量化投資中的行為偏差：系統性克服認知偏誤

核心要點

過度自信、錨定效應、羊群效應和損失厭惡等認知偏差會造成持續性的定價錯誤，量化策略可以系統性地加以利用。然而，量化投資者並非免疫——模型過擬合本身就是一種偽裝成嚴謹分析的認知偏差。最有效的方法是將對人類非理性的認知與從投資流程中消除主觀判斷的規則化系統流程相結合。

行為偏差為何對量化投資者至關重要

傳統金融學假設投資者是能夠高效處理資訊並準確為證券定價的理性主體。卡尼曼（Kahneman）、特沃斯基（Tversky）和塞勒（Thaler）等學者透過NBER工作論文系列等平台綜合的數十年研究已經打破了這一假設。投資者以可預測的方式系統性地偏離理性行為。

對量化投資者而言，這既是機遇也是警告。機遇在於設計利用可預測錯誤的策略。警告則是量化投資者自身仍然是人類，他們的偏差會以微妙但有害的方式滲透到研究過程中。

行為金融學並未完全否定有效市場。相反，它解釋了為何動量、價值、低波動率等特定異象在被廣泛記錄後仍然持續。這些異象之所以存續，是因為產生它們的偏差深深嵌入人類認知中，難以透過套利完全消除。

核心偏差分類

理解主要認知偏差對於利用市場非效率和防範個人盲點都至關重要。

**過度自信（Overconfidence）**可能是最普遍的偏差。巴伯（Barber）和奧迪恩（Odean，2001）的研究表明，過度自信的投資者交易頻率比理性基準高45%，導致年化淨收益降低約2.6個百分點。過度自信表現為預測精度的誇大、對隨機結果的控制幻覺，以及認為自己的資訊優勢比實際更大的信念。

**錨定效應（Anchoring）**發生在投資者執著於無關的參考點——股票的52週最高價、之前的買入價格或整數價位——並且未能從中做出充分調整時。錨定效應有助於解釋為何整數價格水準附近會出現獨特的交易模式，以及為何分析師預測傾向於圍繞先前的共識估計聚集，而非獨立反映新資訊。

**羊群效應（Herding）**驅使投資者追隨大眾而非自己的分析。這造成了超越基本面合理範圍的價格趨勢，最終反轉。羊群效應因職業風險而被放大：偏離共識且表現不佳的專業基金經理面臨被解僱的風險，而與同行一起虧損的經理受到的審查要少得多。

**近期偏差（Recency bias）**導致投資者過度重視近期事件，並將短期趨勢外推至未來。市場崩盤後，投資者變得過度悲觀；反彈後則過度樂觀。這種偏差在中期貢獻於動量效應，在更長期則貢獻於均值回歸。

損失厭惡（Loss aversion）——感受損失的強度約為同等收益的兩倍——支撐著處置效應、展望理論以及風險溢價之謎的大部分內容。它導致投資者持有虧損部位過久（希望回本），而過早賣出獲利部位（鎖定收益）。

偏差如何創造可利用的異象

行為偏差與知名因子溢價之間的聯繫在學術文獻中已經得到充分確立。

動量因子受益於投資者對新資訊的初始反應不足。丹尼爾（Daniel）、赫舒萊弗（Hirshleifer）和蘇布拉馬尼亞姆（Subrahmanyam，1998）提出過度自信和有偏的自我歸因創造了趨勢性行為。價值因子則從相反的模式中受益——對敘事的過度反應。

低波動率異象部分源於巴貝里斯（Barberis）和黃（Huang，2008）記錄的「彩票偏好」偏差。投資者因高波動率股票類似於小機率大回報的彩票而為之支付過高價格。這種需求膨脹抑制了高風險股票的後續收益，提升了無聊、穩定股票的收益。

量化投資者自身的偏差

這是一個令人不安的事實：量化投資者也有自己的一套偏差，而這些偏差因隱藏在數學精密性背後而往往更加危險。

模型過擬合是一種認知偏差。 當研究者測試數百種規格並選擇具有最高回測夏普比率的那個時，這個過程感覺很嚴謹。但它實際上是由確認偏差驅動的——研究者在無意識中尋找支持預設觀念的證據。貝利（Bailey）和洛佩斯·德·普拉多（Lopez de Prado，2014）表明，在沒有對多重檢驗進行適當調整的情況下，大多數已發表的回測策略很可能是虛假發現。

**資料窺探（Data snooping）**是偽裝的錨定效應。一旦研究者看過資料，就幾乎不可能提出真正獨立的假設。思維錨定於觀察到的模式，並逆向工程出合理的解釋。這就是樣本外檢驗和假設預註冊如此重要的原因。

**複雜性偏差（Complexity bias）**導致量化研究者偏好複雜模型，即使簡單模型在樣本外表現同樣好或更好。一個50因子的機器學習模型感覺比3因子的線性模型更令人印象深刻，但增加的複雜性往往捕獲的是雜訊而非訊號。

**敘事謬誤（Narrative fallacy）**在量化投資者建構令人信服的故事來解釋回測結果時發揮作用。故事創造了對策略前瞻有效性的虛假信心。策略應基於理論先驗和樣本外證據來評估，而非基於敘事的滿意度。

透過系統化流程消除偏差

對抗行為偏差最有效的防禦是從盡可能多的投資決策中消除人類的自由裁量權。這是量化投資的核心論據。但消除偏差必須延伸到研究過程本身。

**預承諾協議（Pre-commitment protocols）**要求研究者在查看結果之前明確假設、資料、方法論和成功標準。這反映了臨床研究中的預註冊運動，能大幅減少資料窺探。

**多重檢驗調整（Multiple testing adjustments）**如邦費羅尼（Bonferroni）校正或壓縮夏普比率，考慮了被測試策略的數量。如果研究者測試了100種規格，t統計量2.0不再顯著——閾值上升到約3.4。

**集成方法（Ensemble approaches）**將多個弱訊號組合起來，而非依賴單一最佳化模型，對過擬合更加穩健。它們還減少了任何單個研究者的偏差對最終投資組合的影響。

**系統化再平衡規則（Systematic rebalancing rules）**消除了在壓力時期覆蓋訊號的誘惑。最具破壞性的投資者行為恰恰發生在偏差最強的市場極端時期。預先確定的機械化再平衡流程消除了這一脆弱性。

**團隊審查（Team-based review）**引入了問責制和認知多樣性。擁有經過訓練扮演「魔鬼代言人」角色的多元化研究團隊能夠捕獲個人遺漏的偏差。

投資組合建構的實際啟示

理解行為偏差對投資組合的建構和管理方式有著直接啟示。

首先，收穫行為溢價的因子策略——動量、價值、低波動率——應當成為核心持倉。這些異象之所以存在，是因為它們根植於持久的人類心理，而非暫時的市場錯位。

其次，不同偏差在不同時期佔主導地位，因此跨因子分散化至關重要。動量受益於反應不足，價值受益於過度反應。兩者往往呈負相關，提供天然的對沖。

第三，對於沒有行為或風險解釋理論基礎卻展現出色回測表現的策略，投資者應保持深度懷疑。如果一個策略無法回答「我在利用誰的行為錯誤？」這個問題，那麼它更可能是過擬合的產物，而非真正的阿爾法來源。

第四，執行紀律與訊號品質同等重要。以過度自信的部位管理或恐慌驅動的退出來執行的優秀策略，將不如以機械化一致性執行的平庸策略。

局限性

行為偏差是真實存在且記錄充分的，但並不保證未來的可利用性。隨著越來越多的資金瞄準行為異象，溢價可能會縮小。偏差導致的定價錯誤在時間上本質上是不可預測的，基於此的策略可能經歷長期回撤。此外，區分真正的行為效應和統計偽象仍然具有挑戰性，尤其是在歷史資料有限的市場中。投資者應將行為金融學視為理解市場的透鏡，而非保證的阿爾法來源。