我的笔记

Biais_2009_HindsightBias_RiskPerception_Investment

更新于 2026/7/5

Hindsight Bias, Risk Perception, and Investment Performance

元数据

  • 作者: Bruno Biais, Martin Weber
  • 年份: 2009
  • 期刊: Management Science, 55(6), 1018-1029
  • DOI: https://doi.org/10.1287/mnsc.1090.1000
  • 关键词: hindsight bias, risk perception, forecasting, investment performance, volatility estimation
  • 被试群体: 研究1: 66名曼海姆大学学生; 研究2: 85名投资银行家（法兰克福41人+伦敦44人）

一句话总结

通过实验室实验（66 名学生预测 8 种资产价格）+ 田野实验（85 名投行交易员）+ 形式化模型，证明后见之明偏差导致主体系统性低估波动率，且偏差较低的银行家收入显著更高（卡方检验 p<0.05）——首次将后见之明偏差与金融市场风险感知和投资绩效直接关联。

研究问题

  1. 后见之明偏差（hindsight bias）是否导致人们系统性低估资产价格的波动率（风险）？
  2. 这种偏差是否会影响真实金融专业人员的投资绩效？
  3. 经验、过度自信、校准偏差等其他变量能否解释观察到的绩效差异？后见之明偏差是否独立于这些变量？

核心贡献

  1. 首次理论联接：建立后见之明偏差 → 波动率低估 → 期权/风险错估 → 投资绩效下降的完整因果理论链条，并以贝叶斯学习框架形式化（命题 1）。
  2. 形式化建模：提出有偏期望表示 \hat{E}_v(\tilde{v}) = \omega v + (1-\omega)\mu，将偏差程度 \omega 与 Camerer et al. (1989) 的组间设计可识别性连接（命题 2）。
  3. 实验室证据：在 8 种资产（5 只德国股票 + 石油 + 黄金 + 欧元/美元）的实时预测任务中证明，提醒被试上次预测可显著降低偏差和波动率低估幅度（4 个资产差异显著 p<0.021）。
  4. 田野实验创新：使用大型投资银行 85 名交易员的真实薪酬（含奖金）作为绩效代理变量，避免自我报告偏差；高低偏差组成为高收入者的条件概率为 0.46 vs 0.14。
  5. 稳健性检验：证明后见之明偏差与经验、信息精度、过度自信（better-than-average）、校准偏差均不显著相关——表明其是独立的认知偏差维度。
  6. 跨地点复制：法兰克福（41 人）+ 伦敦（44 人）独立样本均得到一致结论，增强外部效度。
  7. 政策启示：为投资银行的人才选拔、风险管理培训、记录强制留存等制度设计提供行为基础。

维度1：实验设计分析

核心研究问题

后见之明偏差（hindsight bias）是否导致人们低估风险（波动率），并因此损害投资绩效？

研究1：后见之明偏差与风险感知（实验室实验）

被试: 曼海姆大学四年级行为金融课程学生66人

实验任务详细流程:

  1. 第一阶段（2007年11月29日）:

    • 向被试展示8种资产（5只德国股票：BASF、IKB、EON、Postbank、Premiere；2种商品：石油、黄金；以及欧元/美元汇率）在11月21日至11月28日期间的市场价格
    • 要求被试预测一周后（12月5日）的价格
    • 同时要求被试给出上下界，使得12月5日价格落在界外的概率仅为十分之一
    • 研究者通过Keefer and Bodily (1983)的方法将置信区间转换为隐含标准差（implied volatility）
    • 转换公式：volatility = (return(upper bound) - return(lower bound)) / 3.25

  2. 第二阶段（2007年12月6日）:

    • 向被试展示12月5日的实际实现价格（同时提醒11月28日价格）
    • 要求再次提供一周后（12月12日）的预测、上下界和置信区间
    • 关键处理分组（随机分配）：
      • 处理1（消除偏差组，34人）: 实验者直接提醒被试他们上周的初始预测值和置信区间，从而抑制后见之明偏差
      • 处理2（偏差显现组，32人）: 不提醒被试上周的估计值，而是要求他们自行回忆之前的预测和置信区间，为后见之明偏差的显现创造条件

激励机制: 每轮随机抽取10人，每人获得10欧元参与费

因变量:

  • 后见之明偏差指数 omega：(记忆中的估计 - 初始估计) / (实现值 - 初始估计)
  • 初始/后续隐含波动率 sigma 的比率
  • 真实惊奇度 vs. 有偏惊奇度

研究2：后见之明偏差与投资绩效（田野实验）

被试: 大型投资银行交易部门85名银行家

  • 法兰克福分行：41人（2001年12月5日）
  • 伦敦分行：49人/44人分类（2002年10月9日）
  • 涵盖销售、研究、交易等岗位

实验任务详细流程:

  1. 采用Camerer et al. (1989)的"组间设计"（between-subjects design）:

    • 每个地点分为A组和B组
    • 每人回答10个问题（5个"自己估计"条件 + 5个"他人估计"条件）

  2. "自己估计"条件（own estimate）:

    • 要求被试估计某一未知变量的真实值（如德国CPI变化率、瑞士股市跌幅等）
    • 问题来自银行家的专业领域（股市收益、宏观变量、行业特征等）

  3. "他人估计"条件（others estimate）:

    • 告知被试真实答案
    • 要求被试估计另一组（未获得真实答案的组）的平均回答
    • 后见之明偏差指数 = (被试对他人答案的估计 - 他人实际平均答案) / (真实答案 - 他人实际平均答案)

  4. 绩效衡量:

    • 通过银行人事部门获取每位银行家的薪酬类别（高/中/低收入），包括奖金
    • 匿名编号关联问卷与薪酬数据

  5. 额外心理测量:

    • 校准偏差（miscalibration）：10个问题要求给出90%置信区间，计算落在界外的频率
    • 优于平均效应（better-than-average）：报告认为多少比例同事在交易技能等四个维度上优于自己

激励机制: 无金钱报酬

维度2：理论模型

后见之明偏差的形式化定义

核心建模思路：有偏差的主体在观察到随机变量的实现值 v 后，无法正确回忆自己的事前期望 mu，而是形成一个偏向实现值的"重构记忆"：

\hat{E}_v(\tilde{v}) = \omega v + (1-\omega)\mu

其中 omega 为偏差参数（0 = 完全理性，1 = 完全偏差）。

后见之明偏差与波动率低估（命题1）

设随机变量以概率 lambda 服从低方差分布（sigma_下划线的平方），以概率 1-lambda 服从高方差分布（sigma_上划线的平方）。

  • 理性主体: 观察到实现值后，通过贝叶斯法则更新对方差的信念
  • 有偏主体: 由于使用有偏的期望（而非真实的先验均值），其后验概率评估被扭曲

命题1: 在需要学习波动率的环境中，有后见之明偏差的主体将系统性地低估波动率。

直觉: 理性主体在观察到远离预期的实现值时会感到"惊讶"，从而上调波动率估计。有偏主体"早就知道了"，不会惊讶，因此不会充分上调波动率估计。

后见之明偏差指数（命题2）

在Camerer et al. (1989)的组间设计中，每个被试的后见之明偏差指数等于其个人的偏差参数 omega^a。

对投资绩效的影响链条

后见之明偏差 --> 低估波动率 --> 低估期权价值 --> 不当对冲 --> 错误评估风险-收益权衡 --> 投资组合效率低下 --> 绩效下降

维度3：核心发现

研究1结果

后见之明偏差存在性:

  • 8种资产的后见之明偏差指数（omega）中位数均为正值，范围为0.086（BASF）至0.784（Postbank）
  • 其中4种资产在10%水平上显著异于0

波动率低估（核心发现）:

  • 初始隐含波动率与记忆中隐含波动率的比率：8种资产中5种的中位数显著大于1（p < 0.10），说明被试记忆中的波动率系统性低于实际初始波动率
  • 处理间差异: 处理1（提醒组）的初始/后续波动率比率中位数低于处理2（回忆组），除黄金外所有资产均如此；其中4种资产差异显著（p值范围0.001-0.021）
  • 这意味着：当后见之明偏差被允许显现时，被试给出更低的波动率更新

偏差与波动率感知的相关性:

  • omega 与初始/记忆波动率比率的Spearman相关系数大部分为正，但仅石油一项显著（r = 0.465, p = 0.007）

研究2结果

后见之明偏差存在性:

  • 银行家也表现出显著的后见之明偏差
  • 平均偏差指数：伦敦0.547，法兰克福0.579
  • 两地均显著小于1且大于0（t = 3.60/4.35伦敦，t = 3.43/4.72法兰克福）

偏差与绩效的关系（核心发现）:

  • Table 4: 高收入银行家的后见之明偏差最低（中位数0.375），低收入银行家偏差最高（中位数0.636），中等收入居中（0.684）
  • Wilcoxon秩和检验:
    • 高收入 vs. 中等收入：z = 3.33, p = 0.0009
    • 高收入 vs. 低收入：z = 2.27, p = 0.0229
    • 中等 vs. 低收入：z = 1.02, p = 0.306（不显著）
  • 卡方检验: 绩效与偏差独立性的卡方统计量 = 10.05，在5%水平上拒绝独立性假设（临界值9.49，自由度4）
  • 条件概率（Table 5）: 低偏差银行家成为高收入者的概率为0.46，高偏差银行家成为高收入者的概率仅为0.14

稳健性检验:

  • 经验: 将银行家分为"资深"（>=10年）和"资浅"两组，两组中高收入者偏差均最低。经验本身不减少偏差
  • 职位类别: 研究、销售、交易+销售三类岗位中，偏差与绩效的负相关关系均成立
  • 信息精度（mistake ratio）: 后见之明偏差与信息精度不显著相关（Spearman r = -0.0837, p = 0.446）
  • 过度自信（better-than-average）: 与后见之明偏差不显著相关（法兰克福r = 0.055, p = 0.733；伦敦r = 0.0975, p = 0.51）
  • 校准偏差（miscalibration）: 与后见之明偏差不显著相关（伦敦r = -0.1，法兰克福r = 0.16）
  • 地点: 法兰克福和伦敦两个独立样本均得到一致结论
  • Table 6: 校准偏差和优于平均效应在三个收入组间无显著差异，仅后见之明偏差有显著差异

维度6：与其他文献的关系

在后见之明偏差研究中的位置

  • 继承Fischhoff (1975)和Fischhoff and Beyth (1975)的经典范式
  • 直接扩展Camerer et al. (1989)的组间设计方法论
  • 创新贡献: 首次将后见之明偏差与金融市场中的波动率感知和投资绩效联系起来

与实验经济学/行为金融的关系

  • 与Biais et al. (2005)的过度自信-交易绩效研究互补，但聚焦不同偏差类型
  • 呼应Haigh and List (2005)关于专业交易者也存在认知偏差的发现
  • 与List (2003)关于市场经验能否消除偏差的讨论对话（本文发现经验不减少后见之明偏差）

理论贡献

  • 提供了后见之明偏差的简洁形式化模型，将偏差参数 omega 与贝叶斯学习框架结合
  • 建立了从偏差到波动率低估再到绩效下降的完整因果链条
  • 为Mangelsdorff and Weber (1998)关于委托代理关系中后见之明偏差的讨论提供实证基础

方法论特色

  • 结合实验室实验（学生样本，控制因果）和田野实验（专业银行家样本，外部效度）
  • 使用真实薪酬数据（含奖金）作为绩效代理变量，避免了自我报告偏差
  • 双地点（法兰克福+伦敦）复制设计，增强结论可靠性

局限与后续研究方向

  • 未控制风险厌恶等其他心理变量
  • 绩效与偏差的关系为相关性而非因果关系
  • 未探讨偏差是否可通过干预减少
  • 未分析有偏主体在交易博弈中的策略互动

维度4：变量概览

Outcome变量

变量 定义 测量方式
后见之明偏差指数 \omega (\hat{E}_v(\mu) - \mu) / (v - \mu) 记忆/初始预测之差 ÷ 实现/初始预测之差
隐含波动率 \sigma 通过 90% 置信区间宽度反推 (\text{return}(UB) - \text{return}(LB)) / 3.25（Keefer-Bodily 法）
初始/记忆波动率比率 初始 \sigma ÷ 后续记忆中 \sigma 同一被试两期 \sigma 之比
薪酬类别 高/中/低收入（含奖金） 银行人事部门匿名提供
校准偏差（miscalibration） 90% 置信区间外频率 10 个问题 90% CI 落空率
优于平均效应 自评在交易技能 4 维度上优于多少%同事 自我报告
真实惊奇度 vs 有偏惊奇度 $ v - \mu

Treatment变量

实验 Treatment 操纵方式
研究1 提醒/不提醒上次预测 处理1（34人）：实验者提醒；处理2（32人）：要求自行回忆
研究2 自己估计 / 他人估计 5 题"自己"+5 题"他人"；通过 Camerer et al. (1989) 组间设计识别 \omega

Control变量

  • 资产种类（5 只德国股票 + 石油 + 黄金 + 欧元/美元 = 8 种资产）
  • 被试经验（资深 ≥10 年 vs 资浅）
  • 职位类别（研究/销售/交易+销售）
  • 地点（法兰克福 vs 伦敦）
  • 信息精度（mistake ratio）
  • 过度自信（better-than-average）
  • 校准偏差（miscalibration）

Heterogeneity变量

  • 学生 vs 银行家（外部效度对比）
  • 经验长度（资深 vs 资浅）
  • 职位类型
  • 地点（双地点复制）
  • 收入分组（高/中/低）

维度5：局限性

  1. 样本量受限：研究 1 仅 66 名学生，研究 2 仅 85 名银行家；稳健性子样本（如经验分组）样本量较小。
  2. 激励问题：研究 1 仅随机抽取 10 人 × 10 欧元参与费，研究 2 无任何金钱激励，可能导致认真程度不一。
  3. 绩效-偏差为相关性：薪酬-偏差关系是横截面相关，不能排除反向因果（如低绩效 → 心理压力 → 更强的合理化记忆偏差）或共同前因（如认知能力）。
  4. 未控制风险厌恶：偏差与绩效的关系可能由风险厌恶的异质性混淆。
  5. 薪酬类别为粗分类：高/中/低三档，未使用连续薪酬数据，损失统计信息。
  6. 资产种类有限：研究 1 仅 8 种资产，且以德国股票为主，跨市场推广性有限。
  7. 未做干预实验：未验证培训、记录留存等手段能否减少偏差及改善绩效。
  8. 未涉及策略互动：未分析有偏主体在交易博弈、委托代理关系中的均衡行为。
  9. 被试在课堂内回答，可能受社会期望影响：研究 1 在行为金融课堂中进行，被试可能猜测实验意图。
  10. 置信区间转换公式的假设：Keefer-Bodily 公式假设近似正态，对偏态/肥尾资产的隐含波动率估计可能有偏。

维度7：可拓展的研究方向

  1. 干预实验：测试强制记录留存、定期回顾自己历史预测、培训等干预措施能否减少后见之明偏差并改善投资绩效。
  2. 神经/生理机制：用 fMRI/EEG 研究后见之明偏差的神经基础，识别记忆重构与价值学习的脑区交互。
  3. 跨职业/跨国比较：在分析师、风险经理、监管者、CEO 等不同职业群体中复制研究 2，识别哪些环境塑造哪种程度的偏差。
  4. 真实交易行为：超越薪酬数据，使用银行内部交易日志（持仓、PnL、交易频率、止损执行）研究偏差如何影响具体交易行为。
  5. 机构层面后果：研究后见之明偏差严重的交易团队/部门是否更容易遭遇大额亏损、风控失败、合规问题。
  6. 危机情境：在 2008 金融危机、2020 疫情等极端事件后实施测量，检验"早就知道"心态如何扭曲事后归因和监管反应。
  7. 委托代理模型：建立委托人有后见之明偏差时的最优契约设计模型（Mangelsdorff & Weber 1998 思路的延伸）。
  8. 算法/AI 决策辅助：研究 AI 推荐系统能否通过强制呈现历史预测/概率分布来抑制人类的后见之明偏差。
  9. 与其他偏差的交互：与 Brunnermeier_2007_OptimalBeliefs_SkewedReturns、动机性信念、记忆偏差等的联合建模——后见之明偏差是否是更广泛的"自我服务记忆重构"的特例？
  10. 跨期偏差动态：用纵向追踪数据研究偏差是否随经验/年龄/职位变化，以及是否存在生命周期效应。
  11. 机器学习预测员：让 ML 算法预测哪些人具有高后见之明偏差，研究其预测力与招聘筛选价值。
  12. 市场层面影响：将个体偏差聚合到市场层面，研究后见之明偏差是否系统性压低 VIX/隐含波动率，并与黑天鹅事件爆发的关系。

关键表格摘要

变量 关键数值
学生后见之明偏差omega（中位数范围） 0.086 - 0.784
银行家平均偏差指数（伦敦/法兰克福） 0.547 / 0.579
高收入银行家偏差中位数 0.375
低收入银行家偏差中位数 0.636
高vs中收入偏差差异 z=3.33, p=0.0009
高vs低收入偏差差异 z=2.27, p=0.0229
绩效-偏差独立性卡方检验 chi2=10.05, p<0.05
低偏差者成为高收入的条件概率 0.46
高偏差者成为高收入的条件概率 0.14
校准偏差（答案落在界外频率） 68%（应为10%）

Tags: #hindsight_bias #risk_perception #volatility #investment_performance #field_experiment #lab_experiment #cognitive_bias #behavioral_finance

关键结论

  1. 学生与银行家均表现显著后见之明偏差：研究 1 的 8 种资产中位数 \omega 范围 0.086–0.784（4 种 p<0.10）；研究 2 的银行家平均 \omega 为 0.547（伦敦）和 0.579（法兰克福），均显著大于 0 且小于 1。
  2. 波动率系统性低估：8 种资产中 5 种的初始/记忆波动率比率中位数显著大于 1；处理 2（允许偏差显现组）的比率显著高于处理 1（提醒组），4 种资产差异显著（p=0.001–0.021）。
  3. 后见之明偏差损害投资绩效：高收入银行家偏差中位数最低（0.375），低收入最高（0.636）；高 vs 中收入 z=3.33（p=0.0009），高 vs 低收入 z=2.27（p=0.0229）；卡方独立性检验拒绝（chi2=10.05, p<0.05）。
  4. 条件概率的差异显著：低偏差者成为高收入者概率为 0.46，高偏差者仅 0.14——经济意义上的差异巨大。
  5. 偏差独立于其他认知特质：与经验长度、信息精度（mistake ratio）、过度自信（better-than-average）、校准偏差（miscalibration）均不显著相关；表 6 显示其他偏差在三个收入组间无显著差异，仅后见之明偏差有差异。
  6. 经验不消除偏差：资深（≥10 年）与资浅银行家中，高收入者偏差均最低；经验本身不会自动减少偏差。
  7. 跨地点稳健：法兰克福与伦敦两个独立样本得到一致结论，外部效度高。
  8. 理论意义：后见之明偏差通过扭曲对方差/分布的学习，导致主体不能从惊讶中充分上调风险评估；这一机制可解释金融市场中持续的波动率低估与黑天鹅事件后的归因偏误。
  9. 政策启示：投资银行可通过强制记录历史预测、定期对照、人才筛选等手段降低后见之明偏差的负面影响。

🔗 链接到这篇笔记