本文介紹 Barberis and Thaler (2003) 提出的行為金融學知識框架，它對于我們學習該領域非常有幫助。

　　一、引言

　　今天這篇文章聊聊行為金融學(Behavioral Finance)。

　　如今，行為金融學的發(fā)展也已經(jīng)走過了半個世紀。由于投資者和交易者都是非理性的，行為金融學能夠解釋很多市場中的現(xiàn)象，因此也受到越來越多的關(guān)注。關(guān)于這門學科的發(fā)展歷程，來自劍橋大學的 Martin Sewell 曾經(jīng)寫了一篇很好的綜述(Sewell 2007)。該文按時間順序梳理了行為金融學領域最重要的發(fā)現(xiàn)。

　　我之前寫過一些關(guān)于認知偏差的文章，如《讓你投資虧錢的 15 個偏差》和《投資中的 N 種認知偏差，總有一款打敗你》;也曾介紹過行為金融學中的展望理論(Kahneman and Tversky 1979)和心理賬戶理論(Thaler 1985, 1999)。這些文章雖然每篇都很飽滿(長……)，但也僅是從不同方面孤立的介紹行為金融學的內(nèi)容，難以展示行為金融學的全貌。

　　為了更好的將行為金融學的發(fā)現(xiàn)應用到投資中 —— 自己可以用來規(guī)避各種偏差、也可以用它作為武器來利用別人所犯的錯誤 —— 需要對行為金融學的整體框架有一個全面的掌握。實現(xiàn)這個目標需要我們閱讀大量的文獻資料，并把知識點有機的組織在一起，聽上去像個 mission impossible。

　　好消息是，有大神幫我們支招了，給出了行為金融學的知識框架以及它對于金融市場的應用案例。而這位大神正是行為金融學的先驅(qū)之一、心理賬戶理論的提出者、2017 年諾貝爾經(jīng)濟學獎獲得者 Richard Thaler。

　　Richard Thaler 和他的同事 Nicholas Barberis 于 2003 年寫了一篇題為 A Survey of Behavioral Finance 的文章(Barberis and Thaler 2003)，總結(jié)了行為金融學的知識框架(下圖)。對于想要一窺行為金融學全貌的小伙伴來說，這是一篇 must read。按照 Barberis and Thaler (2003) 的解讀，行為金融學的兩大支柱是有限套利(Limits to Arbitrage)和心理學(Psychology)，其中心理學中又分為信念(Beliefs)和偏好(Preferences)兩部分。每一部分下面又有各自的理論和內(nèi)容，它們構(gòu)成了行為金融學的全貌。

　　

　　本文就以介紹 Barberis and Thaler (2003) 為契機展開一些思考。下文第二、三小結(jié)分別介紹有限套利和心理學的內(nèi)容;第四節(jié)說明行為金融學在解釋市場整體表現(xiàn)(aggregate stock market)和股票截面收益(cross-section of average returns)時的作用;第五節(jié)介紹一個比較新的概念 ——Behavioral Efficient Markets，這是 Barberis and Thaler (2003) 沒有的內(nèi)容，但能夠和它完美的結(jié)合在一起;第六節(jié)總結(jié)全文。

　　二、有限套利

　　根據(jù)傳統(tǒng)金融理論，市場應該滿足有效市場假說(Efficient Markets Hypothesis，EMH)，而 EMH 的兩個核心假設是“價格反應全部信息并迅速調(diào)整到位”以及“所有投資者都是理性的”。顯然，這兩個假設均被現(xiàn)實無情的打臉。行為金融學為解釋由于人的非理性行為而造成市場中各種價格相對價值的偏離提供了新的思路。

　　在實際市場中，信息在不同投資者之間的傳遞速度是不同的;由于投資的時間尺度不同，不同投資者關(guān)注的信息也有所差異。這使得人們無法對同樣的信息做出一致的反應。此外，人們的決策行為受到非理性支配的，它源自存在于人類大腦中的根深蒂固的認知偏差。

　　觀察到市場中的非理性行為，Shiller (1984) 提出了噪音交易者模型，認為市場由理性投資者和噪音交易者(noise traders)構(gòu)成。在一次影響深遠的美國金融學會主席演講中，F(xiàn)ischer Black 對噪音交易者做出了如下進行了定義：

　　“噪音交易是針對信息噪音的交易，這時投資者以為其擁有了新的信息，但事實上這一信息只是假象。從客觀的角度來看，噪音交易者不進行交易是更好的選擇。但即使如此，他們?nèi)詴槍π畔⒃胍暨M行交易，這可能因為他們誤將噪音當成了真正有用的信息，也可能因為他們只是喜歡交易。”

　　由于噪音交易者的存在，價格往往偏離資產(chǎn)的內(nèi)在價值，即出現(xiàn)定價錯誤(mispricing)。在一個沒有摩擦的市場中，每當價格偏離價值時，理性投資者(也被稱為 arbitrageurs，即套利者)應該迅速利用這個機會進行交易，賺取無風險收益(riskless profits)并同時修正價格。然而，行為金融學指出，上述假設是不成立的，而這背后的原因正是有限套利(limits to arbitrage)。

　　當 mispricing 出現(xiàn)時，理性投資者想要利用它賺取收益時要面對以下三個風險：基本面風險(fundamental risk)、噪音交易者風險(noise trader risk)以及實施成本(implementation costs)。這些風險使得理性投資者無法做到充分套利。

　　[基本面風險]：假設某股票的價格因噪音投資者的拋售而下跌，大幅低于其內(nèi)在價值。如果套利者想要買入它獲得無風險收益的話，必須要防范該股票的基本面風險。為此，套利者需要同時做空一個和該股票基本面相同的股票。然而，能夠完美對沖基本面風險的標的是不存在的，這就使得套利者在買入該股票時或多或少的暴露在它的基本面風險之中。一旦發(fā)生基本面負面信息，將會造成該股票的繼續(xù)下跌，給套利者帶來虧損。

　　[噪音交易者風險]：Keynes 曾說過：

　　“Markets can remain irrational longer than you can remain solvent.”

　　這大概是對噪音交易者風險的完美詮釋。噪音交易者的非理性行為會造成價格在短期內(nèi)持續(xù)偏離價值，而非像套利者期待的那樣發(fā)生回歸。這個風險會給套利者帶來職業(yè)風險(career risk)：市場上的資金委托專業(yè)管理人，而絕大多數(shù)資金都是 short-sighted performance chasers。這些資金并不知道套利者背后的交易邏輯(可能是一個完美對沖了基本面風險的套利策略)，而僅是根據(jù)凈值曲線的短期走勢評估管理人的水平。

　　當噪音交易者的非理性加大了 mispricing 時，由于套利策略的持續(xù)虧損，管理人將面臨巨大的資金贖回壓力，這將迫使他們賣掉手中的頭寸，無法等待價格的回歸。短期業(yè)績慘淡造成資金被贖回正是管理人面對的職業(yè)風險。這是噪音交易者風險的直接結(jié)果。

　　[實施成本]：實施成本具體包括兩部分。第一部分是為了建立套利頭寸需要付出的成本 —— 手續(xù)費、交易價差、價格沖擊以及做空需要付出的費用等。在有些市場，做空難以實現(xiàn)，這便進一步加大了實施套利的風險。實施成本的第二部分是為了尋找 mispricing 所付出的成本。由于內(nèi)在價值難以確定，因此判斷價格是否等于內(nèi)在價值本身就是非常困難的。

　　有些研究曾指出當噪音交易者造成了足夠大的 mispricing 后，資產(chǎn)后續(xù)的收益率將有一定的預測性，因此可以通過分析 return pattern 來鑒別套利機會。不過 Shiller (1984) 卻無情的指出，以上想法是“one of the most remarkable errors in the history of economic thought”。他的研究表明，即便當價格持續(xù)偏離價值時，收益率也并沒有表現(xiàn)出顯著的可預測性。

　　如果我們順著 EMH 的思路推斷，那么可以從“價格等于內(nèi)在價值”(prices are right)推導出“市場中沒有免費的午餐”(no free lunch);然而，有限套利告訴我們，即便在非有效的市場中，“沒有免費的午餐”也是可以成立的，但我們卻無法從“沒有免費的午餐”反推出“價格等于內(nèi)在價值”，這是因為理性投資者無法通過套利來消除 mispricing、賺取無風險收益。

　　

　　三、心理學

　　如果說有限套利使得價格無法回歸價值是“果”，那么交易者的各種非理性行為造成的價格偏離價值正是“因”。行為金融學中的第二個支柱正是借助心理學的研究來分析人們的各種系統(tǒng)性認知偏差(cognitive biases)，它們影響了人們信念(beliefs)以及做風險決策時(比如是否買、賣某只股票)的偏好(preferences)。

　　3.1 信念

　　大量的研究表明，人們在金融市場中表現(xiàn)出如下錯誤的信念(或者行為)：

　　過度自信(overconfidence);

　　樂觀主義(optimism);

　　代表性偏誤(representativeness);

　　保守主義(conservatism);

　　確認偏誤(confirmation bias);

　　錨定效應(anchoring);

　　可得性偏誤(availability bias)。

　　對于上述的大部分錯誤，《讓你投資虧錢的 15 個偏差》和《投資中的 N 種認知偏差，總有一款打敗你》均有具體的描述和例子。具體來說，《投資中的 N 種認知偏差，總有一款打敗你》解釋了錨定效應、可得性偏誤、確認偏誤、以及過度自信;而《讓你投資虧錢的 15 個偏差》介紹了樂觀主義和保守主義。感興趣的小伙伴請查閱那兩篇文章，這里不再贅述。我們下面來著重說說之前沒有專門涉及的代表性偏誤。

　　Tversky and Kahneman (1974) 在 Science 上撰文稱，當人們試圖判斷數(shù)據(jù) A 是否來自模型 B，或者樣本 A是否屬于類別 B 的時候，往往依靠代表性啟發(fā)法(representativeness heuristic)，即考察 A 和 B 的相似程度。這種做法可能造成一些嚴重的偏誤。

　　第一個偏誤是忽視結(jié)果的先驗概率(insensitivity to prior probability of outcomes)。舉個例子，通過下列對某男子的描述來判斷他的職業(yè)：“Steve 非常害羞、雖然樂于助人但卻不喜歡與人打交道;他是一個溫順的人，執(zhí)著于事物的有序性并對細節(jié)有極致追求。”請問他的職業(yè)是農(nóng)民、銷售、還是圖書館管理員?

　　我們可以使用貝葉斯定理來判斷 Steve 的職業(yè)：

　　

　　在這個過程中，忽略先驗概率偏誤指的是人們過度關(guān)注上述描述和職業(yè)之間的相似性，即上式中的 likelihood —— prob(desc|occupation)，而忽視了某個職業(yè)出現(xiàn)的先驗概率。在這個例子中，關(guān)于 Steve 的描述非常符合人們印象中圖書管理員的特點，因此人們會錯誤放大 prob(desc|occupation) 而完全不考慮現(xiàn)實世界中圖書管理員的比例，即先驗概率 prob(occupation)。這將導致人們錯誤的認為 Steve 的職業(yè)是圖書管理員。在現(xiàn)實世界中，農(nóng)民比圖書管理員要多得多，因此先驗概率大得多，所以 Steve 其實更有可能是一個農(nóng)民。

　　Representativeness 的第二個偏誤是對樣本大小不敏感(insensitivity to sample size)，我在《投資中的 N 種認知偏差，總有一款打敗你》介紹過這一點。我們經(jīng)?？吹竭@樣標題的文章：《大數(shù)據(jù)告訴你 XX 月大盤怎么走》、《大數(shù)據(jù)告訴你 XX 節(jié)后是漲是跌》。點開一看，所謂的大數(shù)據(jù)就是一共十來個樣本點。當樣本點非常少的時候，使用有限的樣本點根本無法可靠的計算出變量的變化范圍，這也是我們常說的 law of small numbers 誤區(qū)。

　　在投資中，由于 data generating process 是未知的，因此只有當交易次數(shù)足夠多的時候，我們才有能客觀的評價一個策略的優(yōu)劣;僅在有限次交易后就急于評價交易系統(tǒng)則是一種錯誤的做法。而如果 data generating process 是已知的，那么 law of small numbers 則會造成賭徒謬誤(gambler’s fallacy)。在投資中，賭徒謬誤意味著當交易者經(jīng)歷了連續(xù)的幾次虧損后就會錯誤的認為下一次交易贏錢的概率會更高。如果每次交易的結(jié)果是獨立的，那么下一次交易的勝率和之前的連續(xù)虧損(或者連續(xù)盈利)沒有關(guān)系。

　　無論如何，代表性偏誤都是需要克服的大敵。

　　代表性偏誤以及上述其他六個未展開論述的信念都是交易者在投資中面對的敵人。從 main street 的個人投資者到 wall street 的專業(yè)機構(gòu)，都在日復一日年復一年、樂此不疲的重復著這些錯誤，因為這些偏差源于人性和思維模式。

　　3.2 偏好

　　展望理論

　　資產(chǎn)的收益充滿著不確定性，而人們在風險下如何做決策的問題就是偏好問題。在這方面，最著名的且符合現(xiàn)實的模型當屬展望理論(Prospect Theory，也譯作前景理論)，它由 Daniel Kahneman 和 Amos Tversky 提出(Kahneman and Tversky 1979, Tversky and Kahneman 1992)。這二位在行為金融學的地位也無需多言。

　　關(guān)于展望理論的詳細論述請參考《獲得諾獎的行為金融學是怎么一回事?》一文。本小節(jié)僅對它進行簡單梳理。

　　展望理論研究人如何在風險下做決策。決策問題可以描述為：一個人可能面對著 n 種不同的選項(比如投資股票還是債券?)，每個選項可以有 m 種結(jié)果，而每個結(jié)果有一定的概率。當人們面對不同的選項時：

　　1. 首先評估每個選項中所有可能結(jié)果，并據(jù)此得到每個選項對于他自己的“主觀價值”;

　　2. 然后再比較所有選項的“主觀價值”高低;

　　3. 最后選擇價值較高的那個選項。

　　為了做出較優(yōu)選擇，決策者必須評估每個選項的價值，然后比較不同的選項。每個選項的價值由價值函數(shù)和權(quán)重函數(shù)決定。

　　價值函數(shù)評價的是一個決策的結(jié)果 x 給人造成的主觀價值 v(x) 的大小。v(x) 的形狀如下圖所示，有三個核心要素：

　　1. 結(jié)果 x —— 即得與失(gains and losses)——是相對一個給定的參考點而言的，而主觀價值 v(x) 是 x 的非線性函數(shù)。

　　2. 無論對于收益或者虧損，價值函數(shù)的敏感性遞減。換句話說，當結(jié)果為正收益時，價值函數(shù)為凹函數(shù);當結(jié)果為負收益時，價值函數(shù)為凸函數(shù)。

　　3. 人們厭惡風險，且虧損部分的負增長快于收益部分的正增長：v(x) < -v(-x)。比如，虧損 1000 塊的痛苦高于獲利 1000 塊的快樂。

　　

　　權(quán)重函數(shù)決定某個選項中每個結(jié)果的權(quán)重。權(quán)重 w(p) 是結(jié)果的產(chǎn)生概率 p 的函數(shù)，但它不是概率。它衡量的是每個結(jié)果對其所在的選項的影響，而非僅僅是該結(jié)果發(fā)生的可能性。展望理論指出，w(p) 和 p 的關(guān)系如下圖所示。

　　

　　權(quán)重函數(shù)是非線性的，而且當 0 < p < 1 時它是凸函數(shù)。這說明結(jié)果概率的增量帶給人們的邊緣權(quán)重增量隨著概率本身的增大而增大。這可以理解為人們對確定性的一種追逐。

　　比如在俄羅斯輪盤賭(Russian roulette)，我們有機會花錢來從左輪手槍中減少一發(fā)子彈。在這種情況下，根據(jù)槍膛中剩余子彈數(shù)目的不同，人們愿意花不同的價錢。顯然把子彈從 2 顆減少到 1 顆比把子彈從 4 顆減少到 3 顆會讓人愿意出更多的價錢。在前者中，我們把不被擊中的概率從 4/6 提高到了 5/6;而在后者中，我們把上述概率從 2/6 提高到了 3/6。雖然都是提高了 1/6，但顯然前者的吸引力大于后者。這顯示了w(p) 的凸性。如果僅剩余 1 顆子彈而我們可以通過花錢來把它去掉的話(把不被擊中的概率提升到1)，那么無論出多少價都是值得的。

　　此外，上圖中當 p 在零附近時，w(p) 顯著的大于 p，表明當一個結(jié)果出現(xiàn)的概率非常小時，人們往往容易錯誤地放大其發(fā)生的可能性。來看兩個例子。

　　例子一：從下面兩個選項中選擇。

　　(a)0.1%(百分之 0.1，非常小)的概率得到 5000 元

　　(b)100% 的概率得到 5 元

　　在所有參與者中，72% 的人選擇了(a)而僅有 28% 的人選擇了(b)。

　　例子二：從下面兩個選項中選擇。

　　(a)0.1%(百分之 0.1，非常小)的概率損失 5000 元

　　(b)100% 的概率損失 5 元

　　在所有參與者中，17% 的人選擇了(a)而 83% 的人選擇了(b)。

　　例子一描述了一個生活中非常熟悉的場景。我們平時買彩票就類似這個情況。假設一張彩票是 5 元錢，而買了彩票后你有千分之一的機會得到 5000。這看起來是如此誘人，以至于絕大多數(shù)實驗者選擇了(a)。這是因為人們放大了這個千分之一的可能性在評估兩個選項時對選項(a)的作用。

　　同樣的，在例子二中，人們也放大了損失 5000 這件事對應的千分之一的可能性。這就像人們買保險一樣，和損失的 5 元保險費相比，人們更愿意避免千分之一才會發(fā)生的損失 5000 元的事故。因此，二者之間更多的人選擇了(b)。

　　價值函數(shù)和權(quán)重函數(shù)構(gòu)成了展望理論的基石;而展望理論能夠成功的解釋人們面對風險時的決策偏好。

　　模糊厭惡

　　偏好下的第二個方面是模糊厭惡(Ambiguity Aversion)。

　　在決策論中有一個著名的 Ellsberg 悖論(Ellsberg 1961)。假設有兩個罐子，每個罐子里放有紅色和藍色一共 100 個小球。這兩個罐子的區(qū)別是，罐子 1 中紅色和藍色球的數(shù)目均是未知的;而罐子 2 中紅色和藍色小球各 50 個。

　　實驗者首先被要求從下面兩個選項中選擇：

　　A1：從罐子 1 中抽取一個小球，如果是紅色小球則獲得 100 塊，如果為藍色則沒有獎勵;

　　A2：從罐子 2 中抽取一個小球，如果是紅色小球則獲得 100 塊，如果為藍色則沒有獎勵。

　　這兩個選項的唯一區(qū)別是抽小球的罐子。

　　在第二個實驗中，實驗者被要求從下列兩個選項中挑選：

　　B1：從罐子 1 中抽取一個小球，如果是藍色小球則獲得 100 塊，如果為紅色則沒有獎勵;

　　B2：從罐子 2 中抽取一個小球，如果是藍色小球則獲得 100 塊，如果為紅色則沒有獎勵。

　　實驗二和實驗一的區(qū)別在于獲得獎勵的小球顏色從紅色變成藍色。

　　面對這兩個實驗，神奇的結(jié)果發(fā)生了：在實驗一中，更多的實驗者選擇了 A2;而在實驗二中，更多的實驗者選擇了 B2。實驗一的結(jié)果說明，人們主觀認為罐子 1 中的紅色小球數(shù)量比罐子 2 中的紅色小球(已知為 50 個)更少;而實驗二的結(jié)果則截然相反，人們主觀的認為罐子 1 中的藍色小球數(shù)量比罐子 2 中的藍色小球(也是 50 個)更少。

　　上述實驗結(jié)果說明，在充滿著不確定性的博弈中，人們討厭結(jié)果分布未知的情況。這正是模糊厭惡。在面對風險決策時，如果結(jié)果的分布是已知的，那么該決策的不確定性對于我們來說是已知的，我們可以通過結(jié)果的分布精確的量化出該不確定性;反之，如果結(jié)果的分布是未知的，那么這個不確定性對我們而言也是未知的，因此無法被精準量化出來。

　　由于模糊厭惡，人們自然的站在了模糊性的對立面 ——preference for the familiar，即選擇自己熟悉的。在投資中，這體現(xiàn)在人們會根據(jù)自己的經(jīng)驗、學識和能力選擇更熟悉的標的來投資。當然，這個出發(fā)點并沒有問題，股神巴菲特也說“I never invest in anything that I don’t understand.”。不幸的是，這也并不容易。由于過度樂觀以及確認性偏誤這些認知偏差，人們往往在自認為熟悉的領域栽的更慘。蹭個熱點，正如《三體》中說的那樣：弱小和無知不是生存的障礙，傲慢才是。

　　以上就是偏好部分的兩個內(nèi)容 —— 展望理論和模糊厭惡。這些理論很好的解釋了人們在面對風險時是如何做決策的，它們和前文提到的各種認知偏差一起構(gòu)成了心理學這個行為金融學的第二大支柱。

　　四、在金融市場中的應用

　　在 Barberis and Thaler (2003) 這篇長達 77 頁的論文中，前面 20 多頁闡述了行為金融學的知識框架;而后面更多的部分則介紹了它在金融市場中的應用。在此我們挑選一些典型的例子做簡要介紹。

　　首先來看市場整體行為。這其中最重要的例子大概是股權(quán)溢價之謎(Equity Premium Puzzle)。1926 年以來，美國股市每年扣除通脹后的平均回報約為 7%，而政府債券的回報率不足 1%。面對如此大的差異，債券投資者的比例卻遠超股票投資者。如果把股票和債券各自的收益率和標準差套入到效用函數(shù)中，上述現(xiàn)象的“合理”解釋只能是投資者的風險厭惡水平非常高。因此這種解釋并不合理，這便是股權(quán)溢價之謎。

　　從行為金融學的角度則可以間接的解釋它，而其中的一個角度則是 Thaler 提出的短視損失厭惡(myopic loss aversion，Benartzi and Thaler 1995)。具體的，Thaler 使用展望理論和心理賬戶理論解釋了這一現(xiàn)象。

　　投資者存在損失厭惡，且展望理論的價值函數(shù)指出損失給人造成的效用大概是同等大小收益帶來效用的兩倍。這增大了債券這種低風險資產(chǎn)的吸引力。在心理賬戶理論中，其第三部分是關(guān)于評估賬戶的頻率，而不成熟的、非理性的投資者傾向于頻繁查看自己的股票是賺了還是虧了。損失厭惡 + 頻繁評估盈虧則造成了短視損失厭惡。

　　Thaler et al. (1997) 做了一個實驗。不同的投資者被要求按照不同的頻率(每年 8 次、每年 1 次，每 5 年 1 次)在股票和債券之間進行資產(chǎn)配置。對于調(diào)倉頻率低的投資者(即每年 1 次和每 5 年 1 次的)，他們將 67% 的資金配置在股票上，將 33% 的資金配置于債券;而對于調(diào)倉頻率高的投資者(每年 8 次)，他們僅僅將 41% 的資金配置在股票上，而將 59% 的資金配置于債券。這說明，調(diào)倉頻率高的投資者容易受到股票高波動、高風險、以及近期虧損的影響，出現(xiàn)短視損失厭惡。頻繁評估給股票投資者帶來更多的痛苦，使他們高估低風險債券的吸引力，從而更多的投資者去投資債券，造成股權(quán)溢價之謎。

　　除了解釋一些市場整體行為外，行為金融學在解釋股票預期收益率的截面差異上似乎更大有可為。這些截面差異就是我們常說的異象，包括 value、momentum、long-term reversal 以及各種 event studies，比如 PEAD。

　　在這方面，最著名的論文之一是 Barberis, Shleifer, and Vishny (1998) 提出的投資者情緒模型(著名的 BSV 模型)。他們認為投資者在面對上市公司新的財報消息時會受到保守主義和代表性偏誤的影響，這會導致一些常見的異象。

　　首先，當超出預期的盈利消息出現(xiàn)時，投資者因保守主義而愿意相信自己的先驗判斷，而對這個新息反應不足。他們會對這個利好持懷疑態(tài)度、不情愿更新他們對于該公司基本面的認知，因此新息無法有效的反映在股價上。隨著時間的推移，當該公司又逐漸出現(xiàn)新的盈利利好時，其股價才會慢慢對其新的基本面反映到位，而這正好造就了 momentum 異象。Bernard and Thomas (1989) 提出了盈余動量現(xiàn)象(post-earnings-announcement drift，PEAD)，也是投資者對利好消息反應不足的體現(xiàn)、符合上面這種解釋。

　　其次，當好的盈利消息接二連三出現(xiàn)時，會引起投資者的過度反應并陷入代表性偏誤的誤區(qū)。這意味著他們過度看中最近發(fā)生的這些連續(xù)的利好消息、并把這種預期錯誤的外推到對公司未來股價的預測上;一旦未來的盈利沒有達到預期，就會引起他們的恐慌，造成股價的下跌，這會造成 long-term reversal 異象以及 value 異象。

　　其他影響深遠的文章包括 Daniel, Hirshleifer, and Subrahmannyam (1998)、(2001)。他們研究的重點在于投資者在處理私有信息時所容易產(chǎn)生的認知偏差。假設投資者對于某個上市公司做了大量深入研究。在這種情況下，他容易對自己的分析結(jié)果表現(xiàn)出過度自信。如果分析的結(jié)果認為該公司的基本面向好，他們就會大舉買入該公司的股票;此外，在這個過程中，確認偏誤會讓他們在短期內(nèi)僅僅關(guān)注與和自己分析結(jié)果相一致的公共信息，而忽略掉意見相左的信息，這就會造成 momentum 和 PEAD 這些現(xiàn)象。然而，當股價被推高后，如果接連出現(xiàn)基本面變差的信息，這時價格就會發(fā)生下跌修正，從而造成 long-term reversal 以及 value 異象。

　　如今，行為金融學在解釋股票收益率截面差異時的作用被越來越多人接受。Daniel, Hirshleifer, and Sun (2018) 使用長、短兩個時間尺度的行為因子，加上市場因子提出了一個復合三因子模型(見《一個加入行為因子的復合模型》)。該模型為實證資產(chǎn)定價研究提供了新的思路，且它對于已有異象的解釋力度不亞于學術(shù)界一些主流的純風險因子模型，是一個值得肯定的嘗試。

　　五、Behavioral Efficient Markets

　　2018 年，第 20 屆 Bernstein Fabozzi / Jacobs Levy Awards 的 Best Article 獎授予了 Statman (2018) 這篇題為 Behavioral Efficient Markets 的文章。

　　這篇文章指出，有效市場假說其實包含了兩側(cè)含義，只有把它們剝離開來才能充分、合理的探討市場的有效性。這兩層含義分別為 price-equals-value market hypothesis 和 hard-to-beat market hypothesis。這篇文章的觀點頗有見地，值得一讀。

　　顯然，這兩層含義完美的對應著行為金融學的兩大支柱：由于心理學造成的各種錯誤和有限套利，市場中的價格可能長期偏離價值而無法被修正，因此 price-equals-value market hypothesis 通常是不成立的，正如我們看到的那樣。另一方面，對于僅僅掌握公開信息(widely available information)的普通投資者而言，市場是難以戰(zhàn)勝的;唯有那些掌握 exclusively or narrowly available information 優(yōu)勢的投資者才有可能戰(zhàn)勝市場。然而，認知和情感偏差造就了一波又一波、前赴后繼的噪音交易者，并給他們造成了能夠戰(zhàn)勝市場的幻覺。

　　行為金融學認為市場并非 price-equals-value 市場，同時也指出對于絕大多數(shù)僅掌握 public information 的投資者，市場是 hard-to-beat market。Price-equals-value 意味著 prices are right;而 Hard-to-beat market 意味著 no free lunch。行為金融學認可前者而否定后者，這和 Barberis and Thaler (2003) 提出的 no free lunch 無法倒推出 prices are right 不謀而合。正因如此，Statman (2018) 將這兩層含義下的市場命名為 Behavioral Efficient Markets。

　　六、結(jié)語

　　本文介紹了 Barberis and Thaler (2003) 提出的行為金融學知識框架。它對于我們學習該領域非常有幫助。此外，在很多 empirical asset pricing 的文章中，學者們都會從風險和行為的角度來解釋提出的異象。從這個角度來說，掌握心理學和有限套利這兩大支柱對于理解很多學術(shù)文獻也十分有益。

　　最后，我的好友徐楊曾在《諾獎得主塞勒教授的行為金融學研究框架 - 有這篇論文就夠了》一文中對 Barberis and Thaler (2003) 進行了解讀。他詼諧的文風比本文更加生動活潑，此外也加入了不同的思考和數(shù)據(jù)，感興趣的小伙伴不妨一讀。

　　2013 年，諾貝爾經(jīng)濟學獎同時頒發(fā)給了對市場有效性持完全對立立場的 Eugene Fama 和 Robert Shiller(另外一位是提出 GMM 的 Lars Peter Hansen)。Fama 和 Shiller 的同時獲獎頗具“諷刺意味”。在頒發(fā)諾貝爾獎時，瑞典皇家科學院指出，這三位學者的發(fā)現(xiàn)表明“市場價格的波動受到理性和人性行為共同影響”。這是人們在探究市場真相道路上堅實的一步，也是行為金融學發(fā)展歷程中的重要里程碑。

　　

　　參考文獻

　　Barberis, N., A. Shleifer, and R. Vishny (1998). A Model of Investor Sentiment. Journal of Financial Economics, Vol. 49(3), 307 – 343.

　　Barberis, N. and R. H. Thaler (2003). Chapter 18 A survey of behavioral finance. In Handbook of the Economics of Finance, Vol. 1, Part B, Elsevier.

　　Benartzi, S. and R. H. Thaler (1995). Myopic loss aversion and the equity premium puzzle. The Quarterly Journal of Economics, Vol. 110(1), 75 – 92.

　　Bernard, V. L. and J. K. Thomas (1989). Post-Earnings-Announcement Drift: Delayed Price Response or Risk Premium? Journal of Accounting Research, Vol. 27, 1 – 36.

　　Daniel, K. D., D. Hirshleifer, and A. Subrahmannyam (1998). Investor psychology and security market under- and overreactions. Journal of Finance, Vol. 53(6), 1839 – 1885.

　　Daniel, K. D., D. Hirshleifer, and A. Subrahmannyam (2001). Overconfidence, arbitrage, and equilibrium asset pricing. Journal of Finance, Vol. 56(3), 921 – 965.

　　Daniel, K. D., D. A. Hirshleifer, and L. Sun (2018). Short- and long-horizon behavioral factors. Columbia Business School Research Paper No. 18-5. Available at SSRN: https://ssrn.com/abstract=3086063.

　　Ellsberg, D. (1961). Risk, ambiguity, and the savage axioms. The Quarterly Journal of Economics, Vol. 75(4), 643 – 669.

　　Kahneman, D. and A. Tversky (1979). Prospect Theory: an analysis of decision under risk. Econometrica, Vol. 47(2), 263 – 292.

　　Sewell, M. (2007). Behavioral Finance. Working paper, University of Cambridge.

　　Shiller, R. J. (1984). Stock prices and social dynamics. Brookings Papers on Economic Activity, Vol. 1984(2), 457 – 510.

　　Statman, M. (2018). Behavioral efficient markets. The Journal of Portfolio Management, Vol. 44(3), 76 – 87.

　　Thaler, R. H. (1985). Mental accounting and consumer choice. Marketing Science, Vol. 4(3), 199 – 214.

　　Thaler, R. H. (1999). Mental accounting matters. Journal of Behavioral Decision Making, Vol. 12(3), 183 – 206.

　　Thaler, R. H., A. Tversky, D. Kahneman, and A. Schwartz (1997). The effect of myopia and loss aversion on risk taking: an experimental test. The Quarterly Journal of Economics, Vol. 122(2), 647 – 661.

　　Tversky, A. and D. Kahneman (1974). Judgment under uncertainty: heuristics and biases. Science, Vol. 185(4157), 1124 – 1131.

　　Tversky, A. and D. Kahneman (1992). Advances in prospect theory: cumulative representation of uncertainty.Journal of Risk and Uncertainty, Vol. 5(4), 297 – 323.

量化金融分析師(簡稱AQF ，Analyst of Quantitative Finance)由量化金融標準委員會(Standard Committee of Quantitative Finance，SCQF)主考并頒證，是代表量化金融領域的專業(yè)水平證書。 >>>點擊咨詢AQF證書含金量

　　

課程適合人群：

　　金融工程/數(shù)學專業(yè)背景的同學/工作人士，希望進一步學習Python編程以及在量化投資的實戰(zhàn)應用；

　　非金融工程專業(yè)背景的同學/工作人士，希望迅速成為寬客；

　　金融相關(guān)人員，希望學習如何系統(tǒng)的做量化策略；

　　個人投資者，希望系統(tǒng)學習掌握量化投資相關(guān)的實務技能，從模型開發(fā)，回測，策略改進，搭建穩(wěn)定的量化交易系統(tǒng)。

　　量化金融分析師AQF核心課程體系：

　　1、《量化投資基礎》

　　主要涵蓋了量化投資領域的必備知識，包括：基本面分析、技術(shù)分析、數(shù)量分析、固定收益、資產(chǎn)組合管理、權(quán)益、另類投資等內(nèi)容。

　　2、《Python語言編程基礎》

　　包含了Python環(huán)境搭建、基礎語法、變量類型、基本函數(shù)、基本語句、第三方庫、金融財務實例等內(nèi)容。旨在為金融財經(jīng)人提供最需要的編程方法。

　　3、《基于Python的經(jīng)典量化投資策略》

　　包含了最富盛名，最基本的量化交易思想和交易策略。例如：海龜交易模型、Logistics模型、配對交易模型、波動擴張模型、Alpha模型、機器學習(隨機森林模型、主成分分析)、深度學習(人工神經(jīng)網(wǎng)絡)等內(nèi)容。

　　4、《量化交易系統(tǒng)設計》

　　旨在學習量化交易系統(tǒng)的具體知識，包括過濾器，進入信號，退出信號，倉位管理等詳細內(nèi)容，并指導學員設計涵蓋個人交易哲學的量化交易系統(tǒng)。

　　5、《量化實盤交易》

　　旨在為解決實際量化交易策略搭建過程中的一些問題提供較優(yōu)解決方案。 >>>點擊咨詢AQF相關(guān)問題

　　

　　掌握Python及量化投資技能，我們能做什么?

1、熟悉中國主要金融市場及交易產(chǎn)品的交易機制；

2、熟知國內(nèi)外期貨交易、股市交易的異同點和內(nèi)在運行機制；

3、掌握經(jīng)典量化交易策略細節(jié)及其背后的交易哲學；

4、掌握金融、編程和建模知識基礎，擁有量化交易實盤操作能力；

5、具備獨立自主地研發(fā)新量化交易策略的能力；

6、掌握量化交易模型設計的基本框架，以及風險管理和資產(chǎn)組合理論的實際運用；

7、掌握從策略思想——策略編寫——策略實現(xiàn)餓完整量化投資決策過程；具備量化投資實戰(zhàn)交易能力。

　　

　　

金程推薦： AQF培訓 AQF培訓機構(gòu) AQF是什么意思

咨詢電話：400-700-9596

AQF考友群：760229148

　　金融寬客交流群：801860357

　　微信公眾號：量化金融分析師

　　>>>返回首頁

聲明：內(nèi)容轉(zhuǎn)載自作者：石川，北京量信投資管理有限公司創(chuàng)始合伙人，清華大學學士、碩士，麻省理工學院博士。