  the 

lowest quartile of liquid assets lasting just one month. Given these findings, we cannot rule out mutual 

fund outflows as a possible source of fragility in a prolonged market shock. Rather than lessen fears 

of strategic complementarities in mutual funds (Goldstein, Jiang, and Ng, 2017), the findings of this 

paper may exacerbate them as we highlight that short‐horizon positive feedback ETFs investors may 

have the true first‐mover advantage through intraday trading.  

                                                            6 In 2013 Bloomberg Barclays US Aggregate Bond that had a 22.3% corporate bond allocation See: 

https://www.bbhub.io/indices/sites/2/2016/08/2017‐02‐08‐Factsheet‐US‐Aggregate.pdf 

 

7  

This  paper  adds  to  a  broader  literature  that  studies  asset  price movements  induced  by 

financial  institutions  and  arbitrageurs,  by  cleanly  identifying  the  short‐horizon  investors  and 

imperfect arbitrage of ETFs as a new source of price pressure in corporate bonds. In the stock market, 

equity funds are shown to move underlying stock prices in a variety of settings (Ben‐Rephael, Kandel, 

and Wohl, 2011; Coval and Stafford, 2007; Greenwood and Thesmar, 2011; Jotikasthira, Lundblad, and 

Ramadorai, 2012; Lou, 2012). For  instance, studies by Brunnermeier and Nagel  (2004) and Griffin, 

Harris, Shu, and Topaloglu (2011) of the technology bubble document that traditional arbitrageurs, 

hedge  funds, amplified  rather  than stabilized  the market. While, Cella, Ellul, and Giannetti  (2013) 

show that stocks held by short‐horizon investors experience greater price pressure during the Lehman 

bankruptcy. In fixed income markets, Feroli, Kashyap, Schoenholtz, and Shin (2014) motivated by the 

Taper Tantrum use nineteen years of data to show potentially destabilizing feedback from fund flows 

to  some  market  returns.  Specifically  focused  on  corporate  bonds,  broad  studies  of  insurance 

companies by Ambrose, Cai, and Helwege (2012) and of mutual funds by Hoseinzade (2015) find no 

evidence of yield pressure. In contrast, Ellul, Jotikasthira, and Lundblad (2011) and Manconi, Massa, 

and Yasuda (2012) find that constrained insurance companies and investors holding securitized bonds 

in the crisis, respectively, engage in corporate bond fire sales. Finally using the measure of Coval and 

Stafford  (2007),  Jiang, Li, and Wang  (2016) show  that bonds subjected  to  trading by extreme  flow 

funds, have abnormal returns in the next two quarters and in a fund family network setting Falato, 

Hortacsu, Li, and Shin (2016) find price pressure in the quarter of peer‐induced sales. 

The  results  of  this paper  also  contribute  to  the growing  research on ETFs,  by  identifying 

another possible unintended  risk. The arbitrage  response  to noise  traders  is shown by Ben‐David, 

Franzoni, and Moussawi (2014) to increase stock volatility and by Brown, Davies, and Ringgenberg 

(2016)to  lead  to predictable  returns. Additional  studies of  equity ETFs  find  that  they  increase  co‐

movement (Da and Shive, 2013) and lower information acquisition benefits and liquidity (Israeli, Lee, 

and Sridharan, 2017). In corporate bond ETFs, Dannhauser (2017) documents that ETF constituency 

lowers bond yields due to the migration of liquidity traders from the underlying market to ETFs.  

2. Background 

This section provides a detailed discussion of the corporate bond market and its participants. 

In particular, we first focus on the evolution of the market and the emergence of ETF and mutual fund 

 

8  

investors. Then we detail  the Taper Tantrum of  the summer of 2013, which we use as a plausibly 

exogenous shock to fund flows. 

2.1. The transformation of the corporate bond market 

Since  the financial crisis, the corporate bond market has undergone a radical change. First, 

incentivized by unprecedentedly low interest rates corporations have increased their debt issuance 

leading to a 56% increase in corporate debt outstanding between 2008 and 2016. Panel A of Figure 1 

presents the growth in corporate bond assets outstanding and the annual issuance. 

[Insert Figure 1] 

Second,  regulatory  pressure  has  altered  the  dynamics  of  the  historically  opaque market 

(Bessembinder,  Jacobsen, Maxwell,  and Venkataraman,  2016),  in which  broker‐dealers  held  large 

inventories to facilitate trades with institutional investors. Traditionally, the majority of investors were 

insurance companies and pension funds who are broadly characterized by Bessembinder, Maxwell, 

and Venkataraman  (2006) as  long‐horizon  investors. Despite  the  July 2002  introduction of delayed 

trade  reporting  through  the  Trade  Reporting  and  Compliance  Engine  (TRACE),  Bessembinder, 

Maxwell, and Venkataraman (2006), Edwards, Harris, and Piwowar (2007) and Goldstein, Jiang, and 

Ng (2017) all document that corporate bonds trade infrequently, particularly relative to other asset 

classes. Pressured by increased capital requirements broker‐dealer inventory of corporate and foreign 

bonds has decreased 35% according to Federal Reserve Board data as plotted on the right axis of Panel 

B of Figure 1. The impact of their retreat on liquidity is uncertain with Anderson and Stulz (2017) and 

Bao, O’Hara, and Zhou (2016) finding evidence of greater illiquidity in periods of stress. Conversely, 

Bessembinder, Jacobsen, Maxwell, and Venkataraman (2016) find that average transaction costs are 

not significantly higher since the crisis, but that the traditional commitment structure is changing. 

Third, as the corporate bond market structure has evolved, nontraditional investors: mutual 

funds and ETFs; have emerged as  increasingly  important  investors. The accumulation of assets by 

these funds, whose  investment strategy and  investor base  is significantly different  than  traditional 

investors  has  implications  for  the  underlying market  because  of  the  liquidity  they  provide  their 

investors and thus the liquidity they may demand. The left axis of Panel B of Figure 1 shows that the 

combined holdings of the nontraditional investors are nearly equal to those of insurance companies. 

Figure 1 also present details on the growth of ETFs in Panel C and mutual funds in Panel D, including 

 

9  

the number of  funds and assets under management of all  long‐term  taxable bond  funds  from  ICI 

FactBook, as well as, corporate bond specific assets from the Federal Reserve Board. From these figures 

it is evident that a large portion of growth in these vehicles has occurred since 2008 with the corporate 

bond assets of mutual funds tripling and ETF corporate bond assets growing by eleven times. 

Given  the  focus of  this paper on ETFs and mutual  funds, an  extended discussion of  their 

structures is needed. At the most basic level, mutual funds and ETFs are investment vehicles backed 

by a basket of corporate bonds. Mutual funds are distinguished by their investment mandate as either 

active mutual  funds, who  attempt  to  outperform  their  benchmark,  or passive mutual  fund, who 

attempt to replicate their benchmark. Regardless of the type of mutual fund, investors are provided 

with daily liquidity. That is an investor can submit a buy or sell order for the mutual fund shares at 

any point throughout the day with all transactions occurring at the closing NAV. 

Corporate bond ETFs, the first of which was introduced in June 2002, are a hybrid between 

traditional open‐end mutual funds and closed end funds (CEFs). The unique features of ETFs allows 

them to offer lower management fees, greater transparency, and tax efficiencies (Poterba and Shoven, 

2002). ETFs provide  liquidity  to  investors  in  two venues,  the primary and secondary markets. The 

primary market, which is the direct channel linking ETFs to the underlying, is used by ETFs to handle 

liquidity shocks in the secondary market, to ensure that orders are filled, and to arbitrage excessive 

market price deviations  from NAV. This market  involves  transactions between APs and  the  fund 

sponsor that exchange ETF units for a basket of the underlying securities through the in‐kind creation 

and redemption process.  In contrast,  the creation and redemption process of mutual  funds occurs 

between  the fund and  individual  investors as an exchange of cash  for  fund shares. The secondary 

market of ETFs, is where most buyers and sellers of the ETF transact directly on the equity exchange 

without sponsor involvement.  

In Table 1 we present summary statistics for ETFs in Panel A, active mutual funds in Panel B 

and index mutual funds in Panel C. While the holdings of active mutual funds and ETFs have similar 

credit quality  and maturity,  the holdings of  index mutual  funds have  lower  average  ratings  and 

longer‐term to maturity. Further, the distribution of fund characteristics validates the common refrain 

surrounding ETFs relative to mutual funds. For instance, ETFs have expense ratios and turnover that 

are more than half of the mean level of active mutual funds reflecting the relative simplicity of ETF 

 

10  

management. The average index fund expense ratio is slightly higher than the average index mutual 

fund, but the variation is greater for index mutual funds.  

[Insert Table 1] 

2.2. The Taper Tantrum as an exogenous shock to fund flows 

An empirical challenge of identifying potential vulnerabilities created by this new corporate 

bond market regimen is the absence of market shocks and resultant fund flows during the post crisis 

bond bull market. The exception  is the Taper Tantrum of the summer of 2013 which serves as our 

plausibly  exogenous  market‐wide  shock.  Prior  to  this  event,  corporate  bond  funds  saw 

disproportionate  inflows  relative  to  other  asset  classes  (DiMaggio  and Kacperczyk,  2017)  as  the 

Federal Reserve  employed  unprecedented  policy  initiatives,  including  open market  purchases  of 

government bonds and mortgage‐backed securities through its QE program. Initiated in November 

of  2008, QE was  intended  to  lower  long‐term  interest  rates  in  an  effort  to  bolster  the  economy. 

Following positive economic developments, Chairman Ben Bernanke testified on May 22, 2013 that 

the Federal Reserve would likely begin slowing or tapering the pace of its bond purchases conditional 

on continued economic stability. On June 19, 2013 the Chairman held a news conference to document 

the economic  justification for the purchase slowdown. Convinced that the end of QE was near, the 

market responded by selling assets, in an episode commonly compared to a tantrum. Between May 

21, 2013 and the beginning of September both the five‐ and ten‐year Treasuries  increased over 100 

basis points as depicted in Figure 2. The sharp reevaluation of risk lead investors to utilize the liquidity 

provisions  of  ETFs  and  mutual  funds  by  swiftly  withdrawing  assets.  According  to  Trim  Tabs 

Investment Research, a record $69 billion was withdrawn from bond ETFs and mutual fund in June 

2013 alone, with outflows continuing  throughout  July and August. The period of uncertainty was 

resolved on September 18, 2013 when the Fed officially announced it would wait to begin scaling back 

the QE program.  

[Insert Figure 2] 

3. Data 

Our corporate bond fund data begins in January 2010, in order to study a period in which the 

assets managed by these two investment vehicles is no longer negligible, and ends in March 2015. We 

 

11  

begin by identifying corporate bond funds using the Center for Research in Security Prices (CRSP) 

Survivor‐Bias‐Free US Mutual Fund Database. In particular, we denote any mutual fund or ETF that 

as an average corporate bond weighting of twenty percent or greater as a corporate bond fund. This 

low threshold is used to ensure that we have a sufficient number of index mutual funds, which most 

frequently are benchmarked to the Bloomberg Barclays US Aggregate Bond Index that had a 22.3% 

corporate bond allocation in 2013. We also collect fund characteristics from the Morningstar Mutual 

Fund Database,  including  the number,  concentration,  and  the  average  credit  quality  of  the  bond 

holdings. Matching on fund cusip, we then use CRSP to obtain fund holdings, monthly returns, assets, 

turnover, expense ratio, and share class data. Furthermore, we use the CRSP database and fund name 

search  to  distinguish  ETFs  and  index mutual  funds. Using  this  data we  follow  the  literature  to 

compute the flow to each fund,  , in month,  , as 

,, , ∗ 1 ,

, 

For mutual funds with multiple share classes we aggregate data at the portfolio level by summing 

fund assets, and value weighting other characteristics. Further, we account for the VETF structure of 

Vanguard in which the ETF is a share class of the larger index mutual fund. 

The  Trade  Reporting  and  Compliance  Engine  (TRACE)  database  filtered  for  possibly 

erroneous trades with the method of Dick‐Nielsen (2009) is used to obtain bond transaction data. The 

monthly spread of bond   from issuer   in month  ,  , ,  is computed as the volume weighted 

average yield reported for all transactions in a month over the maturity‐matched Treasury rate. The 

TRACE database  is  also used  to  calculate  our  liquidity proxy,  , ,  developed  by Amihud 

(2002). Specifically, the proxy is computed as the median of the daily measure 

,1 | |

∗ 10 , 

where   is the number of returns on day d, rj is the return of consecutive transactions, and   is the 

dollar volume of a trade. This measure can be interpreted as the basis points price movement per one 

million  dollars  of  traded  volume.  Bond  characteristics  come  from  the Merchant  Fixed  Income 

Securities Database (FISD) and are merged on eight‐digit CUSIP. In addition, for each bond we create 

a numerical conversion of Standard & Poor’s (S&P) ratings.  

(2) 

(1) 

 

12  

Finally, we obtain the daily shares outstanding of ETFs from Bloomberg. We use the shares 

outstanding to compute the Da and Shive (2013) creation and redemption intensity measure,  ,  

for ETF  in month   as  

, ,

,. 

The activity associated with CRI reflects the direct involvement of the affiliates of the ETF in a bond. 

4. Methodology and results 

This  section  details  the methodology  and  presents  the  results  on  the  impact  of  turmoil 

outflows from ETFs and mutual funds on the yield spreads of associated bonds. Then we investigate 

potential explanations for our main results.  

4.1. The yield spread effect of mutual funds and ETFs 

Our empirical analysis begins by examining if outflows during the summer of 2013 following 

the Federal Reserve announcement, have an impact on the pricing of constituent bonds. We follow 

the methodology of Coval and Stafford (2007) and Mitchell, Pulvino, and Stafford (2004), by looking 

at cumulative returns and subsequent reversals to provide evidence of a non‐fundamental shock to 

prices. Specifically, for each investment vehicle in each of the t months following the summer of 2013, 

we run the regression  

,

, , , ,

, , , , , , , ,

, , ∗ ,

∗ , , , . 

The dependent variable, ,,  is  the  change  in  the volume‐weighted average 

yield of bond,  i,  from  issuer  j over  the maturity‐matched Treasury  rate. The  change  is measured 

relative to the bond’s volume‐weighted yield in May for all transactions prior to May 22, the day of 

Bernanke’s initial testimony.  

(3) 

(4) 

 

13  

The covariate of interest is  , , , the weighted‐average monthly flow for 

either all ETFs, all active mutual funds, or all index mutual funds that report bond i as a holding prior 

to the onset of the event. To be included in the regression we require the weighted average flow to be 

negative, i.e. an outflow. The covariate is multiplied by ‐1 to help with interpretation of the coefficient 

of interest,  , which measures the impact of Tantrum outflows to the different investment vehicles 

on a bond’s yield spread relative to pre‐event levels. The square of  , , , controls 

for any potential nonlinearities in the relationship of interest. 

As in Manconi, Massa, and Yasuda (2012), the inclusion of issuer fixed effects,  addresses 

endogeneity concerns associated with changes in the fundamentals of an issuer. The use of issuer fixed 

effects controls for managers selecting to sell bonds during the turmoil event for fundamental reasons, 

thus we are effectively comparing the change in yield spreads of bonds from the same issuer subjected 

to different levels of fund outflows. Therefore, if a firm has only one outstanding issue subjected to 

outflows, it automatically is excluded from the analysis. 

We also include a vector of bond specific characteristics set to their pre‐event levels to control 

for differences  in  issues  from  the same  firm. We control  for  the  log of  the  issue size  in millions of 

dollars, Log(Size); the number of years left to maturity and its square, Time to Maturity; the coupon, 

Coupon; and the liquidity of the issue using the Amihud illiquidity measure, Amihud. The yield spread 

of the bond prior to the event,   is also used to account for differences in bonds from the 

same issuer that are not captured by our other controls, for instance covenants. Finally, we include 

interactions to account for the likelihood that investors sell bonds with higher interest rate exposure, 

∗ ,,  and  greater  liquidity,  ∗

,. 

Using Eq. (4), we run the regression for ETFs, active mutual funds, and index mutual funds 

separately to identify the impact of each investment vehicle on its underlying bonds. Table 2 presents 

the results for ETFs in Panel A. The results show that ETF outflows drive spreads significantly higher 

for up to seven months beyond the event. In September 2013, as the Taper Tantrum subsided, bonds 

with a one percentage increase in exposure to ETF Tantrum outflows had yield spreads 7.2 basis points 

higher  than  a  bond  from  the  same  issuer.  For  a one  standard deviation greater  exposure  to ETF 

Tantrum outflows this corresponds statistically to a 12.4 basis point increase in yield spread relative 

to bonds from the same issuer and economically to a 10.8% (8.5%) increase in the yield spread of the 

 

14  

median (mean) corporate bond held by ETFs prior to the onset of turmoil. The statistical significance 

in the difference diminishes after seven months with yield spreads reverting to their pre‐crisis level.  

[Insert Table 2] 

Panel B of Table 2 presents the results for all active mutual funds in our sample. Although the 

coefficient  of  interest  is  positive  for  seven  months,  it  is  neither  statistically  nor  economically 

significant. These findings suggest that after controlling for fundamental risk and observable bond 

characteristics there is no significant impact of active mutual fund outflows in a period of turmoil on 

exposed corporate bonds.  

Panel C of Table 2 shows the results for corporate bond index mutual funds, which like the 

majority  of  ETFs  focus  on  replicating  the  returns  of  a  pre‐specified  benchmark  rather  than 

outperformance. While an index strategy reduces the analysis required of a manager, it also constrains 

her response to flows, by mandating her to buy and sell index bonds in amounts determined by their 

benchmark weighting  (Christoffersen, Keim, and Musto, 2011; Elton, Gruber, and Busse, 2004).  In 

contrast to most equity index funds that utilize a strict indexing strategy, fixed income index funds 

generally employ a representative sampling strategy, selecting only a subset of bonds to best match 

the  characteristics  of  the  index. While  representative  sampling  increases  the manager’s  ability  to 

selectively respond to flow, if the index‐based nature of ETFs is responsible for the flow‐induced yield 

pressure we would expect similar yield pressure  from  index mutual  funds. The results of Panel C 

show that outflows from  index mutual funds do not have a significant  impact on the yield spread 

change of their constituent corporate bonds. Therefore, we conclude that the reduced flexibility of an 

index mandate is not responsible for the yield pressure of ETFs.  

According to Coval and Stafford (2007) if these impacts are due to informed trading, the yields 

should remain permanently higher. In Figure 3 we plot the impact of a one standard deviation outflow 

from the different investment vehicles on the yield spread of bonds relative to a another bond from 

the same issuer. The Panel A shows the impact of ETF Tantrum outflows peaking in September and 

remaining statistically significant through March of 2014 suggestive of temporary pressure from ETFs 

pushing yields beyond their fundamental levels. Panel B and Panel C show that there is little statistical 

significance  between  Taper  Tantrum  outflows  from  active mutual  fund  and  index mutual  fund, 

respectively, and the yield spread of their bonds. 

 

15  

[Insert Figure 3] 

4.2. Examining the differential effect of mutual funds and ETFs 

The main results of this paper are particularly intriguing given the size and youth of the ETF 

market relative to the larger and more mature mutual fund market. The differential effect identified 

suggests the distinguishing features of ETFs may be a source of potential fragility for the corporate 

bond market.  In  this  subsection we  focus on  two distinctive ETF  features:  the appeal of  intraday 

trading to short‐horizon investors and the portfolio construction and arbitrage implications of the in‐

kind creation and redemption mechanism as potential explanations of the main results. 

4.2.1. The investment horizon of fund investors 

ETFs  are  often  described  as mutual  funds  that  trade  intraday  on  an  exchange.  This  key 

structural feature has appealed to investors of all types as evidenced by the outsized secondary market 

volumes of corporate bond ETFs. Nanda, Narayanan, and Warther (2000) and Chordia (1996) show 

that different fund structures are used to screen out high liquidity demand investors, whose frequent 

trading  exposes  more  stable  investors  to  trade  induced  externalities.  Moreover,  Amihud  and 

Mendelson  (1986) and Constantinides  (1986) predict  that short‐term  investors self‐select  into more 

liquid  assets.  Considering  these  theories  and  the  predictions  of  Poterba  and  Shoven  (2002), we 

hypothesize that ETFs are more likely to attract short‐horizon traders. Cespa and Vives (2015) show 

that in normal market conditions, where liquidity shocks are persistent there is no impact on asset 

prices  from  the presence of short‐horizon  investors, who are  theorized  to specialize  in  investment 

strategies  that  focus not on  fundamentals, but  instead on  the expected behavior of other  investors 

(Allen, Morris, and Shin, 2006; De Long, Shleifer, Summers, and Waldmann, 1990a; Dow and Gorton, 

1994; Froot, Scharfstein, and Stein, 1992; Morris and Shin, 2004; Stein, 2005). However, their presence 

can be destabilizing in periods of turmoil if as predicted by Allen, Morris, and Shin (2006), Bernardo 

and  Welch  (2004)  and  Morris  and  Shin  (2004)  short‐horizon  investors  are  expected  to  trade 

simultaneously and place a disproportionate weight on a public  signal. Bhattacharya and O’Hara 

(2016) specifically show that ETFs can expose the underlying to rational herding, where speculators 

trade on the same systematic signal, which may lead to market fragility in the underlying assets. 

To examine  if ETFs appeal  to a different  investor base we  first describe  the distribution of 

flows to the different  investment vehicles during both the Taper Tantrum and non‐Taper Tantrum 

 

16  

periods in Table 3. The table provides preliminary evidence that ETFs attract a more active investor 

base with volatility of flows over 1.6 times that of both active and index mutual funds. During the 

Taper Tantrum event ETFs in the lowest flow decile experienced outflows more than 3.5 times greater 

than those in normal market conditions compared to 1.8 times for active mutual funds and 1.6 times 

for index mutual funds. 

[Insert Table 3] 

As  further  evidence of  intraday  trading  appealing  to  a distinct  short‐term  investor base we 

follow the literature by examining the standard deviation of fund flows and the churn of institutional 

investors in the sample funds. Foremost, Bollen (2007) and Sialm, Starks, and Zhang (2015) use the 

volatility of monthly  fund  flows as a proxy  for  investor behavior. As described by  the  former,  the 

benefits of  this measure are  that  it captures  the net effect of  investors’ decisions without  forcing a 

structure on the process and it captures the burden short‐term investors place on managers and long‐

term investors through frequent trading. Using the volatility of fund flows as our initial proxy for the 

investment horizon of all fund investors, we follow Sialm, Starks, and Zhang (2015) by running the 

following regression 

∗ .  

We first execute Eq. (5) as a cross‐sectional regression similar to Sialm, Starks, and Zhang (2015). 

In these specifications the dependent variable is the average twelve month volatility of fund flows for 

all  investment vehicles  in our sample between  January 2010 and March 2015.  ,  is an  indicator 

variable equal  to one  if a fund  is an ETF and zero otherwise. The covariates are  the expense ratio, 

turnover ratio, log of total net assets, log of fund age in years, log of total fund family assets, and in 

some specifications their interaction with  . We use the demeaned average value of all continuous 

variables  in  the cross‐sectional  tests  rather  than  their  initial values as  in Sialm, Starks, and Zhang 

(2015) to account for the tremendous growth of ETFs over our sample period. We also run Eq. (5) in a 

panel  setting with date  fixed effects.  In  these  regressions  the dependent variable  is  twelve month 

volatility of fund flows, one‐month lagged covariates, and standard errors clustered at the firm level. 

Table  4 presents  the  results  of  the  regressions  on  the  relation  between  flow  variability  and  fund 

characteristics. Regardless  of  the  specification  the  coefficient  on  the  ETF  variable  is  positive  and 

significant suggesting that the monthly volatility of ETF flows are 2.2% to 3.3% greater than mutual 

(5) 

 

17  

funds after controlling for basic fund characteristics. These results indicate that corporate bond ETFs 

attract more short‐term traders than their mutual fund peers. 

[Insert Table 4] 

As  further  evidence  that  ETF  investors  have  a  shorter  investment  horizon, we  look  at  the 

subsample of fund holders — institutional investors. Using the Thomson Reuters holdings database 

we identify any institutional investors that report holding one of the corporate bond mutual funds or 

ETFs in our study. Of the 4,528 distinct investors in the Thomson Reuters s34 database, 1,367 hold at 

least  one  of  the  funds  in  our  sample  between  January  2010  and March  2015. Of  those  investors 

recording a holding of a corporate bond fund, 144 hold both an ETF and mutual fund, 125 hold just a 

mutual fund, and 1,098 hold an ETF. For the investors that hold either just a mutual fund or just an 

ETF, we compute the churn measure of Cella, Ellul, and Giannetti (2013) for institutional investor,  , 

holding an investment set of firms,  , as, 

,∑ | , , , , , , , , Δ , |∈

∑ , , , , , ,2∈

, 

where  ,  and  , ,  are the price and number of shares of stock   held by institution   in quarter  . 

We focus on the stock holdings of institutional investors because of the subjectivity in reporting bond 

prices (Cici, Gibson, and Merrick, 2011). Table 5 presents the results of the statistical significance of 

the difference in means and medians of the churn measure over the entire sample period and for the 

quarter immediately preceding the period of turmoil. The tests of the median throughout this paper 

perform a nonparametric k‐sample test with the null hypothesis that the k samples were drawn from 

populations with the same median. For two samples, the chi‐squared test statistic is computed both 

with  and without  a  continuity  correction.  Regardless  of  the measure  or  the  period,  institutional 

investors  that hold ETFs have both  statistically and  economically  significantly greater  churn  than 

institutional investors that hold mutual funds. Consistent with the results above and those of Ben‐

David, Franzoni, and Moussawi (2017) that compare the churn of equity ETFs to stocks, the churn 

ratio analysis suggests that for this subset of fund investors those that use ETFs have shorter trading 

horizons than those that use mutual funds. 

[Insert Table 5] 

(6) 

 

18  

Finally, the literature suggests that one way in which short‐horizon investment can be a source 

of fragility is if these investors engage in positive feedback trading, buying when the market is moving 

higher and selling when the market is moving lower. De Long, Shleifer, Summers, and Waldmann 

(1990b) present a model of investors who trade on past price trends and show that a result of their 

presence  is  price  destabilization.  To  test  if  these  new  corporate  bond  investors  utilize  a  positive 

feedback strategy, we follow Edelen and Warner (2001), Goetzmann and Massa (2003) and Warther 

(1995) by examining the sensitivity of investors to lagged market returns over the period from January 

2010 to March 2015. Since interest rates dictate the price of the underlying corporate bonds, we test if 

ETFs are more likely to respond using the following specification 

, ∆ ⁄ ∗ ∆ ⁄ , , . 

The dependent variable in the above regression,  , , is the monthly flow to fund   in month  . 

Δ /  is the change in either the one‐ or five‐year treasury rate in the prior month normalized by its 

standard deviation. We also control for the average effective duration and rating of the fund’s holding, 

as well as,  the  log of  fund assets, expense  ratio,  turnover, average  fund  return over  the  last  three 

months, and one‐,  two‐, and  three‐month  lagged  fund  flows. The  coefficient of  interest,  , on  the 

interaction Δ ⁄ ∗ , measures  the differential behavior of ETF  investors. Table 6 shows  the 

results of these tests with standard errors clustered at the date level. 

[Insert Table 6] 

The coefficient on Δ ⁄ shows  that after controlling  for other  factors  lagged changes  in  interest 

rates are not a determinant of mutual  fund  flows. Meanwhile,  the  coefficient on  the ETF dummy 

shows  that  this  investment  vehicle  has  larger  inflows  over  the  sample  period.  Interestingly,  the 

coefficient  on  the  interaction  is  negative  and  significant  for  both  one‐  and  five‐year  interest  rate 

changes after  controlling  for  fund  characteristics  suggesting  that ETF  investors are more  likely  to 

demand liquidity when interest rates increased in the previous month. In particular, a one‐standard 

deviation increase in the one‐year Treasury rate leads to 0.098% higher monthly outflows for ETFs 

than for mutual funds. These results show that ETF investors are more likely to trade in response to 

interest rate changes.  

Overall, this subsection finds that ETF  investors have short‐horizons and engage  in potentially 

destabilizing positive feedback trading strategies. In normal markets, the secondary market feature of 

(7) 

 

19  

ETFs  should  prevent  the  introduction  of  this  new  investor  type  from  impacting  the  underlying. 

Nevertheless, the presence of these traders, combined with the main findings suggest that the liquidity 

illusion of ETFs is a potential source of fragility for the corporate bond market. 

4.2.2. The implications of the creation and redemption mechanism 

The key operational difference between mutual funds and ETFs is the reliance of the latter on 

in‐kind  creation  and  redemption,  which  has  important  portfolio  construction  and  arbitrage 

implications. First, despite having an investor base of liquidity demanders ETFs may have a reduced 

incentive to manage a liquidity buffer because they do not need to produce cash on demand to satisfy 

investor  flows.  In contrast, mutual  fund managers rely on  liquid holdings during volatile  times  to 

reduce  externalities  as  documented  by  Chen,  Goldstein,  and  Jiang  (2010).  For  corporate  bond 

managers,  the  liquidity buffer  consists of  cash,  cash  equivalents,  and  the more  frequently  traded 

government bonds (Goldstein, Jiang, and Ng, 2017). 

In Table 7, we present  the mean and median assets allocated  to  cash, government bonds, 

corporate bonds, and securitized bonds. Panel A presents the comparison of active mutual funds and 

ETFs and of index mutual funds and ETFs in Panel B. The evidence suggests that there is a statistically 

significant difference in the portfolio construction techniques used by the two investment vehicles. 

The median active mutual  fund holds 21.19% of  its assets  in cash and government bonds, and  for 

index mutual funds 47.40% of their holdings are in these liquid assets. In sharp contrast, the median 

ETF holds just 2.40% in cash and 0.34% in government bonds, allowing a 93% investment in corporate 

bonds. For index funds, the liquidity buffer has a greater representation of government securities than 

active mutual funds. In fact, the difference between the cash held by the mean and median index fund 

and ETF is not statistically different. This significant allocation to government securities reflects the 

broad benchmarks of index mutual fund investing in corporate bonds. Of the 75 distinct investment‐

grade  bond  index  funds  identified  by Morningstar,  22  are  benchmarked  to  either  international 

markets, government securities, or mortgage‐backed securities. Of the remaining 53 funds, 45 follow 

the Bloomberg Barclays US Aggregate or Bloomberg Barclays US Government/Credit indices and five 

follow the BlackRock CoRI indices. The final three funds that follow corporate bond dedicated indices 

are offered by Vanguard and have an ETF‐specific share class. Further there are no high yield index 

 

20  

mutual  funds. While  there are ETFs benchmarked  to  these broad  indices  the majority of products 

focus specifically on corporate bond indices (Dannhauser, 2017).  

First, the main tests use all funds with an allocation to corporate bonds of 20% or greater to 

incorporate  index mutual  funds.  In Panel C, we present  the portfolio allocations  for active mutual 

funds and ETFs with over 80% of the fund invested in corporate bonds. For these funds there is no 

statistical difference in the level of government bond holdings, but the cash holdings of the median 

(mean) active mutual fund is 2.5 (1.6) times greater than that of comparable ETFs, a difference that 

remains statistically significant. 

 [Insert Table 7] 

Mutual fund managers may utilize their liquidity buffer to meet redemption requests without 

selling  corporate  bonds  as  found  by  Chernenko  and  Sunderam  (2016)  and  Hoseinzade  (2015). 

Critically, we do not rule out that the liquidity buffer of mutual fund managers would be sufficient in 

a  prolonged market  shock,  during which  Jiang,  Li,  and Wang  (2016)  find  active  corporate  bond 

managers are more likely to sell all assets in proportion to their target allocations. 

Another consequence of the creation and redemption mechanism is that APs can engage in 

arbitrage between  the market price of  the ETF and  the NAV of  the underlying.  In normal market 

conditions  and  for  ETFs  backed  by  assets  that  are  not  hard  to  trade,  arbitrage  occurs  nearly 

instantaneously. However,  the persistence  of  any price deviation  between  two  identical  assets  is 

predicted by the limits to arbitrage literature to be the result of noise trader risk (De Long, Shleifer, 

Summers, and Waldmann, 1990a), synchronization risk (Abreu and Brunnermeier, 2003), liquidation 

risk (Shleifer and Vishny, 1997), transaction costs (Pontiff, 1996), or short sale constraints (Ofek and 

Richardson,  2003).  Further  theories  from  Greenwood  (2005), Hong,  Kubik,  and  Fishman  (2012), 

Hugonnier and Prieto (2015) and Kyle and Xiong (2001)  

We  begin  our  study  of  the  impact  of  imperfect  arbitrage  during  a  period  of  turmoil  on 

constituent bonds, by documenting the existence of persistent arbitrage opportunities. First, we split 

our ETF sample into two groups based on the three month Taper Tantrum average of the percentage 

price to NAV deviation for ETF,  , computed monthly as 

,, ,

,.  (8) 

 

21  

We then denote ETFs with the largest average Tantrum period discount, for which selling pressure 

pushes the ETF below the NAV, as the high deviation ETF group. Figure 4 plots the average deviation 

of this group over time. The Figure shows that these ETFs previously traded above their NAV before 

the  ETF  price  fell  significantly  below  during  the  Taper  Tantrum,  reflecting  the  mass  exodus 

experienced in anticipation of unexpectedly higher interest rates. The ETF discount bottoms in August 

2013 before converging in March 2014.  

[Insert Figure 4] 

In Table 8 we compare the difference between observable characteristics for the high deviation 

ETFs and the other half of the ETF sample that remained on average at a premium during the Taper 

Tantrum. The average duration of the high arbitrage exposure group is significantly higher, reflecting 

a retreat of ETF holders  from  funds with greater exposure  to potentially higher  interest rates. The 

credit  quality  of  ETF  holdings,  the  volatility  of  fund  flows,  and  institutional  ownership  are  not 

significantly different  for  the  two groups. Representative of  common  limits  to arbitrage,  the high 

deviation  ETF  group  has  higher  bid‐ask  spreads.  Despite  these  differences,  the  creation  and 

redemption  intensity measure, which  proxies  for  the  amount  of  arbitrage  undertaken  by APs  is 

insignificantly different during normal market conditions. However, during  the period of  turmoil 

arbitrage in the high deviation group drops while it is nearly unchanged in the low deviation group, 

suggesting that the arbitrage mechanism of these ETFs was impaired. 

[Insert Table 8] 

The existence of these arbitrage opportunities translates into potential selling pressure for the 

individual bonds from arbitrageurs, who are concerned about relative price efficiency, rather than the 

absolute  price  efficiency  of  the  individual  assets  at  fundamental  level  (Brown,  Davies,  and 

Ringgenberg, 2016; Mitchell, Pedersen, and Pulvino, 2007). To test if impaired arbitrage is a potential 

source of  the yield pressure and  reversion,  for  each bond  i we  compute  the ownership‐weighted 

average deviation of the set of K ETFs that hold the bond during the Taper Tantrum as,  

,∑ , ∗ ,

∑ ,, 

where  ,  is the amount of bond i held by ETF k and  ,  is the average deviation of 

the ETF during the Taper Tantrum months. 

(9) 

 

22  

Using  this measure we divide  the entire sample of ETF bonds  into high and  low arbitrage 

exposure  portfolios.  The  high  arbitrage  exposure  portfolio  includes  all  bonds with  an  exposure 

measure  from Eq.  (9)  less  than  the median value  and  the  low  arbitrage portfolio  are bonds with 

exposure measures greater than the median. Effectively at the conclusion of the turmoil period our 

strategy sells bonds held by ETFs trading at significant discounts and buys a portfolio of ETF bonds 

without similar exposure. Panel A of Figure 5 tracks the average yield spread of these two portfolios 

through March 2015. The yield spreads of the two portfolios are close during the period of turmoil, 

but begin to diverge as the Taper Tantrum concludes and limits to arbitrage dissipate. As arbitrageurs 

reentered the market by selling the underlying and buying the ETF, the yield spreads of bonds with 

high exposure  to ETF discount bonds are pushed above  those without  similar arbitrage pressure. 

Panel B of Figure 5 plots the difference in yield spreads for the two portfolios. The yield spreads of 

high  exposure  bonds  increase  significantly  before  reverting  in  July  2014.  The  timeline  for  the 

convergence of the two portfolios coincides with the closing of the arbitrage opportunity shown in 

Figure 4 supporting theoretical predictions that arbitrageurs serve as a shock propagation mechanism 

from the liquid ETF to the underlying bonds. 

[Insert Figure 5] 

To formally test the impact of impaired ETF arbitrage on constituent corporate bonds, we run 

both univariate and multivariate regressions. Corresponding  to Figure 5, we  first run a univariate 

specification  of  the  yield  spread  level  of  bond  i  in  month  t  on  the  high  exposure  dummy, 

, . We also run the following multivariate specification to control for 

bond level characteristics,  

, , , ,

, , , . 

Table 9 presents the results of the univariate test in Panel A and the multivariate test in Panel 

B. The multivariate specification shows that after controlling for observable characteristics of bonds, 

there is no significant difference between the yield spread levels of bonds with high exposure to ETF 

arbitrage during the tantrum period, indicating that the yield spreads of exposed constituents did not 

react significantly different  to  the change  in  interest rates expectations. Rather,  the yields of bonds 

most exposed to arbitrage opportunities created by extreme selling pressure in the ETF moved higher 

(10) 

 

23  

after  the  turmoil and  limits  to arbitrage subsided. Specifically,  the yield spreads of high arbitrage 

exposure bonds are 10.1 basis points higher in September than those from the low arbitrage exposure 

group. The difference in yield spreads peaks in November 2013 and completely reverts by May 2014. 

[Insert Table 9] 

The results of this subsection show that the unique creation and redemption mechanism of 

ETFs has significant  implications for the asset prices of constituent bonds. First, we document that 

mutual funds have access to a liquidity buffer to respond to temporary periods of turmoil, such as the 

Taper Tantrum studied in this paper. For ETFs the in‐kind mechanism reduces the funds’ reliance on 

the buffer and allows for greater investment in constituent bonds. However, when arbitrage is limited 

the  liquidity of  the ETF relative  to  the  illiquidity of  the underlying may create persistent arbitrage 

opportunities  that allow  for a market‐wide  shock  to propagate  to  exposed bonds as predicted by 

Bhattacharya and O’Hara (2016) and Malamud (2016). In particular, we show that bonds held by ETFs 

subjected to selling pressure during the Taper Tantrum have significantly higher yield spreads when 

arbitrageurs  reenter  the market  to  restore  the  relative pricing of  the ETF price and NAV, but  the 

difference reverts as arbitrage pressure abates.  

5. Robustness tests 

In this section we conduct a variety of robustness tests to see if there is evidence of any flow‐

induced yield pressure for mutual funds. In particular, we repeat the analysis from Eq. (4) and Table 

2 on different subsets of active mutual funds. Given the lack of heterogeneity in index mutual fund 

benchmarks, we do not conduct  the  tests  for subsets of  these  funds. The results of our robustness 

checks are reported in Table 10. 

[Insert Table 10] 

First, the main tests use all funds with an allocation to corporate bonds of 20% or greater to 

incorporate index mutual funds. Panel A reports the results for active mutual funds with a corporate 

bond allocation greater than 80% to focus on funds that have similar corporate bond allocations as the 

ETFs in our sample. The coefficients for the first two months are positive, but are neither statistically 

nor economically significant indicating that the cutoff used is not responsible for the distinctive effects. 

 

24  

Next,  there  is  an  emerging  literature  focused  on  the  liquidity management  techniques  of 

corporate bond fund managers. In global game model of investor runs, Morris, Shim, and Shin (2017) 

find that cash hoarding, rather than a liquidity pecking order is the norm. In their empirical study of 

42 global bond funds they find that the  incidence of cash hoarding  is significantly  lower for funds 

with relatively more liquid assets, such as US corporate bonds. In a panel study, Jiang, Li, and Wang 

(2016) find dynamic cash buffer management by active corporate bond mutual funds. In normal times, 

funds use liquid holdings to meet flows but in high volatility periods they sell assets proportionally 

to maintain their liquidity buffer. The authors then use the pressure measure of Coval and Stafford 

(2007) to show evidence of extreme flow exposure leading to price pressure that lasts two quarters, 

with  the effect doubling  in volatile periods.  In contrast, Chernenko and Sunderam  (2016) study of 

active bond funds  finds  that  they use substantial cash holdings  to accommodate  flows rather  than 

selling  illiquid  underlying,  particularly  in  times  of  low  market  liquidity.  Given  the  potential 

importance of liquid assets in the period studied in this paper, we consider active mutual funds in the 

lowest quartile of  liquid assets, government and cash. Panel B documents evidence of statistically 

significant flow‐induced yield pressure by active mutual funds with low levels of liquid assets, lasting 

one month before reverting. In the month following the Taper Tantrum bonds exposed to 1% greater 

outflows from these active mutual funds have yields 4.2 basis points higher than a bond from the same 

issuer, an effect that is approximately 60% the size of the ETF effect.  

Finally, in Panel C active mutual funds in the highest quartile of fund flow volatility over the 

year prior to the onset of the period of turmoil are considered. As discussed in subsection 4.2.1, funds 

with more variable flows are believed to be subjected to the negative effects of frequent trading by 

short‐term investors. The results show no impact for either active or index funds with a more volatile 

investor base. 

6. Conclusion 

The historically illiquid OTC corporate bond market long dominated by long‐term investors, 

such as  insurance  companies, has undergone a  radical  transformation  since  the  crisis. As broker‐

dealers  retreat,  the  assets,  and  perhaps  influence,  of  nontraditional  investors  offering  a  liquidity 

transformation have increased. The growth of mutual funds and ETFs has democratized access to this 

asset class, while also raising concerns about market fragility implications justified by financial market 

 

25  

history. This paper uses the unexpected revision in interest rate expectations and subsequent outflows 

from ETFs and mutual funds during the Taper Tantrum, to cleanly identify the impact of outflows 

from these investment vehicles on bond yields. Comparing bonds from the same issuer to control for 

fundamental  risk, we  find  that ETF  outflows  lead  to  significantly higher  yield  spreads  for  seven 

months following the shock. The significance and pattern of the coefficients of our regressions indicate 

that ETFs contribute to flow‐induced yield spread pressure in the corporate bond market. In contrast, 

there  is no significant  impact of Tantrum period outflows  to active mutual  funds or  index mutual 

funds on subsequent changes in yield spreads.  

Additional  tests  show  that  the contrasting  findings can be attributed  to  the  structural and 

operational  features  of  ETFs.  First, we  show  that  the  intraday  trading  of  ETFs  attract  a  distinct 

short‐horizon positive feedback investor base. Specifically, we show that corporate bond ETFs have 

statistically  significantly  higher  flow  volatility  than mutual  funds  and  are  held  by  institutional 

investors with greater levels of portfolio churn. Further, we then provide evidence that ETF flows are 

more sensitive to lagged changes in interest rates suggesting these new investors in corporate bond 

assets trade past price trends, which is theorized to destabilize prices (De Long, Shleifer, Summers, 

and Waldmann, 1990b). Second, we consider the portfolio construction and arbitrage implications of 

the  in‐kind creation and redemption mechanism used by ETFs. We document that both active and 

index mutual  funds  have  a  significant  liquidity  buffer, which may  be  used  to meet  redemption 

requests  without  selling  corporate  bonds  at  potentially  distressed  prices.  For  ETFs  the  in‐kind 

mechanism reduces the funds’ reliance on the buffer and allows for arbitrage between the ETF market 

price  and  its NAV. However, when  arbitrage  is  limited  the  liquidity  of  the  ETF  relative  to  the 

illiquidity of  the underlying may create persistent arbitrage opportunities  that allow  for a market‐

wide shock  to propagate  to exposed bonds  (Bhattacharya and O’Hara, 2016; Malamud, 2016). We 

show that bonds held by ETFs that trade at significant discounts to their NAV due to selling pressure 

during the Taper Tantrum temporarily have significantly higher yield spreads as arbitrageurs focused 

on the relative price efficiency between the ETF price and NAV, rather than absolute price efficiency, 

reenter the market.  

In  this  paper  we  highlight  the  short‐horizon  positive  feedback  trading  strategy  of  ETF 

investors and trading by arbitrageurs focused on the relative, not fundamental, price efficiency are 

potential sources of corporate bond market fragility. Further robustness tests find evidence of flow‐

 

26  

induced yield pressure  for active managers  in  the  lowest quartile of  liquid assets  lasting a month. 

Therefore, we conclude that the liquidity management techniques of mutual fund managers may not 

be sufficient in a prolonged market shock. Rather than ease concerns about runs induced by strategic 

complementarities  of  corporate  bond mutual  funds,  these  findings  exacerbate  them  because  the 

intraday liquidity transformation may give ETF investors the true first‐mover advantage. Overall the 

findings of this paper and those emerging on corporate bond mutual funds, raise concerns that must 

be balanced with the exposure these investment vehicles provide investors to a systemically important 

asset class that previously was difficult for non‐institutional investors to access. 

 

27  

References 

Abreu, D., Brunnermeier, M., 2003. Bubbles and Crashes. Econometrica 71, 173–204. 

Allen, F., Morris, S., Shin, H.S., 2006. Beauty contests and iterated expectations in asset markets. 

Review of financial Studies 19, 719–752. 

Amihud, Y., 2002. Illiquidity and stock returns: cross‐section and time‐series effects. Journal of 

Financial Markets 5, 31–56. 

Amihud, Y., Mendelson, H., 1986. Asset pricing and the bid‐ask spread. Journal of Financial 

Economics 17, 223–249. 

Anderson, M., Stulz, R.M., 2017. Is Post‐Crisis Bond Liquidity Lower? National Bureau of Economic 

Research. 

Bao, J., O’Hara, M., Zhou, X.A., 2016. The Volcker rule and market‐making in times of stress. 

Ben‐David, I., Franzoni, F.A., Moussawi, R., 2017. Do ETFs Increase Volatility? Journal of Finance 

Forthcoming. 

Bernardo, A.E., Welch, I., 2004. Liquidity and financial market runs. The Quarterly Journal of 

Economics 119, 135–158. 

Bessembinder, H., Jacobsen, S.E., Maxwell, W.F., Venkataraman, K., 2016. Capital commitment and 

illiquidity in corporate bonds. 

Bessembinder, H., Maxwell, W., Venkataraman, K., 2006. Market transparency, liquidity 

externalities, and institutional trading costs in corporate bonds. 

Journal of Financial Economics 82, 251–288. 

Bhattacharya, A., O’Hara, M., 2016. Can etfs increase market fragility? effect of information linkages 

in etf markets. Working Paper. 

Bollen, N.P., 2007. Mutual fund attributes and investor behavior. Journal of Financial and 

Quantitative Analysis 42, 683–708. 

Brown, D.C., Davies, S.W., Ringgenberg, M., 2016. ETF Arbitrage and Return Predictability. 

Cella, C., Ellul, A., Giannetti, M., 2013. Investors’ horizons and the amplification of market shocks. 

Review of Financial Studies 26, 1607–1648. 

Cespa, G., Vives, X., 2015. The beauty contest and short‐term trading. The Journal of Finance 70, 

2099–2154. 

Chen, Q., Goldstein, I., Jiang, W., 2010. Payoff complementarities and financial fragility: Evidence 

from mutual fund outflows. Journal of Financial Economics 97, 239–

262. 

Chernenko, S., Sunderam, A., 2016. Liquidity Transformation in Asset Management: Evidence from 

the Cash Holdings of Mutual Funds. 

Chordia, T., 1996. The structure of mutual fund charges. Journal of Financial Economics 41, 3–39. 

Christoffersen, S.E.K., Keim, D.B., Musto, D.K., 2011. Valuable Information and Costly Liquidity: 

Evidence from Individual Mutual Fund Trades. SSRN Working Paper 

Series. 

Cici, G., Gibson, S., Merrick, J.J., 2011. Missing the marks? Dispersion in corporate bond valuations 

across mutual funds. Journal of Financial Economics 101, 206–226. 

Constantinides, G.M., 1986. Capital market equilibrium with transaction costs. Journal of Political 

Economy 94, 842. 

Coval, J., Stafford, E., 2007. Asset fire sales (and purchases) in equity markets. Journal of Financial 

Economics 86, 479–512. 

Da, Z., Shive, S., 2013. When the bellwether dances to noise: Evidence from exchange‐traded funds. 

 

28  

Dannhauser, C.D., 2017. The impact of innovation: Evidence from corporate bond exchange‐traded 

funds (ETFs). Journal of Financial Economics 125, 537–560. 

De Long, J.B., Shleifer, A., Summers, L.H., Waldmann, R.J., 1990a. Noise trader risk in financial 

markets. Journal of Political Economy 703–738. 

De Long, J.B., Shleifer, A., Summers, L.H., Waldmann, R.J., 1990b. Positive feedback investment 

strategies and destabilizing rational speculation. Journal of Finance 

45, 379–395. 

Deli, D.N., Varma, R., 2002. Contracting in the investment management industry: Evidence from 

mutual funds. Journal of Financial Economics 63, 79–98. 

Dick‐Nielsen, J., 2009. Liquidity biases in TRACE. Journal of Fixed Income 19, 43. 

DiMaggio, M., Kacperczyk, M., 2017. The unintended consequences of the zero lower bound policy. 

Journal of Financial Economics 123, 59–80. 

Dow, J., Gorton, G., 1994. Arbitrage chains. Journal of Finance 49, 819–849. 

Edelen, R.M., Warner, J.B., 2001. Aggregate price effects of institutional trading: a study of mutual 

fund flow and market returns. Journal of Financial Economics 59, 

195–220. 

Edwards, A.K., Harris, L.E., Piwowar, M.S., 2007. Corporate bond market transaction costs and 

transparency. Journal of Finance 62, 1421–1451. 

Ellul, A., Jotikasthira, C., Lundblad, C.T., 2011. Regulatory pressure and fire sales in the corporate 

bond market. Journal of Financial Economics 101, 596–620. 

Elton, E.J., Gruber, M.J., Busse, J.A., 2004. Are investors rational? Choices among index funds. the 

Journal of Finance 59, 261–288. 

Falato, A., Hortacsu, A., Li, D., Shin, C., 2016. Fire‐Sale Spillovers in Debt Markets. 

Froot, K.A., Scharfstein, D.S., Stein, J.C., 1992. Herd on the street: Informational inefficiencies in a 

market with short‐term speculation. The Journal of Finance 47, 1461–

1484. 

Gennaioli, N., Shleifer, A., Vishny, R., 2012. Neglected risks, financial innovation, and financial 

fragility. Journal of Financial Economics 104, 452–468. 

Goetzmann, W.N., Massa, M., 2003. Index funds and stock market growth. Journal of Business 76, 1–

1. 

Goldstein, I., Jiang, H., Ng, D.T., 2017. Investor flows and fragility in corporate bond funds. Journal 

of Financial Economics 126, 592–613. 

Greenwood, R., 2005. Short‐and long‐term demand curves for stocks: theory and evidence on the 

dynamics of arbitrage. Journal of Financial Economics 75, 607–649. 

Greenwood, R., Thesmar, D., 2011. Stock price fragility. Journal of Financial Economics 102, 471–490. 

Gromb, D., Vayanos, D., 2010. Limits of Arbitrage. The Annual Review of Financial Economics is 2, 

251–75. 

Hong, H., Kubik, J.D., Fishman, T., 2012. Do arbitrageurs amplify economic shocks? Journal of 

Financial Economics 103, 454–470. 

Hoseinzade, S., 2015. Do Bond Mutual Funds Destabilize the Corporate Bond Market? Unpublished 

working paper. Boston College. 

Hugonnier, J., Prieto, R., 2015. Asset pricing with arbitrage activity. Journal of Financial Economics 

115, 411–428. 

 

29  

Israeli, D., Lee, C.M., Sridharan, S.A., 2017. Is there a dark side to exchange traded funds? An 

information perspective. Review of Accounting Studies 22, 1048–

1083. 

Jiang, H., Li, D., Wang, A., 2016. Dynamic Liquidity Management by Corporate Bond Mutual Funds. 

Kyle, A.S., Xiong, W., 2001. Contagion as a wealth effect. The Journal of Finance 56, 1401–1440. 

Lou, D., 2012. A flow‐based explanation for return predictability. Review of Financial Studies 25, 

3457–3489. 

Malamud, S., 2016. A dynamic equilibrium model of ETFs. 

Manconi, A., Massa, M., Yasuda, A., 2012. The role of institutional investors in propagating the crisis 

of 2007–2008. Journal of Financial Economics 104, 491–518. 

Mitchell, M., Pedersen, L.H., Pulvino, T., 2007. Slow Moving Capital. The American Economic 

Review 215–220. 

Mitchell, M., Pulvino, T., Stafford, E., 2004. Price pressure around mergers. Journal of Finance 59, 31–

63. 

Morris, S., Shim, I., Shin, H.S., 2017. Redemption risk and cash hoarding by asset managers. Journal 

of Monetary Economics. 

Morris, S., Shin, H.S., 2004. Liquidity black holes. Review of Finance 8, 1–18. 

Nanda, V., Narayanan, M., Warther, V.A., 2000. Liquidity, investment ability, and mutual fund 

structure. Journal of Financial Economics 57, 417–443. 

Ofek, E., Richardson, M., 2003. Dotcom mania: The rise and fall of internet stock prices. The Journal 

of Finance 58, 1113–1137. 

Pan, K., Zeng, Y., 2017. Arbitrage under liuquidity mismatch: Theory and evidence from authorized 

participants of bond ETFs. 

Pontiff, J., 1996. Costly Arbitrage: Evidence from Closed‐End Funds. The Quarterly Journal of 

Economics 111, 1135–1151. 

Poterba, J.M., Shoven, J.B., 2002. Exchange‐Traded Funds: A New Investment Option for Taxable 

Investors. American Economic Review 92, 422–427. 

Schmidt, L., Timmermann, A., Wermers, R., 2016. Runs on money market mutual funds. The 

American Economic Review 106, 2625–2657. 

Shleifer, A., Vishny, R.W., 1997. The limits of arbitrage. The Journal of Finance 52, 35–55. 

Sialm, C., Starks, L.T., Zhang, H., 2015. Defined contribution pension plans: Sticky or discerning 

money? The Journal of Finance 70, 805–838. 

Stein, J.C., 2005. Why are most funds open‐end? Competition and the limits of arbitrage. The 

Quarterly Journal of Economics 120, 247–272. 

Warther, V.A., 1995. Aggregate mutual fund flows and security returns. Journal of financial 

economics 39, 209–235. 

 

   

 

30  

   Panel A: The growth of the corporate bond market  Panel B: The holdings of corporate bond market participants 

   Panel C: The growth of the corporate bond ETFs  Panel D: The growth of the corporate bond mutual funds 

Fig. 1: The evolution of the corporate bond market and its participants 

Panel A plots the growth of the corporate bond market since 2000. The left hand axis and black line represent the total dollar amount outstanding in corporate bonds. 

The right hand axis and the red bars document the total amount of new issuance each year. Panel B plots corporate bond assets held by different market participants 

since 1990. The data comes from the Federal Reserve Board. The left axis plots the sum of assets held by life and property‐casualty insurers using the dashed line and 

ETFs and mutual funds with the straight line. The right axis plots the holdings by broker‐dealers with the dotted line. Panel C plots the growth in assets under 

management and the number of corporate bond ETFs. The left axis document the total assets under management. The solid line represents all taxable long‐term bond 

fund assets from ICI Factbook, while the dashed line depicts the total corporate bond assets held by long‐term ETFs from the Federal Reserve Board. The right axis 

and red bars plot the number of long‐term taxable bond mutual fund offerings from ICI. Panel D plots the growth of assets and number of open‐end mutual funds as 

in Panel C.

 

31  

 

 

Fig. 2: The yield on government bonds during 2013 

This figure presents the daily closing yield on the five‐ and ten‐year Treasury bond during 2013. Important dates related to our period 

of turmoil, the Taper Tantrum are denoted by the vertical lines. The first line represents the day that the episode began, May 22, 2013, 

when the Federal Reserve Chairman, Ben Bernanke, first mentioned slowing down the bond buyback program, known as Quantitative 

Easing (QE). The second line demarks, June 19, 2013, the date that Chairman Bernanke held a press conference documenting the 

economic reasoning behind the tapering of the QE program. 

   

 

32  

 

Panel A: The change in yield spread of bonds exposed to ETF Taper Tantrum outflows 

 

Panel B: The change in yield spread of bonds exposed to active mutual fund Taper Tantrum outflows 

 

Panel C: The change in yield spread of bonds exposed to index mutual fund Taper Tantrum outflows 

Fig. 3: The impact of a one standard deviation change in Taper Tantrum outflows on yield spreads 

This figure presents the impact of a one standard deviation increase in turmoil outflows to ETFs in Panel A, active mutual funds in 

Panel B, and index mutual funds in Panel C on the cumulative yield spread of constituent bonds exposed to outflows relative to bonds 

from the same issuer. The line plots the change in the volume‐weighted average yield of a bond over the maturity‐matched Treasury 

rate. The change is measured relative to the bond’s volume‐weighted yield in May of all transaction prior to May 22, the day to initial 

Bernanke’s testimony. The bars represent the t‐statistics from the regression described in Table 2. 

 

33  

 

 

Fig. 4: The arbitrage opportunity of high discount ETF group during the Taper Tantrum. 

This figure plots the time series of average monthly deviation, computed as computed as  / , of all 

ETFs falling in the lower half of the distribution during the Taper Tantrum. 

 

34  

 

Panel A: The average yield spread of bonds in the high and low ETF exposure portfolios 

 

Panel B: The difference in yield spreads of bonds in the high and low ETF exposure portfolios 

Fig. 5: The impact of ETF arbitrage on exposed bonds 

This  figure presents  the  impact of high ETF arbitrage exposure on portfolios of bonds.  In Panel A we present  the 

average yield spread and Panel B the difference and relevant t‐statistics. For each bond i we compute the ownership‐

weighted  average  deviation  of  the  set  of  K  ETFs  that  hold  bond  during  the  Taper  Tantrum  as, 

,∑ , ∗ ,

∑ ,, 

where  ,  is the amount of bond i held by ETF k in the holdings period prior to the onset of the tantrum episode 

and  ,  is the average deviation of ETF k during the Taper Tantrum months. Using this measure we 

divide the entire sample of bonds into high and low discount exposure portfolios. The high discount exposure portfolio 

includes all bonds with exposure measure less than the median value, i.e. held by ETFs trading at a discount. 

 

35  

Table 1 

Summary Statistics 

 Summary statistics by investment vehicle type for the quarterly holdings data released in March 2013 immediately 

before the Taper Tantrum are presented below. Panel A presents the distribution of observable summary statistics for 

corporate bond exchange‐traded funds (ETFs), Panel B for active mutual funds (AMFs), and Panel C for index mutual 

funds (IMFs). Total net assets is the dollar value in millions for all share classes of the fund. # of holdings is the 

number of unique bonds held by the fund. % in top 10 holdings documents the percentage of assets concentrated in 

the largest holdings of the fund. Turnover is a yearly measure defined by CRSP. Expense ratio is the asset‐weighted 

percent expense ratio of the fund for all share classes of the fund. Average duration and average credit quality are the 

value‐weighted characteristics of all bonds holdings. 

 

Panel A: ETFs  Mean  STD  10%  25%  50%  75%  90% 

Total net assets ($ mln)  1792.36  4400.34  10.60  30.80  169.00  771.70  5385.60 

No of holdings  636.70  1765.45  33.00  106.00  231.00  681.00  1351.00 

% in top 10 holdings  21.81  22.35  4.83  8.67  13.78  24.87  43.63 

Turnover  0.49  0.74  0.05  0.10  0.19  0.65  1.10 

Expense ratio (%)  0.34  0.26  0.12  0.16  0.24  0.45  0.60 

Average maturity  6.58  5.68  1.92  2.90  4.91  7.50  12.26 

Average effective duration  4.98  3.10  1.84  3.25  4.82  6.05  7.81 

Average credit quality  2.81  1.29  1.00  2.00  3.00  4.00  4.00 

 

Panel B: AMFs  Mean  STD  10%  25%  50%  75%  90% 

Total net assets ($ mln)  1549.99  4708.65  25.00  85.60  338.30  1139.75  3104.60 

No of holdings  365.18  424.85  20.00  85.00  259.00  473.00  849.00 

% in top 10 holdings  31.56  51.17  6.67  11.22  19.05  36.55  85.02 

Turnover  1.27  1.76  0.21  0.37  0.69  1.39  3.15 

Expense ratio (%)  0.87  0.49  0.35  0.59  0.81  1.07  1.33 

Average maturity  6.23  2.90  2.61  4.46  6.38  7.56  9.08 

Average effective duration  4.00  1.85  1.42  2.97  4.20  5.10  5.87 

Average credit quality  2.62  1.22  1.00  2.00  3.00  3.00  4.00 

 

Panel C: IMFs  Mean  STD  10%  25%  50%  75%  90% 

Total net assets ($ mln)  5782.76  17366.64  121.10  232.90  783.85  2598.10  12650.90 

# of holdings  2359.78  3394.15  43.50  346.50  1277.50  2670.50  7494.50 

% in top 10 holdings  26.89  33.33  4.03  6.24  11.96  34.38  95.67 

Turnover  1.55  2.32  0.23  0.41  0.79  1.32  4.36 

Expense ratio (%)  0.62  0.59  0.10  0.13  0.32  1.15  1.37 

Average maturity  7.61  4.98  2.99  5.82  6.96  7.50  11.79 

Average effective duration  5.28  2.49  2.89  4.42  5.08  5.31  6.47 

Average credit quality  4.32  1.01  3.00  4.00  5.00  5.00  5.00 

 

   

 

36  

Table 2 

Regressions of Changes in Bond Yield Spreads Relative to Pre‐Event Levels on Tantrum Outflows  

Panel A reports results for exchange‐traded funds (ETFs), Panel B for active mutual funds (AMFs), and Panel C for 

index mutual funds (IMFs) of the following monthly regressions 

,

, , , , , ,

, , , , , , , ,

∗ ,

∗ , , , . 

 

The dependent variable, ,, is the change in the volume‐weighted average yield of bond of bond 

 from issuer   over the maturity‐match Treasury rate in month . The change relative to the bondʹs volume‐weighted 

yield in May prior to May 22, 2013, the day of Bernankeʹs testimony. The months run from 1M (September 2013) to 

16M (December 2014) after the end of the turmoil period  in the summer of 2013.    is an  issuer fixed effect, whose 

inclusion allowing us to effectively compare the change in yield spreads of bonds from the same issuer subjected to 

different levels of fund induced pressures.  ,  is the weighted average monthly flow for all mutual 

funds or ETFs that reported bond  as a holding immediately before the event. Only bonds with negative flow exposure 

are  included. The coefficient  is multiplied by  ‐1. Bond  issue  level controls  included are  the  log of  the  issue size  in 

millions of dollars,  ; the number of years remaining until maturity,  ; the bond coupon, , 

the median monthly Amihud illiquid proxy,  ; and the yield spread of the bond prior to the event,  . All 

issue  level  controls are  set  to  their May  level.  t‐statistics are  clustered at  the  issuer  level and presented below  the 

coefficients. * indicates significance at the 10% level; **, at the 5% level; and *** at the 1% level.  

 

Panel A: ETFs                   

Variable  1M  4M  7M  10M  13M  16M 

Fund Outflow  0.072***  0.051**  0.042**  0.009  0.022  0.003 

  (3.69)  (2.46)  (2.08)  (0.52)  (1.29)  (0.19) 

Fund Outflows2  ‐0.004*  ‐0.001  ‐0.000  0.001  0.000  0.003 

  (‐1.81)  (‐0.31)  (‐0.11)  (0.58)  (0.00)  (1.24) 

Log(Size)  0.012  0.004  0.002  0.008  0.012  ‐0.002 

  (0.73)  (0.19)  (0.09)  (0.55)  (0.70)  (‐0.12) 

Time to Maturity  0.010***  0.014***  0.017***  0.022***  0.024***  0.030*** 

  (2.87)  (3.33)  (4.88)  (5.67)  (5.21)  (6.17) 

Coupon  ‐0.017**  ‐0.040***  ‐0.039***  ‐0.032***  ‐0.013  0.004 

  (‐2.04)  (‐4.17)  (‐4.20)  (‐4.05)  (‐1.43)  (0.57) 

Amihud  ‐0.250  0.340  ‐0.642  ‐0.147  0.584  1.811 

  (‐0.12)  (0.19)  (‐0.35)  (‐0.11)  (0.36)  (0.42) 

SpreadMay  ‐0.194**  ‐0.169  ‐0.229**  ‐0.316***  ‐0.391***  ‐0.447*** 

  (‐2.10)  (‐1.62)  (‐2.33)  (‐3.72)  (‐4.31)  (‐4.50) 

Time to Maturity * Fund Outflow  ‐0.002***  ‐0.002***  ‐0.002***  ‐0.001**  ‐0.001  ‐0.001 

  (‐3.19)  (‐4.08)  (‐3.74)  (‐2.00)  (‐1.35)  (‐1.30) 

Amihud * Fund Outflow  0.309  ‐0.033  0.196  0.075  ‐0.079  ‐0.399 

  (0.53)  (‐0.07)  (0.44)  (0.25)  (‐0.21)  (‐0.37) 

Issuer Fixed Effects      Yes      Yes      Yes      Yes      Yes      Yes 

Number of Observations  2,855  2,799  2,765  2,748  2,673  2,664 

R‐Squared  0.666  0.707  0.774  0.854  0.886  0.942 

 

   

 

37  

Panel B: AMFs                   

Variable  1M  4M  7M  10M  13M  16M 

Fund Outflow  0.021  0.022  0.021  ‐0.022  ‐0.034  0.011 

  (1.55)  (1.05)  (0.93)  (‐0.80)  (‐1.10)  (0.45) 

Fund Outflows2  ‐0.000  ‐0.001  ‐0.001  0.001  0.001  ‐0.001 

  (‐0.28)  (‐0.87)  (‐0.49)  (0.82)  (0.65)  (‐0.49) 

Log(Size)  0.054*  0.027  0.028  ‐0.010  0.029  ‐0.002 

  (1.74)  (0.75)  (0.73)  (‐0.23)  (0.66)  (‐0.08) 

Time to Maturity  ‐0.003  0.001  0.004  0.007  0.012  0.028*** 

  (‐1.48)  (0.27)  (0.99)  (0.99)  (1.24)  (9.40) 

Coupon  ‐0.041***  ‐0.053***  ‐0.047***  ‐0.077***  ‐0.042  ‐0.011 

  (‐4.40)  (‐3.12)  (‐3.14)  (‐3.14)  (‐1.31)  (‐1.06) 

Amihud  ‐1.900  ‐1.847  ‐1.078  ‐4.995**  ‐3.969  ‐2.547 

  (‐0.64)  (‐0.73)  (‐0.57)  (‐2.37)  (‐1.48)  (‐1.25) 

SpreadMay  0.179***  ‐0.009  ‐0.002  0.094  ‐0.143  ‐0.340*** 

  (6.04)  (‐0.08)  (‐0.03)  (0.43)  (‐0.47)  (‐4.77) 

Time to Maturity * Fund Outflow  ‐0.000  ‐0.000  ‐0.000  0.000  0.001  ‐0.000 

  (‐0.63)  (‐0.40)  (‐0.61)  (0.06)  (0.88)  (‐0.55) 

Amihud * Fund Outflow  ‐0.719  0.799  0.505  2.093**  1.723  1.237 

  (‐0.45)  (0.69)  (0.59)  (2.37)  (1.54)  (1.50) 

Issuer Fixed Effects      Yes      Yes      Yes      Yes      Yes      Yes 

Number of Observations  3,744  3,611  3,494  3,380  3,249  3,192 

R‐Squared  0.72  0.65  0.72  0.77  0.75  0.90 

  Panel C: IMFs                   

Variable  1M  4M  7M  10M  13M  16M 

Fund Outflow  ‐0.003  ‐0.018  ‐0.011  ‐0.040  ‐0.097**  ‐0.089** 

  (‐0.10)  (‐0.50)  (‐0.36)  (‐1.31)  (‐2.49)  (‐2.00) 

Fund Outflows2  ‐0.005  ‐0.000  ‐0.000  0.003  0.003  0.008* 

  (‐0.87)  (‐0.03)  (‐0.05)  (0.54)  (0.34)  (1.82) 

Log(Size)  0.044**  0.015  0.008  ‐0.004  0.000  0.038 

  (2.53)  (0.57)  (0.42)  (‐0.22)  (0.02)  (1.47) 

Time to Maturity  0.000  0.004  0.007***  0.015***  0.017***  0.025*** 

  (0.14)  (1.29)  (3.18)  (6.37)  (7.03)  (6.83) 

Coupon  ‐0.015**  ‐0.019**  ‐0.020***  ‐0.018**  ‐0.012  ‐0.006 

  (‐2.25)  (‐2.42)  (‐2.67)  (‐2.37)  (‐1.51)  (‐0.72) 

Amihud  2.696*  2.735*  2.334*  1.703  1.443  0.892 

  (1.96)  (1.67)  (1.74)  (1.21)  (0.97)  (0.32) 

SpreadMay  ‐0.103***  ‐0.254**  ‐0.223**  ‐0.317***  ‐0.354***  ‐0.384*** 

  (‐2.95)  (‐2.22)  (‐2.34)  (‐3.33)  (‐4.56)  (‐2.68) 

Time to Maturity * Fund Outflow  0.002  0.004*  0.003  0.003*  0.005**  0.005* 

  (1.49)  (1.79)  (1.58)  (1.96)  (2.51)  (1.72) 

Amihud * Fund Outflow  ‐2.683  ‐3.604  ‐3.576*  ‐2.428  ‐1.726  ‐1.047 

  (‐1.24)  (‐1.45)  (‐1.79)  (‐1.15)  (‐0.77)  (‐0.25) 

Issuer Fixed Effects      Yes      Yes      Yes      Yes      Yes      Yes 

Number of Observations  1,703  1,652  1,601  1,599  1,567  1,559 

R‐Squared  0.58  0.57  0.58  0.70  0.71  0.83 

 

   

 

38  

Table 3 

The Distribution of Fund Flows by Fund Type 

 This table shows the statistics for flows to funds of different corporate bond investment vehicles, including exchange 

traded funds (ETFs), all mutual funds, index mutual funds, and active mutual funds. The full sample period is from 

January 2010 to March 2015. Also presented are flow characteristics in normal periods, Non‐Taper Tantrum, and those 

during the turmoil event studied in this paper, the Taper Tantrum. Taper Tantrum months are June, July, and August 

of 2013. 

 

   Mean  Std. Dev.  10%  25%  50%  75%  90% 

ETFs   

Full Sample  4.75  12.47  ‐2.11  ‐0.36  1.21  6.53  16.62 

Non‐Taper Tantrum  4.85  12.35  ‐1.74  ‐0.33  1.37  6.56  16.56 

Taper Tantrum  3.51  13.75  ‐6.15  ‐1.16  ‐0.09  6.38  17.21 

 

Active Mutual Funds   

Full Sample  1.33  7.73  ‐2.71  ‐0.98  0.19  1.97  5.81 

Non‐Taper Tantrum  1.38  7.72  ‐2.55  ‐0.92  0.22  1.99  5.80 

Taper Tantrum  0.49  7.93  ‐4.54  ‐2.08  ‐0.37  1.44  5.99 

 

Index Mutual Funds   

Full Sample  0.98  6.75  ‐2.27  ‐0.52  0.46  1.81  4.47 

Non‐Taper Tantrum  1.04  6.73  ‐2.10  ‐0.46  0.50  1.88  4.67 

Taper Tantrum  ‐0.07  7.06  ‐3.38  ‐1.83  ‐0.29  0.95  2.85 

 

   

 

39  

Table 4 

Relation between Flow Variability and Fund Characteristics 

 This table presents the results of regressions of the standard deviation of fund flows in percent on fund characteristics. 

Columns (1)—(3) show the relations from cross‐sectional regressions with lifetime standard deviation as the dependent 

variable. Columns (4)—(6) show the results of panel regressions with month‐fixed effects using twelve month standard 

deviation of flows as the dependent variable. The independent variables include a dummy if a fund is an ETF,  ; a 

fundʹs expense ratio,  ;  turnover ratio,  ;  the  log of a  fundʹs assets under management, 

;  the  log  of  total  family  assets,  ,  and  interactions  of  these  variables with  the  ETF 

dummy. In the cross‐sectional regressions all continuous independent variables are set to their average value over our 

sample period and are then demeaned. In panel regressions the controls are lagged one month and standard errors are 

clustered at the fund level. t‐statistics are presented below the coefficients. * indicates significance at the 10% level; **, 

at the 5% level; and *** at the 1% level.  

 

  Cross‐Section    Panel 

Variable  (1)  (2)  (3)     (4)  (5)  (6) 

ETF  5.618***  3.331***  10.698***    5.043***  2.262***  9.820*** 

  (9.99)  (6.44)  (2.85)    (8.96)  (4.66)  (3.58) 

Expense Ratio    1.136***  1.216***    0.371  0.400* 

  (3.64)  (3.88)    (1.55)  (1.66) 

Turnover Ratio    ‐0.024**  ‐0.023**    ‐0.004  ‐0.007 

  (‐2.38)  (‐2.20)    (‐0.59)  (‐0.96) 

Log(Assets)    ‐0.078  ‐0.095    ‐0.310***  ‐0.308*** 

  (‐0.94)  (‐1.08)    (‐5.01)  (‐4.85) 

Log(Age)    ‐2.278***  ‐2.219***    ‐1.637***  ‐1.552*** 

  (‐16.34)  (‐15.83)    (‐14.55)  (‐13.80) 

Log(Family Assets)    0.064  0.083    0.103**  0.117** 

  (0.98)  (1.23)    (2.04)  (2.26) 

ETF * Expense Ratio    ‐5.207**    ‐2.545 

  (‐2.08)    (‐1.45) 

ETF * Turnover Ratio    ‐0.079    0.053*** 

  (‐1.27)    (4.03) 

ETF * Log(Assets)    0.528*    0.451 

  (1.81)    (1.64) 

ETF * Log(Age)    ‐3.434***    ‐3.802*** 

  (‐3.40)    (‐3.95) 

ETF * Log(Family Assets)    ‐0.491*    ‐0.437** 

  (‐1.78)    (‐2.04) 

Date Fixed Effects      No      No     No        Yes      Yes      Yes 

Number of Observations  1,428  1,121  1,121    73,850  54,193  54,193 

Adjusted R‐Squared  0.058  0.324  0.334     0.047  0.164  0.175 

 

   

 

40  

Table 5 

The Investment Horizon of Institutional Investors 

 

This table presents information on the investment horizon of the institutional owners of the corporate bond 

mutual funds and exchange‐traded funds (ETFs) in our sample. The churn ratio, computed as the sum of 

quarterly absolute changes in dollar holdings over average assets under management, is our measure of 

institutional investor horizon. The mean and median church ratio is shown for investors that hold corporate 

bond ETFs or mutual funds at any point for the entire sample period, January 2010 to March 2015, and for 

the period immediately preceding the Taper Tantrum. The tests of the median perform a nonparametric 

k‐sample test with the null hypothesis that the k samples were drawn from populations with the same 

median. For two samples, the chi‐squared test statistic is computed both with and without a continuity 

correction. The difference in means and medians is also presented with the associated p‐values. * indicates 

significance at the 10% level; **, at the 5% level; and *** at the 1% level. 

 

  Whole Sample    Pre‐Taper Tantrum 

Holder of  Mean  Median    Mean  Median 

ETFs   0.176  0.098    0.185  0.088 

Mutual Funds  0.107  0.071    0.088  0.058 

Difference  0.069***  0.027***    0.097***  0.030*** 

p‐value  0.000  0.000     0.000  0.000 

 

   

 

41  

Table 6 

The Sensitivity of Fund Flows to Changes in Interest Rates 

 This table reports the results from the following panel regression over the entire data sample from January 2010 to 

March 2015 

, ∆ ⁄ ∗ ∆ ⁄ , , . 

, is the monthly percentage flow of fund   in month  .  /  is the lagged change in either the one‐ or five‐

year Treasury rate normalized by its standard deviation.  is a dummy equal to one for ETFs and zero for mutual 

funds.  ,  are fund level covariates including the effective duration and credit rating of the fundʹs holdings, one‐, two‐ 

and three‐month lagged flows, the average monthly fund return over the previous three months, as well as, the expense 

log  of  fund  assets,  and  turnover  ratios  of  the  funds.  t‐statistics  are  clustered  by  date  and  presented  below  the 

coefficients. * indicates significance at the 10% level; **, at the 5% level; and *** at the 1% level. 

 

Variable  I/R=One‐Year Treasury    I/R=Five‐Year Treasury 

ΔI/Rt‐1*ETFf  ‐0.090  ‐0.098**    ‐0.114**  ‐0.085* 

  (‐1.60)  (‐2.23)    (‐2.07)  (‐1.74) 

ΔI/Rt‐1  ‐0.086  ‐0.047    ‐0.101  ‐0.022 

  (‐0.90)  (‐0.44)    (‐0.95)  (‐0.26) 

ETFf  3.670***  1.111***    3.710***  1.164*** 

  (7.51)  (5.32)    (7.57)  (5.48) 

Effective Duration  ‐0.440***  ‐0.220**    ‐0.440***  ‐0.220** 

  (‐3.43)  (‐2.56)    (‐3.43)  (‐2.56) 

Average Rating    ‐0.036    ‐0.039 

  (‐0.39)    (‐0.42) 

Flowt‐1    1.642***    1.642*** 

  (9.25)    (9.26) 

Flowt‐2    1.301***    1.296*** 

  (8.30)    (8.28) 

Flowt‐3    0.920***    0.923*** 

  (8.25)    (8.29) 

Fund Rett,t‐3    0.581***    0.570*** 

  (4.83)    (4.68) 

Log(Size)  ‐0.108**    ‐0.110** 

  (‐2.08)    (‐2.11) 

Expense Ratio    ‐0.125**    ‐0.126** 

  (‐2.10)    (‐2.13) 

Turnover    ‐0.017    ‐0.017 

  (‐0.35)    (‐0.35) 

Number of Observations  48,882  31,172     48,882  31,172 

R‐Squared  0.016  0.15     0.016  0.16 

 

 

   

 

42  

Table 7 

Portfolio Composition by Investment Vehicle Prior to the Onset of the Taper Tantrum Relative to Exchange‐Traded Funds (ETFs) 

 

This table presents statistics on the percentage of fund assets held in different investment categories by active mutual funds (AMFs), index mutual funds (IMFs) and 

exchange‐traded funds (ETFs) for the period immediately before the onset of the period of turmoil. Panel A shows the statistics for all AMFS and ETFs in our study, 

Panel B  for AMFs with greater  than 80% allocation  to  corporate bonds and Panel C  for  IMFs and ETFs only. To  test  the difference between medians we use 

nonparametric two‐sample test. In each panel the mean and median, as well as the difference between the mutual fund and ETF statistics are presented. * indicates 

significance at the 10% level; **, at the 5% level; and ***, at the 1% level. 

 

Asset Allocation  Mean    Median 

Panel A: All AMFs AMFs  ETFs  Difference  p‐Value    AMFs  ETFs  Difference  p‐Value 

Cash  14.10  8.83  5.27***  0.00 9.07 2.83  6.24***  0.00

Government bonds  15.99  12.12  3.21**  0.05 10.61 0.34  10.27***  0.00

Corporate bonds  51.54  74.45  ‐22.91***  0.00 45.39 93.06  ‐47.67***  0.00

Securitized bonds  14.87  3.12  11.75***  0.00 9.31 0.03  9.28***  0.00            

Panel B: All IMFs  IMFs  ETFs  Difference  p-Value IMFs ETFs  Difference  p-Value

Cash  9.36  8.83  0.53  0.84 5.20 2.83  2.37  0.17

Government bonds  36.03  12.12  23.91***  0.00 42.25 0.34  41.91***  0.00

Corporate bonds  33.73  74.45  ‐40.72***  0.00 22.27 93.06  ‐70.79***  0.00

Securitized bonds  18.71  3.12  15.59***  0.00 24.51 0.03  24.48***  0.00            

Panel C: AMFs & ETFs with 80% in Corporate   AMFs  ETFs  Difference  p-Value AMFs ETFs  Difference  p-Value

Cash  4.55  2.78  1.77***  0.00 3.64 1.47  2.17***  0.00

Government bonds  0.93  1.30  ‐0.37  0.37 0.00 0.00  0.00  0.36

Corporate bonds  92.63  95.58  ‐2.95***  0.00 93.93 97.22  ‐3.29***  0.00

Securitized bonds  1.43  0.40  1.03***  0.00 0.49 0.00  0.49***  0.00  

   

 

43  

Table 8 

Exchange‐Traded Funds (ETFs) Summary Statistics based on Taper Tantrum Arbitrage Exposure 

 This table presents statistics on exchange‐traded funds (ETFs) based on the average arbitrage opportunity during the months of the Taper Tantrum: June, July, and August of 2013. 

For all corporate bond ETFs, we compute the monthly deviation as the average daily percentage difference between the ETF market price and its NAV. ETFs with below median 

deviations  trade at  significant discounts during  the  turmoil episode and are denoted  . ETFs with average Tantrum deviation above  the median are  called 

. The characteristics of ETFs considered are the average credit rating and effective duration of the fundsʹ holdings, the portion of ETF shares outstanding held by 

institutional investors, IO, the volatility of fund flows over the prior twelve months, Flow Vol, and the log of ETF assets. Using data from January to April 2013 the average monthly 

ETF percentage bid‐ask spread and the creation and redemption intensity measure of Da and Shive (2017),  , are shown.   is computed as the standard deviation of ETF shares 

outstanding in a month divided by the average shares of the ETF outstanding that month, proxies for the level of arbitrage conducted by authorized participants. The average Taper 

Tantrum months   is also presented. t‐statistics for the difference in means are shown. * indicates significance at the 10% level; **, at the 5% level; and *** at the 1% level. 

 

 

 Pre‐Taper Tantrum 

 

Taper 

Tantrum 

Group 

Credit 

Quality 

Effective 

Duration IO (%)  Flow Vol 

Bid Ask 

Spread (%) Log(Size)  CRI 

 CRI 

High Deviation ETFs  2.94  5.82  48.33  7.47  0.360  5.00  0.031    0.017 

Low Deviation ETFs  2.97  3.9  44.05  8.15  0.105  5.67  0.040    0.037 

Difference  ‐0.03  1.92***  4.28  ‐0.68  0.255***  ‐0.67  ‐0.009    ‐0.020** 

t‐statistic  ‐0.09  2.48  0.77  ‐0.41  2.71  ‐1.38  ‐0.81     ‐2.43 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

   

 

44  

Table 9 

The Impact of Arbitrage Opportunities on Bond Yield Spreads  

This table presents the results of our tests for the impact of turmoil induced arbitrage ETF on constituent bonds. For all corporate bond ETFs, the monthly deviation is computed as 

the average daily percentage difference between the ETF market price and its NAV. For an individual bond we compute its exposure to ETF arbitrage by calculating the ownership‐

weighted average deviation of the ETFs that hold the bond during the Taper Tantrum. The measure is computed as 

,∑ , ∗ ,

∑ ,. 

The sample of bonds is divided into high and low arbitrage exposure portfolios. Bonds denoted high arbitrage exposure have an  ,  measure below 

the median, indicative of being held by ETFs trading at a discount. In Panel A, we present the results of the univariate regression 

, , , , where  ,  is the monthly‐volume weighted yield of bond   over the maturity‐matched Treasury rate in month   and  ,  is a dummy set to one if 

the bondʹs exposure measure is below the median. In Panel B, the results of the multivariate regression that controls for bond characteristics, including the years remaining until 

maturity,  ; the bond’s coupon,  ; a proxy for illiquidity,  ; and a numerical conversion of the credit rating of the bond,  . 

, , , , , , , . 

t‐statistics with standard errors clustered by issuer are presented next to the coefficient. * indicates significance at the 10% level; **, at the 5% level; and ***, at the 1%.  

Panel A: Univariate analysis    Month  High Arbitrage Exposure  t‐stat  Constant  t‐stat  Number of Observations 

Jun‐13  ‐0.055  ‐1.29 1.805*** 59.17 4,963 Jul‐13  ‐0.018  ‐0.44 1.662*** 56.27 4,917 Aug‐13  0.025  0.61 1.615*** 53.91 5,039 Sep‐13  0.121***  2.80 1.563*** 50.50 4,874 Oct‐13  0.150***  3.30 1.506*** 46.46 4,845 Nov‐13  0.193***  4.09 1.419*** 42.00 4,748 Dec‐13  0.200***  4.57 1.287*** 41.39 4,711 Jan‐14  0.177***  3.76 1.239*** 36.86 4,675 Feb‐14  0.185***  4.04 1.236*** 37.76 4,578 Mar‐14  0.198***  4.27 1.157*** 34.82 4,560 Apr‐14  0.197***  4.41 1.078*** 33.51 4,481 May‐14  0.210***  5.64 1.032*** 38.10 4,416 Jun‐14  0.203***  5.54 0.996*** 37.22 4,418 Jul‐14  0.147***  4.00 1.063*** 39.37 4,342 Aug‐14  0.109***  2.79 1.179*** 41.07 4,218 Sep‐14  0.039  0.92 1.266*** 40.45 4,219 Oct‐14  0.015  0.30 1.444*** 40.12 4,220 Nov‐14  0.091*  1.77 1.462*** 38.54 4,165 Dec‐14  ‐0.044  ‐0.71 1.722*** 36.94 4,125

 

 

 

45  

Panel B: Multivariate analysis   

Month 

High Arbitrage 

Exposure  t‐stat 

Time to 

Maturity  t‐stat  Rating  t‐stat  Log(Size)  t‐stat  Coupon  t‐stat  Amihud  t‐stat 

Number of 

Observations  R‐Squared 

Jun‐13  ‐0.021  ‐0.55 0.003* 1.66 0.154*** 38.62 0.112*** 4.57 0.275*** 32.07 10.659*** 8.97 4,583 0.532

Jul‐13  0.028  0.69 0.001 0.33 0.134*** 32.96 0.072*** 2.81 0.256*** 28.89 9.531*** 7.84 4,493 0.463

Aug‐13  0.002  0.06 0.007*** 2.78 0.126*** 29.14 0.072*** 2.62 0.254*** 26.35 8.373*** 7.00 4,512 0.406

Sep‐13  0.101**  2.23 0.005* 1.90 0.132*** 28.82 0.117*** 4.03 0.239*** 24.06 12.989*** 9.09 4,477 0.385

Oct‐13  0.141***  2.86 0.006** 2.32 0.141*** 26.86 0.087*** 2.81 0.228*** 20.82 13.780*** 7.59 4,412 0.354

Nov‐13  0.200***  3.69 0.004 1.26 0.132*** 23.19 0.025 0.75 0.233*** 19.36 9.739*** 5.72 4,223 0.313

Dec‐13  0.199***  4.09 0.006** 2.32 0.129*** 25.03 0.031 1.01 0.203*** 18.84 9.378*** 6.11 4,232 0.326

Jan‐14  0.149***  2.73 0.008** 2.57 0.128*** 22.61 0.046 1.35 0.211*** 17.68 14.334*** 7.52 4,240 0.290

Feb‐14  0.140***  2.64 0.011*** 3.70 0.142*** 25.22 0.048 1.48 0.195*** 16.76 10.621*** 6.20 4,092 0.320

Mar‐14  0.101*  1.87 0.013*** 4.34 0.127*** 22.19 0.064* 1.90 0.207*** 17.47 10.206*** 6.39 4,124 0.286

Apr‐14  0.110**  2.13 0.010*** 3.70 0.126*** 22.55 0.074** 2.25 0.182*** 15.86 12.225*** 6.96 4,070 0.280

May‐14  0.083**  2.00 0.012*** 5.23 0.100*** 22.45 0.011 0.42 0.194*** 21.23 10.215*** 7.41 3,974 0.333

Jun‐14  0.058  1.40 0.013*** 6.06 0.103*** 22.01 0.040 1.52 0.170*** 18.25 8.648*** 5.99 3,967 0.305

Jul‐14  ‐0.053  ‐1.29 0.017*** 7.52 0.106*** 23.36 0.005 0.19 0.188*** 20.49 7.751*** 5.63 3,862 0.342

Aug‐14  ‐0.088**  ‐2.06 0.022*** 9.01 0.142*** 28.42 0.033 1.22 0.190*** 19.86 6.672*** 5.06 3,648 0.412

Sep‐14  ‐0.122***  ‐2.64 0.016*** 6.30 0.141*** 26.32 0.050* 1.71 0.212*** 20.48 12.522*** 7.49 3,736 0.381

Oct‐14  ‐0.129**  ‐2.49 0.012*** 4.35 0.181*** 28.58 0.056* 1.68 0.223*** 18.98 18.599*** 9.58 3,779 0.397

Nov‐14  ‐0.047  ‐0.84 0.008*** 2.65 0.169*** 24.72 0.029 0.78 0.250*** 19.36 10.994*** 6.27 3,690 0.353

Dec‐14  ‐0.255***  ‐3.82 0.015*** 4.29 0.230*** 27.95 0.064 1.49 0.276*** 17.97 18.498*** 10.44 3,701 0.386

 

   

 

46  

Table 10 

Robustness Regressions of Changes in Bond Yield Spreads Relative to Pre‐Event Levels for Active Funds 

 

This table presents the results of robustness regressions. For various subsets of mutual funds the main specification in Table 2 is repeated with issuer 

fixed effects, with only  the coefficient and  t‐statistics clustered at  the  issuer  level are presented. The months run  from 1M  (September 2013)  to 16M 

(December 2014) after the end of the turmoil period in the summer of 2013. Panel A reports the results for active mutual funds with an allocation to corporate 

bonds greater than 80%. The results for active mutual funds in the lowest quartile of liquid asset allocation, the sum of cash and government bond 

allocation are shown for active mutual funds in Panel B. Panel C shows the results for active mutual funds in the top quartile of fund flow volatility, 

respectively. * indicates significance at the 10% level; **, at the 5% level; and *** at the 1% level.  

 

1M  4M  7M  10M  13M  16M 

Panel A: Active mutual funds with corporate bond ownership greater than 80%       

Fund Outflow  0.009  0.016  ‐0.000  0.003  0.024  0.021 

  (0.35)  (0.45)  (‐0.01)  (0.10)  (1.15)  (1.20) 

Number of Observations  2,325  2,255  2,155  2,038  1,961  1,917 

R‐Squared  0.664  0.542  0.711  0.785  0.791  0.918 

             

Panel B: Active mutual funds in the lowest quartile of liquid assets          

Fund Outflow  0.046**  0.017  0.019  ‐0.009  0.020  0.011 

  (2.18)  (0.77)  (0.71)  (‐0.36)  (0.74)  (0.69) 

Number of Observations  3,023  2,907  2,795  2,651  2,550  2,481 

R‐Squared  0.695  0.649  0.734  0.842  0.836  0.934 

             

Panel C: Active mutual funds in the top quartile of flow volatility          

Fund Outflow  0.009  0.007  ‐0.003  ‐0.008  ‐0.009  0.001 

  (0.92)  (0.55)  (‐0.36)  (‐0.87)  (‐0.79)  (0.13) 

Number of Observations  2,986  2,910  2,802  2,718  2,603  2,558 

R‐Squared  0.715  0.622  0.737  0.794  0.742  0.883