% !TeX root = ../Investment.tex \chapter{行为金融}
引子：从“理性人”到“行为人”
第三章到第六章建立的资产定价框架，包括 Markowitz、CAPM、APT 与 EMH，都需要某种理性基准：投资者能够比较收益与风险，能够处理信息，并在约束条件下作出相对一致的选择。这个基准使金融学能够建立严整的数学模型，但它并不足以解释现实市场中反复出现的“反常”现象：为什么同一个人会在 5% 收益时及时止盈，却在 10% 亏损时长期持有？为什么互联网泡沫中不少分析师和投资者仍愿意接受极高估值叙事？为什么 A 股在 2015 年 6 月以后会在短短几周内快速回落并出现大幅回撤？理性人模型在这些情境下需要行为金融学的补充。
行为金融学是金融学对自身的一次“心理学转向”。它放弃了“投资者绝对理性”的强假设，转而问：实际投资者是怎样决策的？心理学有什么洞察可以帮助解释市场？这一研究路径的现代奠基之作是 Daniel Kahneman 与 Amos Tversky 1979 年的《前景理论》。他们用一组简单实验说明，人在面对收益与损失时的态度是非对称的：损失带来的痛苦远比同等收益带来的快乐更强烈。这种“损失厌恶”是众多投资者非理性行为的重要来源。Kahneman 因将心理学关于不确定性下判断与决策的洞见引入经济学分析而获 2002 年诺贝尔经济学奖（Tversky 已于 1996 年去世，诺贝尔奖通常不追授）；Robert Shiller 因资产价格实证研究贡献，与 Eugene Fama、Lars Hansen 共同获得 2013 年诺贝尔经济学奖；Richard Thaler 因行为经济学贡献获得 2017 年诺贝尔经济学奖。这些研究者在 21 世纪先后获奖，标志着行为金融与行为经济学已从边缘走入经济金融研究的主流。
行为金融学对中国市场有很强的实务意义。A 股个人投资者数量庞大，交易活跃度较高，短期价格更容易受到情绪、题材与社交传播影响。2015 年股灾、2020 年新冠后科技股上涨、2024 年前后围绕程序化交易、融券与小微盘流动性的市场讨论，都是行为金融视角下值得分析的材料。同时，监管部门对投资者教育、广告合规、信息披露和程序化交易监管的要求，也是在降低投资者行为偏差对市场稳定的冲击。本章按发展历程、行为偏差、实际应用、算法情绪与行为法治五节展开，先建立理论框架，再嵌入中国市场的本土素材与法律边界。
投资中的重大错误，往往不只是判断市场方向失误，还包括低估自身情绪和认知偏差对决策的影响。行为金融学的价值，不在于简单批评投资者“不理性”，而在于提醒读者：恐惧、贪婪、后悔、锚定和从众都不是偶发噪声，而是会反复进入价格和交易行为的系统力量。
发展历程
行为金融学不是简单地说“投资者不理性”，而是研究这种不理性是否有稳定模式、能否被预测、会不会影响价格。传统金融理论用理性人假设建立了清晰的资产定价框架；行为金融则把心理学、实验经济学和市场实证结合起来，解释为什么价格有时会偏离基本面，为什么投资者明知追涨杀跌不符合长期目标，却仍然反复这样做。
这一领域的思想基础可以追溯到 Herbert Simon 的“有限理性”：现实中的投资者并不拥有无限计算能力，也不总能处理全部信息，决策常常依赖直觉、经验和简化规则。Kahneman 与 Tversky 在 1970 年代把这种思路推进到风险决策研究，提出前景理论，显示人们面对收益和损失时并不对称：同等损失带来的痛苦通常明显大于同等收益带来的快乐。这个发现有助于解释投资者过早卖出盈利资产、长期持有亏损资产的行为。
1980 年代以后，行为金融开始进入资产价格研究。Shiller（1981）提出股票价格波动远大于未来股利变化能够解释的幅度，挑战了“价格总能反映基本面”的强版本有效市场观。Thaler 则用心理账户、禀赋效应等概念解释人们在储蓄、消费和投资中的分类思维。此后，处置效应、过度自信、羊群行为、反应过度与反应不足等研究逐渐形成体系，行为金融从心理实验走向金融市场实证。
到 2000 年代以后，行为金融进一步进入投资管理、产品设计和公共政策。Thaler 与 Sunstein 的《助推》（2008）把行为洞察用于退休账户自动加入、默认选项设计和消费者保护，说明监管不一定要替投资者做决定，也可以通过更好的选择架构减少错误决策。今天，金融科技和大语言模型又把行为金融带入新的场景：平台有能力通过行为数据推断用户偏好、推送个性化内容，也可能放大羊群行为和确认偏差。因此，行为金融已经不只是解释市场异常的理论，也成为理解金融产品销售、智能投顾和投资者保护的重要工具。
图 （见上文） 先概括本章最核心的直觉：同一金额的收益和损失，在心理上并不对称；投资者通常对损失更敏感，并会围绕某个参考点评价结果。
1979 年，希伯来大学心理学家 Daniel Kahneman 与 Amos Tversky 在《Econometrica》上发表了 Prospect Theory: An Analysis of Decision under Risk。论文用几组简洁的选择实验说明，人在面对收益和损失时并不按照同一个稳定的风险态度决策。两组最有代表性的选择如下：
选择 1：A. 80% 概率得 4000 元（期望 3200 元） B. 100% 确定得 3000 元
选择 2：A. 80% 概率亏 4000 元（期望 \(-3200\) 元） B. 100% 确定亏 3000 元
按期望效用理论，选择 1 中 A 期望值更高、应被风险中性者选择；但实验中 80% 的受试者选 B（确定收益），表现为面对收益时风险厌恶。选择 2 中 B 期望值更高（\(-3000>-3200\)），但 92% 的受试者选 A（风险选项），表现为面对损失时反而风险偏好。这一对称翻转很难用稳定、全局凹的期望效用函数解释，需要引入S 形价值函数（图 （见上文））：以参考点（通常是当前财富）为分界，收益侧凹（风险厌恶）、损失侧凸（风险偏好），且损失侧斜率明显大于收益侧；损失厌恶系数的量化估计在 1992 年累积前景理论中进一步系统化，常用估计为 \(\lambda\approx 2.25\)。
这一发现深刻改变了金融学对“理性人”的理解。Tversky 已于 1996 年去世，按惯例未列入 2002 年诺贝尔经济学奖获奖者名单；Kahneman 后来在 2011 年出版《思考，快与慢》，把前景理论与“系统 1（直觉）、系统 2（理性）”框架推向大众视野。
行为偏差
行为金融文献已识别出大量心理偏差与认知错觉。对投资学而言，重要的不是背诵偏差名称，而是理解这些偏差如何进入交易账户、产品销售和市场价格。表 （见上文） 先把本章最重要的 12 类偏差整理为概览表：第一列说明心理机制，第二列连接市场表现，第三列提示背后的代表性研究。读者可以先把它作为总览，再在后文案例中观察这些偏差如何从个人决策扩散为市场现象。
| >{\arraybackslash}p{0.138\linewidth}>{\arraybackslash}p{0.232\linewidth}>{\arraybackslash}p{0.275\linewidth}>{\arraybackslash}p{0.155\linewidth}@{}} 偏差 | 含义 | 市场表现 | 代表文献 | |
|---|---|---|---|---|
| 损失厌恶 | 同等损失带来的痛苦 \(\approx 2.25\) 倍于收益的快乐 | 亏损持仓不卖、止盈太早；处置效应 | Tversky \ | Kahneman 1992 |
| 前景理论 | 价值函数 S 形、参考点依赖、损失厌恶 | 投资者对涨跌反应非对称 | Kahneman \ | Tversky 1979 |
| 心理账户 | 资金按来源和用途被分入不同心理“账户” | 分红用于消费、本金保留 | Thaler 1985 | |
| 禀赋效应 | 拥有的东西被赋予更高估值 | 持仓不卖、惜售；二手车低成交 | Kahneman et al. 1990 | |
| 锚定效应 | 决策被早期信息“锚住”，调整不足 | IPO 价、历史高点成“心理关口” | Tversky \ | Kahneman 1974 |
| 过度自信 | 高估自身判断力 | 过度交易、低估风险溢价 | Barber \ | Odean 2001 |
| 处置效应 | 倾向卖盈持亏（损失厌恶在交易上的表现） | 散户换手扭曲、止损延迟 | Shefrin \ | Statman 1985；Odean 1998 |
| 羊群行为 | 跟随多数人决策、忽视独立判断 | 泡沫、踩踏、追涨杀跌 | Banerjee 1992 | |
| 确认偏差 | 选择性关注支持自己观点的信息 | 慢慢修正错误判断；信息茧房 | Klayman 1995 | |
| 代表性启发 | 以相似度替代概率推断 | 过度推断、忽视基率 | Tversky \ | Kahneman 1974 |
| 可得性启发 | 用易回忆案例代替统计 | 灾难新闻引发过度反应、“近期偏差” | Tversky \ | Kahneman 1973 |
| 框架效应 | 同一事实换种表述就改变决策 | 销售话术、风险提示有效性差异 | Tversky \ | Kahneman 1981 |
这些偏差并不是孤立存在的。损失厌恶会诱发处置效应，锚定会加重“回本”执念，过度自信又会提高交易频率并放大羊群行为。下面的讨论按偏差逐项展开，但阅读时应把它们理解为同一条行为链条上的不同环节。
损失厌恶
定义。 损失厌恶是指人们在面临同等数额的收益与损失时，对损失的感受远大于收益带来的快乐。Tversky 与 Kahneman（1992）的累积前景理论常用估计给出损失厌恶系数 \(\lambda\approx 2.25\)，即损失带来的痛苦约为同等收益带来快乐的 2.25 倍。这个数值不是普适常数，而是特定实验与估计口径下的代表性参数；不同人群、场景和金额尺度下，损失厌恶强度会有所变化。
案例 1：亏损持仓延迟卖出。 一位散户以 100 元买入某科技股，跌至 60 元后仍不愿卖出：“等我成本回来再卖”。即便公司基本面已恶化、合理估值仅 50 元，他仍继续持有。兑现亏损的痛苦让他选择“不行动”，这正是 Odean（1998）所研究的处置效应。
案例 2：风险测评的反向应用。 银行某 \(R_3\) 产品过去 12 个月最大回撤 \(-8\%\)、年化收益 \(+6\%\)。同等收益下另一只 \(R_2\) 产品最大回撤 \(-3\%\)、年化收益 \(+4\%\)。本书用 \(C_n\) 表示投资者风险承受能力等级，用 \(R_n\) 表示产品风险等级。许多 \(C_3\) 投资者可能会选择 \(R_2\)，因为他们“宁可少赚 2%”也不愿承担 \(-8\%\) 的潜在回撤。这与本节“前景理论价值函数与损失厌恶系数”例题中前景理论价值函数预测的“拒绝公平风险选择”相吻合。
前景理论
定义。 前景理论用 S 形价值函数 \(V(x)\) 替代期望效用函数（图 （见上文））：以参考点为分界，收益侧凹（风险厌恶）、损失侧凸（风险偏好）；损失侧斜率约为收益侧的 2.25 倍。决策不是基于绝对财富水平，而是基于相对参考点的变化。
案例：参考点的力量。 同样是 100 万元，对月收入 1 万元的工薪家庭可能接近多年储蓄规模，对月收入数十万元或拥有高净值资产的家庭则只是较小比例的财富变化。前者获得 100 万元会显著改善财务状况，后者的主观感受则相对有限；前者损失 100 万元会严重影响生活规划，后者可能仍处于可承受范围。相同的客观结果在不同参考点下可能产生很不同的主观价值，这就是参考点依赖的核心含义。
背景。 Tversky-Kahneman（1992）给出价值函数的标准化形式： \[V(x)=\begin{cases} x^{\alpha}, & x\geq 0,\\ -\lambda\,(-x)^{\beta}, & x<0,\end{cases}\] 其中 \(\alpha\approx\beta\approx 0.88\)，\(\lambda\approx 2.25\)。
计算。 设投资者面对两个选项：A 为 50% 概率赢 1000 元、50% 概率亏 1000 元；B 为不参与。期望收益 \(E[A]=0\)，风险中性的期望值准则下应当无差异；但前景理论的主观价值为： \[\mathcal{V}(A)=0.5\,V(1000)+0.5\,V(-1000) = 0.5\times 1000^{0.88} - 0.5\times 2.25\times 1000^{0.88} \approx -273.\] 即加权感知价值为负，投资者会拒绝该风险选择。
启示。 损失厌恶会让期望收益为零的公平风险选择在心理上变得不公平。传统凹效用也能解释一部分风险厌恶，但前景理论进一步强调：同一笔波动会围绕参考点被拆成收益和损失，且损失侧的心理权重更高。这就是为什么个人投资者难以接受波动较大的股票产品，即便该类资产长期可能存在正风险溢价。适当性测评中的 \(C_1\)--\(C_5\) 风险承受能力分级，正是把这种“心理上的不对称”纳入产品销售合规要求的一种制度安排。
心理账户
定义。 Thaler（1985）提出：人们在心理上将资金按来源（工资与奖金）、用途（生活费与投资）、形式（现金与存款）分到不同“账户”，并对每个账户采取不同的风险态度。这违背了传统经济学的“货币可替代性”假设。
案例 1：年终奖效应。 某中产年薪 30 万元、年终奖 10 万元。他对工资部分严格预算（生活费、房贷），对年终奖却愿意激进，拿出 8 万元买偏股基金或其他高波动资产。从总财富视角看，这 8 万元和工资里的 8 万元价值完全相同；但心理账户让他在年终奖账户上承担更高风险。这一偏差在中国基民群体中较常见。 案例 2：分红消费与本金保留。 某退休投资者把 100 万元买入分红型基金，每年分红 5 万元被他用于消费（“这是分红”），但本金 100 万元他不愿动用，尽管两者在总财富口径下完全等价。
禀赋效应
定义。 Kahneman、Knetsch & Thaler（1990）经典实验：随机给一半参与者发“康奈尔大学纪念马克杯”，另一半给等价 6 美元。然后开放交易市场，结果只有不到 10% 的马克杯被卖出，因为持有者要价中位数（5.25 美元）高于非持有者出价中位数（2.25 美元）。拥有就赋予了额外价值。
案例：A 股老股民的“\textit{老朋友”持仓}。 不少老股民会长期持有某只股票，无论价格如何变化，都不愿卖出。即便组合优化建议显示该股已不符合当前组合目标，投资者仍可能因为持有时间较长而赋予其额外情感价值。这种心理与 Kahneman 的马克杯实验是同构的。
锚定效应
定义。 Tversky & Kahneman（1974）的经典实验：让受试者先看一个轮盘转出的数字（10 或 65），然后估计“联合国成员中非洲国家占比”。看到 10 的受试者平均估计 25%；看到 65 的受试者平均估计 45%。完全无关的数字也会成为决策的锚。
案例 1：IPO 价格作锚。 某 A 股新股 IPO 价 50 元，上市首日涨至 80 元，半年后跌至 30 元。许多散户仍以“IPO 价 50 元应当回归”为锚，等待 50 元再卖。但若公司基本面已恶化、合理估值仅 20 元，等待“回到 50”就是用错误的锚做决策。
案例 2：贵州茅台的“\textit{历史高点锚”}。 茅台股价在 2021 年创出阶段高点后经历较长时间回落。许多基民和散户仍以历史高点或自身买入成本为锚，认为回落后的价格“便宜”，但忽视了同期白酒行业增速、消费结构和估值中枢的变化。
过度自信
定义。 Barber & Odean（2001）研究 35000 个美国家庭投资账户发现：男性散户年换手率比女性高约 45%；相对于买入并持有组合，男性因过度交易使年净收益约降低 2.65 个百分点，高于女性的约 1.72 个百分点。交易频率越高，净收益越低，过度自信对收益是负贡献。
案例：A 股散户的高换手。 A 股个人投资者交易活跃度较高，换手率通常显著高于长期配置型资金。过度自信视角认为，这种高换手并不一定来自信息优势，而常常来自散户高估自己的“选股能力”和“择时能力”，结果只是反复支付印花税、佣金与买卖价差。图 （见上文） 用按交易频率分组的 5 个分位（Q1 最少交易、Q5 最频繁交易）展示这一机制。总收益（蓝色柱）随频率上升有所下降；净收益（红色柱，扣除佣金、印花税、买卖价差）下滑更明显，从 Q1 的约 10.5% 跌到 Q5 的 2.3%。图中分组数值是教学化示例，用于解释成本侵蚀机制，并非对某一 A 股样本的实证估计；核心结论是交易频率越高，净收益越容易被成本吞噬。
处置效应
定义。 Shefrin & Statman（1985）首先把处置效应概括为“过早卖出盈利股票、长期持有亏损股票”的倾向；Odean（1998）随后用真实账户交易数据发现，投资者卖出盈利股票的概率约为卖出亏损股票概率的 1.5 倍。这是损失厌恶在交易上的具体表现。
案例：A 股散户的止盈与延迟止损。 某账户持有 10 只股票，5 只盈利、5 只亏损。一年内散户卖出了 4 只盈利股票（及时兑现收益），但只卖了 1 只亏损股票（继续等待回本），这就是处置效应。在征收资本利得税的市场，理性税收规划往往反而鼓励“卖亏损股实现税盾、持盈利股递延纳税”；从税务上看（中国 A 股目前个人不征资本利得税），处置效应没有“税收延迟收益”的合理性，主要体现为行为偏差。
羊群行为
定义。 Banerjee（1992）的“信息瀑布”模型说明：在不完全信息下，理性人也会跟随多数人决策，因为后来者认为前面的人“看到了什么”，从而忽视自己的信息。这是羊群行为的理性版本；非理性版本则更直接，表现为担心错过机会、落后于同伴或与多数人判断不一致。
案例 1：A 股 2015 牛市中的散户。 朋友圈、QQ 群和线下广告都在传播牛市叙事，许多新投资者在行情高位附近入场。这是典型的羊群效应：每个人都看到周围人在获利，于是把他人的收益当作自己的投资依据。 案例 2：短视频时代的小盘题材。 如果短视频网络意见领袖集中推荐某类小盘题材，散户关注度可能在数日内快速聚集，股价短期大幅波动，随后又迅速回落。算法时代的羊群效应可以被压缩到很短时间内完成。
2014 年下半年到 2015 年 6 月，A 股快速上涨，融资融券、场外配资、媒体叙事和亲友圈口碑共同放大了散户的追涨行为。许多投资者并非基于公司基本面重新估值，而是因为“身边的人都在获利”而入场；这正是羊群行为、过度自信和近期偏差的叠加。
当上证综指在 2015 年 6 月见顶后，杠杆资金的强制平仓把羊群行为从“追涨”迅速反转为“踩踏”。上涨阶段的正反馈是“价格上涨 \(\to\) 更多人入场 \(\to\) 继续上涨”；下跌阶段则变成“价格下跌 \(\to\) 保证金不足 \(\to\) 被动卖出 \(\to\) 继续下跌”。行为金融在这里不是替代风险管理，而是解释为什么同样的杠杆机制会在情绪转向后突然变得极端脆弱。
投资学含义。 2015 年股灾说明，市场风险并不只来自基本面冲击，也来自参与者对同一叙事、同一价格信号和同一风险管理规则的集体反应。理解这一点，才能把第二章的尾部风险、第八章的融资融券机制和本章的行为偏差放入同一个解释框架。
确认偏差
定义。 Klayman（1995）综述了大量心理学实验：人们倾向寻找支持自己观点的证据、忽视相反证据。这一偏差在社交媒体算法时代可能被进一步放大。平台为提高用户停留时长，可能向看多用户推送更多看多内容、向看空用户推送更多看空内容。
案例：信息茧房。 某基民一开始关注某主动型基金经理 A，几次点赞后，抖音、雪球开始向他推送“A 长期跑赢”“A 创历史新高”等内容；但 A 在 2022--2024 年的回撤、负面分析报告、风格漂移等内容则极少出现在他的信息流中。当他最终意识到组合已经大幅回撤时，损失已经实现。
代表性启发
定义。 Tversky & Kahneman（1974）经典实验：描述一个“安静、爱读书、对秩序敏感”的人，问他更可能是图书馆管理员还是农民。大多数人答图书馆管理员，但农民人数远多于图书馆管理员，从基率上说更可能是农民。用相似度替代了概率推断。
案例：A 股“\textit{黑马股”幻觉}。 散户看到一只小盘股最近三个月连续上涨，且公司高成长叙事听起来类似成功科技公司的早期阶段，就推断这只股票是“黑马股”。但 A 股每年都有不少股票出现“三个月连涨、叙事吸引”的特征，长期看其平均收益未必显著优于市场。相似度不等于概率。
可得性启发
定义。 Tversky & Kahneman（1973）实验：问受试者“字母 K 出现在英文单词第一位还是第三位的概率更大”，许多人答第一位（因为 King、Kid 这类词容易回忆）；实际上，K 出现在第三位的英文单词更多，经典实验通常以“约为第一位的两倍”说明这一点。易回忆 \(\neq\) 高概率。
案例：股灾后过度保守。 经历过 2015 股灾的投资者，很多人在之后较长时间内对股票保持过度恐惧，即便市场阶段性修复也不愿入场。近期生动的痛苦记忆（可得性）让他们高估了再次发生股灾的概率。
框架效应
定义。 Tversky & Kahneman（1981）“亚洲疾病实验”：同一个救人方案换两种表述，即“救活 200 人”和“400 人死亡”，选择率截然相反。表述方式改变决策。
案例 1：基金广告的框架。 同一只基金的过去三年表现可以表述为“年化 \(+12\%\)”（积极框架）或“2022 年最大回撤 \(-25\%\)”（消极框架）。前者吸引申购，后者引发恐惧。这也是金融产品宣传必须充分提示风险的重要原因。
案例 2：理财产品的“保本”话术。 资管新规之前，一些理财产品被表述为“保本浮动收益”，让投资者误以为本金有保障。新规打破刚兑后，同样的产品需明确表述为“非保本浮动收益”。同一产品，框架完全不同，导致投资者购买决策也完全不同。
前景拓展
Tversky-Kahneman 在 1992 年发表 Advances in Prospect Theory，把 1979 年的前景理论扩展为累积前景理论（CPT）。这一模型在数学上更严谨，能避免一些悖论，目前是主流形式。为便于说明，可以先把离散单期结果写成“决策权重 \(\times\) 主观价值”的加权和。下面是简化表达式，不是完整 CPT 的秩依赖累积权重形式：
\begin{equation}\label{eq:ch07:pt_teach} \mathcal{V} = \sum_{i} \pi(p_i)\,V(x_i), \end{equation}其中 \(V(x)\) 是前文讨论的 S 形价值函数，\(\mathcal{V}\) 表示某个选择的总体主观价值；\(\pi(p)\) 是决策权重函数，把客观概率 \(p\) 转换为主观决策权重。Tversky-Kahneman（1992）给出标准化形式：
\begin{equation}\label{eq:ch07:weighting} \pi(p) = \frac{p^{\gamma}}{[p^{\gamma}+(1-p)^{\gamma}]^{1/\gamma}},\quad \gamma\approx 0.61. \end{equation}严格地说，完整 CPT 会分别对收益区和损失区的结果排序，并使用累积决策权重；本书此处保留的是最核心的金融直觉：投资者并不直接按客观概率加权，而是会系统性地重估小概率和中高概率事件。
\(\pi(p)\) 的形态如图 （见上文） 所示：约在 \(p<0.34\) 时 \(\pi(p)>p\)（小概率被高估），约在 \(p>0.34\) 时 \(\pi(p) 第一，对小概率事件过度加权。 这解释了为什么人们会购买保险（重视小概率灾难，例如交通意外）和彩票（高估小概率高收益）。需要区分的是：彩票通常是典型的负期望值产品；商业保险从纯货币期望值看包含费用、利润和风险附加，但它通过转移尾部损失、平滑消费和提高确定性，可能提高投保人的期望效用。也就是说，\(\pi(p)>p\) 不只是让人购买负期望值产品，更重要的是让小概率尾部事件在主观决策中获得更高权重。 保险和彩票看似方向相反，背后都离不开小概率事件的主观放大。保险把“小概率大损失”转移出去，彩票则把“小概率大收益”放进想象中；前者可能改善效用，后者通常损失期望财富，但二者都说明客观概率不是投资者心里的概率。 第二，对中高概率事件低估。 这解释了“大概率成功”事件反而保守的现象。例如医生告诉患者“这个手术成功率 90%”，许多患者仍然过度担心，因为 \(\pi(0.90)\approx 0.71\)，主观感受比客观概率低 19 个百分点。 CPT 加入 \(\pi(p)\) 之后，前景理论可以解释更广泛的非理性现象。从保险和彩票的同时存在，到雪球结构产品的销售心理，再到 A 股小盘股交易中“下一个十倍股”叙事的吸引力，都可以理解为小概率事件被高估的具体表现。 这些偏差会在相似情境下反复出现。投资者学习行为金融，不是为了替亏损寻找解释，而是为了在交易前识别自己的参考点、情绪和信息来源是否已经偏离了投资目标。 行为偏差只有在不能被理性套利者迅速纠正时，才会持续影响市场价格。传统 EMH 认为，一旦价格偏离基本面，理性资金会买入低估资产、卖出高估资产，错误定价很快消失。但现实中套利受到多重约束：卖空限制、融资保证金、赎回压力、交易拥挤、模型风险和“价格偏离会先进一步扩大”的噪声交易者风险。Shleifer 与 Vishny（1997）的有限套利研究提醒我们：专业套利者管理的往往不是自有永久资本，而是会被客户赎回、会触发风控线的受托资金；即使他们的基本面判断最终正确，也可能在价格回归前被迫止损。因此，行为金融不是简单地说“投资者犯错”，而是强调错误定价为什么能在价格中持续一段时间。 这也解释了反身性：投资者相信价格会涨而买入，买入本身推高价格，价格上涨又反过来强化原先叙事“似乎正确”的感觉，于是吸引更多资金进入；下跌阶段同理，价格下跌触发止损、赎回和保证金追加，卖出压力又继续压低价格。第六章讨论 EMH 时强调价格反映信息，本章则补充：在有限套利和反身性条件下，价格也会暂时反映参与者对价格本身的反应。 行为金融的应用可以分成两条线：一条是帮助投资者减少自身错误，另一条是提醒监管者和金融机构不要利用投资者错误。前者面向投资者纪律，后者面向机构责任；二者缺一，投资者保护都不完整。 对个人投资者而言，行为金融首先是一套“自我约束工具”。例如，定投可以减少择时冲动；再平衡可以迫使投资者在上涨后适度卖出、下跌后适度买入；预先写好的止损和再评估规则，可以降低处置效应和锚定效应。投资组合经理也可以用类似方法管理客户行为，把组合波动、回撤阈值和沟通频率设计得更符合客户真实承受能力。 金融产品设计可以利用心理账户帮助客户把短期流动性、长期养老、子女教育和风险投资分开管理，这是一种正向应用。但同一套心理机制也可能被滥用：把高风险产品包装成“稳健收益”，把历史最高收益放在最醒目位置，或者用“限时额度”激发错失恐惧。行为金融在营销中的边界很清楚：帮助客户理解风险是合规的，利用客户偏差购买不适合产品就是诱导销售。监管层近年来通过《广告法》《证券法》和适当性规则约束这类行为。 行为金融也能进入市场风控。价格大涨时，情绪指标、融资余额、换手率和社交媒体热度可以帮助识别拥挤交易；价格大跌时，赎回压力、保证金约束和流动性缺口会提示踩踏风险。图 （见上文） 所示的示意关系说明，风控不能只看基本面和波动率，也要观察参与者是否在同一时间使用同一叙事、同一杠杆和同一止损规则。 在个人财务规划中，行为金融的价值是把“知道应该怎么做”变成“更容易做到”。自动储蓄、自动定投、目标日期基金、家庭资产负债表和年度再平衡，都属于把理性决策预先写进制度的做法。它们不是假设人永远冷静，而是承认人在市场波动时会恐惧、贪婪和拖延，因此提前设计流程来降低临场情绪的破坏力。 对监管者而言，行为金融解释了为什么“充分披露”有时还不够。复杂产品即使写明风险，投资者也可能因为高票息框架、小概率低估和销售话术而误判尾部亏损。因此，现代投资者保护不仅要求信息真实，还要求适当性匹配、压力情景展示、销售留痕和误导性宣传治理。这些制度不是替投资者承担盈亏，而是防止金融机构利用心理偏差转移风险。 智能投顾可以把行为金融变成可执行的用户体验：在用户恐慌赎回前提示长期目标，在组合偏离目标权重时自动再平衡，在风险测评中识别过度自信或损失厌恶。但它也是双刃剑。如果平台用算法识别用户偏差后推送更高佣金、更高风险或更容易成交的产品，所谓“个性化服务”就会滑向“个性化诱导”。因此，智能投顾若对外提供具体产品推荐或投资建议，需要根据业务属性落实持牌或备案要求、算法可解释性、适当性管理、风险提示、人工复核和留痕管理。 行为偏差也会形成可交易的价格模式。过度反应可能带来反转策略，反应不足可能带来动量策略，羊群交易可能带来拥挤度监测，社交媒体情绪可以成为短周期因子。但这类策略并不等于稳定获利：一旦越来越多资金使用同一信号，超额收益会衰减；如果遇到流动性枯竭或强平压力，价格回归可能明显迟滞。行为策略真正考验的不是发现偏差，而是容量、成本、风控和纪律。 2020--2021 年是中国公募基金行业热门权益基金集中发行的阶段。以 2021 年 1 月易方达竞争优势企业混合为代表，部分明星基金经理产品设置 150 亿元募集上限，基金合同生效公告显示最终有效确认净认购金额约 148.49 亿元、有效认购户数约 219.39 万户；公开报道中的认购申请规模远超募集上限。部分基民通过抖音、小红书、微博等平台获得基金经理和产品推荐，形成集中申购。 但 2022--2023 年不少热门基金随后经历明显回撤。许多基民在高点集中申购、低点赎回，导致个人货币加权收益率（MWR，即现金流口径的内部收益率 IRR）可能明显低于基金本身的时间加权收益率（TWR）。“基金赚钱、基民收益体验偏低”的现象在这个周期被放大。 行为金融学解释这一现象的多重偏差：（1）羊群效应：跟随社交平台热度申购；（2）近期偏差：把 2019--2020 年基金的高收益线性外推到未来；（3）框架效应：基金销售平台用“冠军基金”“业绩前 5%”等框架引导决策；（4）后见之明偏差：在 2022 年回撤后，投资者可能认为风险本来显而易见，但实际申购时并未充分重视这些风险。 相应治理思路有两个层面。一是平台合规，社交平台上的基金销售、投资咨询与广告宣传需要回到持牌经营、适当性管理和风险提示框架中，限制非持牌主体借“测评”“内容推广”等形式变相代销。二是投资者教育，监管部门与行业协会持续推动投资者保护宣传、风险等级展示、历史回撤提示和基金合同、定期报告披露。这些措施都是在降低基民行为偏差的影响。 在社交媒体与人工智能（特别是大语言模型）大规模应用的今天，行为金融的研究对象从个体心理扩展到“算法—情绪”的交互：投资者的偏差不仅来自自身判断，也来自平台推荐、文本生成和群体反馈的放大。本节按“算法化情绪”这一新主题展开。 抖音、小红书、微博、微信、雪球等中文社交平台改变了散户的信息获取方式。散户不再主要通过专业卖方研报或传统媒体获取信息，而是通过短视频直播和社交评论形成判断。这一变化对市场的影响有四层：第一，信息传播速度空前加快，一个上市公司的传闻可以在很短时间内跨平台扩散；第二，算法推荐可能放大确认偏差，平台算法为提高用户停留时长，可能向看多用户推送更多看多内容，向看空用户推送更多看空内容，形成“多空两极分化”；第三，网络意见领袖影响力极不对称，少数头部账号可以在短期内主导某只股票的散户情绪；第四，虚假信息识别困难，人工智能生成内容（音视频深度伪造）使信息真实性更难判断。 2021 年美国 GameStop 散户交易潮（散户通过 Reddit 社区 WallStreetBets 集体推高 GameStop 等高做空比例股票）是这一新格局最具标志意义的事件。中国 A 股也会出现社交媒体推动的小盘题材交易：某些流通盘较小的股票因短视频、社区讨论或群聊传播被集中关注，短期涨跌幅明显放大，随后又快速回落。算法时代的羊群效应已经明显不同于 1990 年代，它是被算法放大、并以极快速度自我强化的群体行为。 第二章已经介绍了机器学习在风险度量中的应用。在行为金融领域，大语言模型正在被用于构造“投资者情绪因子”：通过对社交媒体文本（雪球评论、抖音弹幕、微博热搜）、新闻报道、研究报告做情感分析，提取每只股票每天的“情绪打分”，再把这些打分作为多因子模型中的额外因子。Tetlock（2007）较早系统检验了媒体情绪因子对美股短期收益的预测力。国内外后续研究则进一步尝试使用中文新闻、论坛评论、搜索指数和社交平台文本构造情绪或不确定性指标，并检验其对 A 股短期收益、成交量和波动率的解释力。 背景。 假设某量化团队用 BERT 模型对雪球网某沪深 300 成分股 2024 年的全部用户评论做情感打分（每条评论给出 \([-1, +1]\) 之间的情绪分），按日聚合得到该股票的日度情绪指数 \(S_t\)。 示例回归：把 \(S_t\) 作为额外因子加入 Fama-French 三因子模型（收益率按百分点计）：
\[(R_{i,t}-R_f) = \alpha + \beta_1\,(R_m-R_f) + \beta_2\,\mathrm{SMB} + \beta_3\,\mathrm{HML} + \delta\,S_{i,t-1} + \varepsilon_{i,t}.\]
样本期 250 个交易日的 OLS 估计结果：\(\hat\delta = 0.045\)（\(t\) 统计量 \(=3.12\)），即昨日情绪指数每升 1 个单位，明日预期超额收益升 0.045%。 解读。 情绪因子的预测力源于两层逻辑：（1）情绪反映了实际的信息扩散（例如部分投资者先于市场关注业绩拐点）；（2）情绪本身也可能成为自我实现的预言，情绪上涨吸引更多买盘，推升价格。但情绪因子的预测力会随时间衰减，\(S_{t-5}\) 对 \(R_t\) 的预测力通常比 \(S_{t-1}\) 弱。这一“快速衰减”特征也意味着情绪因子更适合短周期研究，不适合简单理解为长期持有策略。 监管含义。 如果大语言模型只用于内部研究中的文本分类和因子构造，核心问题是数据来源、模型可解释性和风控审查；若其输出面向客户并形成具体投资建议，则可能触及证券投资咨询、算法推荐和生成式人工智能服务的合规边界，需要持牌资质、人工复核、风险提示和留痕管理。 智能投顾通过用户问卷识别风险偏好，再用算法推荐组合。这看似是“帮助投资者克服自身偏差”，但实际操作中也可能利用偏差进行诱导销售。例如，平台识别出用户有“损失厌恶”倾向后，可以推送隐含本金保护叙事的产品；或识别出用户有“过度自信”倾向后，推送高风险衍生品；或在市场剧烈波动时通过推送通知“帮助用户决策”，但实际上触发用户的恐慌或贪婪情绪促进交易。 监管的回应之一是《互联网信息服务算法推荐管理规定》（2022 年 3 月起施行），要求算法推荐服务提供者向用户提供“不针对其个人特征的选项”或“便捷的关闭算法推荐服务的选项”，并加强用户模型和用户标签管理，防止算法推荐滑向歧视性、偏见性或过度诱导。这一规定让智能投顾的“个性化推荐”必须尊重用户的自主选择权；在金融场景下，它还意味着平台不能把损失厌恶、过度自信、从众等行为弱点变成销售触发器。 行为金融学揭示的投资者非理性给监管提出了一个根本问题：监管应当如何保护易受心理偏差影响的投资者？回答这一问题需要在“自由选择”和“消费者保护”之间找到平衡，既不剥夺投资者的选择权，又防止他们被误导或被诱导购买不适合的产品。中国近年来在广告合规、证券信息传播、社交平台金融营销治理和投资者教育等方面，逐步形成以投资者保护为中心的制度框架。 现行《中华人民共和国广告法》第 25 条对有投资回报预期的商品或者服务广告作了明确规定：广告应当对可能存在的风险以及风险责任承担作出合理提示或者警示，不得对未来效果、收益或者相关情况作出保证性承诺，不得明示或者暗示保本、无风险或者保收益，也不得利用学术机构、行业协会、专业人士、受益者的名义或者形象作推荐、证明。 从行为金融视角看，这一规定是在用法律规则对冲“框架效应”。如果广告只突出“过去一年收益率高达 15%”而忽略风险，就会触发投资者的乐观偏差；强制要求同时披露风险、禁止承诺性表述，就是用法律手段为投资者构建一个“平衡的框架”。在 A 股市场，公募基金宣传推介材料通常需要包含风险提示，避免使用保证收益、绝对化排名、片面摘取短期业绩等容易误导投资者的表达，这些都是对框架效应的具体规制。 《证券法》（2019 修订）第 56 条明确禁止任何单位和个人编造、传播虚假信息或者误导性信息，扰乱证券市场；同时要求传播媒介传播证券市场信息必须真实、客观，禁止误导。《证券法》第 193 条对相关违法行为规定了行政处罚；给投资者造成损失的，还可能依法承担民事责任。 2020 年代以来，社交媒体上的“基金推荐”“股票分析”“投资策略”内容大量出现。其中一些内容由无证券投资咨询牌照的网络意见领袖发布，存在误导投资者交易的风险。监管和平台治理的方向，是要求金融营销、基金销售和证券投资咨询活动回到持牌经营、信息真实、风险充分揭示和广告合规的框架中，对无资质荐股、变相代销、虚假夸大宣传等行为进行清理。这一治理把传统证券广告法规延伸到了社交媒体时代，监管对象从“投资者”扩展到“信息生产者”。 注册制改革后，A 股更加突出以信息披露为中心和“投资者自负其责”的制度逻辑，这要求投资者具备识别风险、做出理性决策的能力。但行为金融学告诉我们：投资者本身就有系统性的认知偏差，“自负其责”不能只停留在口号层面，而需要适当性管理、风险提示和投资者教育共同支撑。 中国证监会和行业协会持续开展投资者保护宣传、投资者教育基地建设、风险提示和适当性教育。这些活动承担教育投资者识别风险、了解适当性原则、防范金融诈骗等职能。但教育的效果有限：即便投资者知道“不要追涨杀跌”，在市场上涨、社交媒体热议和同伴压力叠加时，仍可能重复高买低卖的行为。行为偏差具有“结构性顽固”特征，不能只靠知识灌输解决。 行为金融视角下，2022--2024 年的雪球结构产品销售是一个重要案例。雪球结构产品的经济实质常近似于“客户卖出带障碍条件的下跌保护”：客户在收益侧获得约定票息，在损失侧承担标的资产大幅下跌后的本金损失风险。这种“大概率小赚、小概率大亏”的收益结构，容易触发概率权重和框架效应：高票息被放在显著位置，敲入后的尾部损失则被复杂条款稀释。客户被较高票息和较频繁的正收益体验吸引，可能低估尾部风险。 2024 年前后，部分挂钩宽基或中小市值指数的雪球产品在市场波动中触及敲入条件，带敲入敲出结构的集中度、名义本金和穿透适当性风险受到市场关注。随后，中基协 2024 年 4 月 30 日发布、2024 年 8 月 1 日起施行的《私募证券投资基金运作指引》把场外衍生品、带敲入敲出结构产品和通道安排纳入更明确的比例与穿透约束：例如，参与带敲入敲出结构的场外期权或者收益凭证（如雪球结构衍生品）的合约名义本金原则上不得超过基金净资产的 25%，并禁止通过通道服务规避场外衍生品交易要求。这是行为金融学的洞察进入合规升级的典型场景。仅依靠“投资者教育”难以对冲雪球这类产品对投资者心理偏差的利用，还需要从产品准入、销售流程和持续风控三个维度同时加强。 从投资到法治。 行为金融学的核心命题是：投资者并不总按理性人模型行事，而是带着框架效应、过度自信、损失厌恶、羊群效应作决策；当产品条款复杂、销售话术单向突出收益时，这些偏差更容易被放大。金融监管面对的难点，不是在“自负其责”和“替投资者做决定”之间二选一，而是在尊重自主选择的同时，约束机构利用心理偏差诱导交易。近年关于复杂金融产品、金融自媒体和算法推荐的监管要求，正是在这个方向上展开。 典型场景： 蛋壳公寓资金链断裂与“\textit{租金贷”风险（\(\,2020.11\)）}。 蛋壳公寓曾通过“长租、租金贷”模式快速扩张：租客表面上按月支付租金，背后则可能签署一次性租金贷款，平台提前获得资金用于扩张。平台资金链断裂后，部分租客陷入无法正常居住但仍需偿还贷款的困境。后续治理重点在于强化信息披露、禁止诱导分期、明确平台和金融机构的风险责任。教训：这一事件暴露了租客的框架效应和信息不对称，促使监管更重视住房租赁资金监管和消费贷款嵌入问题。 雪球结构产品销售合规升级。 2024 年前后，部分雪球产品在标的指数波动中触及敲入条件后，市场更关注销售环节是否存在“口头承诺”超越合同、把票息包装成“类固收”、弱化极端亏损情景等问题。相关业务口径强调：（1）穿透识别最终投资者，避免用私募、信托通道弱化适当性要求；（2）对带敲入敲出结构的场外期权或收益凭证加强投资比例、名义本金和投资者资质约束；（3）管理人和销售机构应展示敲入、未敲出、流动性冲击等极端情景下的损失路径；（4）不得把年化票息包装成“稳健收益”或隐性刚兑。教训：雪球合规升级回应了框架效应与锚定效应可能造成的误判，把产品命名、销售话术和风险揭示纳入合规边界。 GameStop 散户交易潮与社交媒体交易新风险（\(\,2021.1\)）。 2021 年 1 月，美国散户通过 Reddit 社区 WallStreetBets 集体推高 GameStop 股价，部分做空机构遭受重大亏损。SEC staff report 的重点放在市场结构、空头回补、交易限制和清算保证金压力等机制上，而不是把事件简单归结为单一传统操纵。该事件暴露了社交平台金融讨论、算法放大和交易基础设施之间的新型风险。中国的算法推荐监管、证券投资咨询监管和对无证荐股的执法，也都指向同一问题：当平台流量机制放大投资情绪时，“信息生产者”也应被纳入投资者保护框架。教训：算法推荐可能放大羊群效应，把“追涨杀跌”行为从个人偏差演化为市场层面的波动；监管必须同时关注投资者、销售者和信息传播者。 相关法律与监管文件： 投资学含义。 三个案例分别从消费金融诱导（蛋壳）、结构化产品销售（雪球）、社交媒体放大（GameStop）三个维度，把行为金融学的发现落地为合规规则。“框架效应”“锚定效应”正在进入产品命名、风险提示和销售话术的合规边界；本章前景理论中的 \(S\) 形价值函数也提醒产品设计者，投资者对收益、损失和小概率事件的反应并不对称。 算法推荐可能放大羊群效应后，“信息生产者”也成为投资者保护的延伸对象；自媒体股评、量化策略推送、智能投顾若对外形成投资建议，应落入相应的持牌、备案、留痕或合规审查框架。复杂产品适当性管理强调产品风险与投资者承受能力的实质匹配原则，不允许用通道、话术或技术包装绕开风险识别。投资者保护因此不再只依赖“投资者教育”，还要从产品准入、销售流程、信息推送三层同时加固。这也为后续第十章另类投资、第十五章雪球结构期权的合规分析提供基础。 本章把理性人假设推进到更贴近现实的层面：投资者会学习，也会在压力下重复出现系统性偏差。有限理性、前景理论、损失厌恶、过度自信、锚定、代表性偏差和可得性偏差说明，投资者的判断会系统性偏离传统理性人假设。这些偏差不仅影响个人交易，也会在羊群效应、泡沫、恐慌和反身性中放大为市场现象。 本章的重点是把心理偏差与投资结果、产品销售和监管保护连接起来。基金追涨、股灾中的杠杆羊群、热门基金和社交媒体情绪都说明，行为偏差会改变资金流和价格路径。读者应掌握主要行为偏差，理解情绪指标和投资者保护制度为何成为现代投资学的一部分。 行为金融 {} 有限理性 {} 前景理论 {} 损失厌恶 {} 心理账户 {} 禀赋效应 {} 过度自信 {} 锚定效应 {} 确认偏差 {} 代表性启发 {} 可得性启发 {} 近期偏差 {} 处置效应 {} 羊群效应 {} 框架效应 {} 决策权重 {} 有限套利 {} 噪声交易者风险 {} 反身性 {} 投资者情绪 {} 算法推荐 {} 智能投顾 {} 适当性管理 {} 投资者保护
有限套利与反身性
p{0.19\linewidth}p{0.34\linewidth}p{0.34\linewidth}@{}}
问题 EMH 的基准回答 行为金融的补充回答 价格如何形成 公开信息经竞争交易进入价格 情绪、叙事和注意力也会暂时进入价格 异常收益来自哪里 风险补偿或模型设定不足 偏差、有限套利、拥挤交易与交易摩擦 投资者保护重点 信息披露、内幕交易和市场操纵规制 适当性、风险框架、销售话术和算法推荐治理 策略检验标准 扣费后、风险调整后是否仍有 \(\alpha\) 还要检验容量、拥挤、行为机制和样本外稳定性 实际应用
投资策略
产品营销
市场风控
财务规划
公共监管
智能投顾
偏差策略
算法情绪
社交媒体
情绪因子
助推边界
行为法治
广告合规
虚假诱导
投资者教育
复杂产品
本章小结
本章关键概念