Bianchi_2026_HumanRobot_InvestmentDecisions

一句话总结

利用法国大型资产管理公司在Employee Saving Plans中引入建议型（非全权委托）robo-advisor的自然实验，发现投资者并未将机器人视为自身注意力的替代品，反而在订阅后增加了对投资组合的关注和交易活动；机器人的rebalancing提醒（alert）显著促使投资者调整组合向目标配置靠拢，最终带来约2.6%的年化收益率提升，而让投资者保留控制权的财务成本平均仅约0.054%。

研究问题

当robo-advisor以建议者而非全权委托者的角色出现时，投资者是否会改变其投资决策行为？具体而言：(1) robo-advisor的引入是否会改变投资者对投资组合的注意力和交易行为？(2) 机器人发送的rebalancing alert在其中扮演什么角色？(3) 这些行为变化对风险暴露和投资组合收益率有何影响？(4) 相比完全自动化的rebalancing，让投资者保留控制权的财务成本有多大？

核心贡献

区别于全权委托型robo-advisor的研究视角：现有文献主要研究投资组合完全由机器人管理的场景（如 Reher_2019_AutomatedFinancialManagement、Loos_2020_RoboAdvisersInvestorBehavior、Rossi_2020_RoboAdvising），本文首次系统研究建议型robo-advisor中人机动态交互的过程与后果。
揭示人机交互的积极作用：发现robo-advisor不仅未替代投资者注意力，反而促进了投资者参与，增加了注意力和交易活动，尤其是机器人alert驱动的rebalancing行为。
分解收益率提升的来源：将收益率提升分解为静态效应（订阅时的配置变化）和动态效应（持续rebalancing行为的改变），证明动态效应占总收益提升的约46%。
量化保留投资者控制权的成本：通过构建反事实自动rebalancing场景，发现投资者保留控制权的平均财务损失仅约0.054%年化，远小于robo-advisor本身带来的收益提升。

维度1：实验设计分析

制度背景与robo-advisor的引入

本研究的背景是法国大型资产管理公司Amundi管理的Employee Saving Plans（ESPs）。这些计划允许法国私营部门雇员将其薪酬的一部分投资于雇主提供的一组基金中。雇主可以提供两种类型的合同：5年锁定期的企业储蓄计划（plan d'épargne entreprise）和退休储蓄计划（plan d'épargne pour la retraite collectif）。雇员可以在锁定期后追加投资、取款，并可自由地在基金之间进行rebalancing操作。一个人可以同时持有来自过去和当前雇主的多个合同，样本中平均每个投资者持有约3个合同。

传统上，雇员在这些投资组合选择上不会获得任何专业建议。2017年8月，该资产管理公司在ESP中引入了robo-advisor服务。

robo-advisor服务的详细运作流程

第一步：雇主决定与员工通知。机器人首先被推介给雇主。如果雇主同意采用该服务，其雇员会收到一封电子邮件，告知该服务可用，并由雇员自行决定是否订阅。服务费用由雇员承担，金额取决于账户价值。

第二步：投资者画像建立（profiling）。如果雇员选择开始订阅流程，机器人首先通过一系列问卷收集投资者的个人特征信息，具体包括：

风险偏好（risk aversion）——通过定量和定性问题
金融知识和经验（financial knowledge and experience）——包括客观测试和自我评估
年龄
投资期限（investment horizon）

基于这些回答，机器人为投资者构建一个风险画像（如prudent、dynamic等类别），并据此提出一个投资组合配置建议。重要的是，机器人的建议配置仅限于雇主提供的基金菜单中的基金——也就是说，投资者无论有无机器人，面对的都是同一组基金。

第三步：配置建议展示与比较。投资者可以在屏幕上直观地比较机器人提出的建议配置与当前持有的配置，比较维度包括宏观资产类别层面（股票、债券、货币市场基金等的比例）以及具体基金层面。

第四步：接受或拒绝。投资者可以选择接受或拒绝机器人的建议。如果接受，机器人执行配置调整。但即使接受了机器人的配置建议，投资者也不受任何约束——他们可以在接受之后立即再次手动更改配置。

第五步：持续监控与alert机制。订阅后，机器人持续监控投资者的投资组合。当投资组合的当前配置与目标配置之间的偏离超过一定阈值时，机器人会通过电子邮件向投资者发送alert。alert的触发条件基于多个维度：不同类型基金的资产配置比例以及一个综合投资组合风险指标（SRRI）。具体而言，alert变量定义为：

Alert_{j,t} = \begin{cases} 1 & ext{if } \max_z\{|\omega^z_{j,t} - \hat{\omega}^z_j| - au^z\} > 0 \\ 0 & ext{otherwise} \end{cases}

其中 $\omega^z_{j,t}$ 是合同 $j$ 在时间 $t$ 的 $z$ 类基金的实际比例， $\hat{\omega}^z_j$ 是机器人建议的 $z$ 类基金比例，$ au^z$ 是保密的阈值。平均而言，投资者在订阅后8.6%的月份会收到alert（标准差28%）。

第六步：收到alert后的投资者响应。收到alert邮件后，投资者被建议登录平台查看投资组合。一旦登录，机器人会提出具体的rebalancing建议，使投资组合回到目标配置。如果投资者接受，调整即被执行。投资者也可以完全忽略alert或选择自行调整。

数据来源与样本构建

数据来源：来自Amundi的匿名化行政记录数据，包含四类信息：

基金菜单与投资选择数据：雇主提供的基金菜单、雇员选择的配置、新投资、rebalancing操作和取款
基金收益率数据：各基金的清算价值信息，据此计算扣除管理费和基金费用后的净收益率
平台活动数据（数字足迹）：投资者在平台上的活动——登录次数、在线时长、访问页面数
机器人画像数据：机器人赋予的风险评分、建议配置和alert记录

时间范围：2016年1月至2021年6月，月度频率面板数据。

样本规模与构成：

截至2018年11月数据获取时，约8,000家公司被提供了robo服务，涵盖646,884名雇员（超过190万活跃雇员计划中的一部分）
其中189,918人表达了对机器人的兴趣并开始了profiling过程（签署"咨询协议"）
175,342人最终未订阅服务——称为robo-curious
14,635人订阅了机器人——称为robo-takers，对应770家不同公司的18,164个账户
另外随机抽取了20,000名not-exposed（未被提供服务的公司的雇员）、20,000名non-takers和20,000名curious作为对照

限制条件：仅保留在样本期间至少完成过一笔交易的个人。

描述性统计：

Robo-takers平均年龄44.8岁，28%为女性，储蓄计划平均价值5,090欧元，账户总价值14,145欧元
Robo-curious平均年龄45.9岁，36%为女性，储蓄计划平均价值8,504欧元，账户总价值21,010欧元
整体样本代表了法国私营部门雇员群体，资产平均值34,811欧元（中位数12,918欧��）

识别策略

基准回归（Equation 1）：

y_{j,t} = \alpha_j + \beta \cdot RoboTreated_{j,t} + X'_{j,t}\gamma + \mu_t + \varepsilon_{j,t}

其中 $\alpha_j$ 和 $\mu_t$ 分别是合同固定效应和时间（年-月）固定效应。 $RoboTreated_{j,t}$ 是一个虚拟变量，当投资者在合同 $j$ 中于时间 $t$ 已订阅机器人时取1。控制变量包括过去12个月平均股票比例、过去12个月平均收益率、上月账户价值、年度可变薪酬金额、当月和上月是否收到可变薪酬的虚拟变量。标准误按个体和时间双重聚类。

主要比较组：基线分析中，控制组为robo-curious（即开始了profiling但最终未订阅的投资者），这使得可以控制可能促使投资者对robo服务产生兴趣的（可能随时间变化的）特征。

Event study（Equation 2）：

y_{j,t} = \alpha_j + \sum_{s=-6}^{5} \beta_s \mu_{t+s} RoboTreated_{j,t} + X'_{j,t}\gamma + \mu_t + \varepsilon_{j,t}

用于验证平行趋势假设。

Alert分析中的diff-in-diff：利用机器人alert的触发算法，为robo-curious构建反事实alert（即如果他们订阅了机器人，机器人会在哪些月份发送alert），从而比较实际接收alert的robo-takers与接收反事实alert的robo-curious之间的行为差异。

Curious close分析：识别一组robo-curious中在完成profiling时其实际持仓与机器人建议配置非常接近（股票比例差距<5%）的投资者（1,295人，占robo-curious的7%），作为参照点来分离动态效应（rebalancing行为变化）与静态效应（配置变化）。

稳健性检验：

替代控制组：使用non-takers或not-exposed作为对照
2SLS工具变量：以同一公司中同事的机器人采纳率作为工具变量

维度2：理论模型

本文没有构建正式的理论模型，但提供了清晰的概念框架：

核心概念框架

人机互补 vs 人机替代：在AI辅助决策的文献中，核心争论是机器人应该完全替代人类决策（全权委托）还是与人类互补（建议型）。全权委托模型假设机器人的决策优于人类，而互补模型认为保留人类控制权可以减少算法厌恶（algo-aversion）并促进金融能力提升。
投资者惰性与注意力不足：大量文献记录了投资者对长期投资计划的注意力不足和投资组合惯性（见 Gomes_2021_HouseholdFinance 的综述），低注意力对收益率有害（Gargano_Rossi_2018_DoesItPayToPayAttention），低财务素养和低财富投资者的投资组合惯性更严重（Calvet_Campbell_Sodini_2009_FightOrFlight、Bianchi_2018_FinancialLiteracy_PortfolioDynamics）。
Rebalancing的价值：将投资组合rebalancing与buy-and-hold策略进行比较，Maeso_Martellini_2020_RebalancingBenefits 估计美国股市的年化rebalancing溢价约1%；Ang_Brandt_Denison_2014_NorwegianPensionFund 估计rebalancing溢价为已实现波动率的0.14倍。
算法厌恶的缓解：Dietvorst_Simmons_Massey_2018_OvercomingAlgorithmAversion 和 Burton_Stein_Jensen_2020_AlgorithmAversion 的实验证据表明，当人类保留对算法的部分控制权时，他们更愿意依赖自动化建议。

可检验假说

如果机器人是注意力的替代品，订阅后投资者的平台登录和交易应减少
如果机器人是注意力的互补品，订阅后投资者的关注和交易应增加
如果alert有效，收到alert后投资者应更多进行rebalancing，且其投资组合应更接近目标配置
如果动态rebalancing效应重要，收益率提升应主要来自持续的rebalancing行为变化，而非一次性的初始配置调整

维度3：核心发现

注意力效应（Table 2）

订阅机器人后，投资者每月平台登录次数增加0.28次（基线平均1次），增幅28%（ $\beta=0.283$ , $p<0.01$ ）
每月平台在线时长增加3.9分钟（基线6.2分钟），增幅63%
每月访问页面数增加4.9页（基线6.5页），增幅75%
排除订阅月和可变薪酬月后效应稍减但仍显著（ $\beta=0.140$ , $p<0.01$ ），说明注意力提升持续存在于订阅事件之后
Event study证实无显著的处理前差异（平行趋势成立）

交易活动效应（Table 2）

每月资产配置变更次数增加0.09次（基线0.05次），增幅约180%（ $\beta=0.094$ , $p<0.01$ ）
其中robo建议驱动的rebalancing增加0.04次（ $\beta=0.044$ , $p<0.01$ ）
投资者自发的（非robo驱动）rebalancing无显著变化（ $\beta=0.003$ , $p>0.10$ ），说明交易增加完全由人机交互驱动

Alert的因果效应（Table 3）

收到实际alert后，投资者登录次数增加0.31次（ $\beta_{Robo\ treated imes Alert}=0.308$ , $p<0.01$ ），而反事实alert的效应不显著（ $\beta_{Alert}=0.144$ , $p>0.10$ ）
收到alert后rebalancing概率增加29个百分点（robo-takers的 $\beta_{Robo\ treated imes Alert}=0.295$ , $p<0.01$ ），相对于robo-curious基线rebalancing概率10%
收到alert后，robo-takers将当前与目标股票比例之间的距离减少4.6个百分点（ $\beta=-0.046$ , $p<0.01$ ），而条件于alert的平均距离为6.2%
关键发现：robo-curious在rebalancing时倾向于追逐趋势（好收益后增加股票、差收益后减少股票），而robo-takers倾向于反向调整以保持目标配置
与监管要求的MIF alert对比：MIF alert的效应方向相反且远小于robo alert（ $\beta_{Alert\ MIF}=0.001$ , $p<0.10$ ）

风险暴露与收益率（Table 4）

订阅后股票比例增加3个百分点（基线22%），增幅约14%（ $\beta=0.030$ , $p<0.01$ ）
年化已实现收益率增加2.6个百分点（基线3%），增幅约87%（ $\beta=0.026$ , $p<0.01$ ）
控制股票比例后收益率仍增加2.3个百分点（ $\beta=0.023$ , $p<0.01$ ）
基于5因子模型（Fama-French 3股票因子 + 2固定收益因子）的预期收益率增加2.6个百分点（ $\beta=0.026$ , $p<0.01$ ），控制股票比例后增加2.1个百分点
收益率提升可归因于对标准风险因子的动态暴露变化，而非"运气"

静态 vs 动态效应分解（Table 5）

使用curious close（股票比例差距<5%的robo-curious）作为对照时：
- 股票比例增加仅1.1个百分点（ $\beta=0.011$ , $p<0.05$ ），远小于基线3个百分点
- 已实现收益率增加1.2个百分点（ $\beta=0.012$ , $p<0.01$ ），约占总收益提升的46%
这说明约46%的收益提升来自动态rebalancing行为的变化，而非初始配置调整

保留控制权的成本（Section 5）

构建反事实自动rebalancing收益率：假设机器人在每次alert时自动执行rebalancing
平均而言，反事实收益率仅比实际收益率高0.054%年化（即保留控制权的平均成本极小）
到样本末尾（2021年6月），自动rebalancing累计收益约12.85%，robo-takers约12.61%，curious close约7.03%
但成本分布存在显著异质性：成本分布顶端1%的投资者，反事实收益高于实际收益4.1%；底端1%的投资者，反事实收益低于实际收益8.7%

异质性分析（Table 6）

在bear market期间（2018年10月-12月和2020年2-3月），投资者收到alert后rebalancing的概率显著下降（从48%降至22.5%）
男性更可能在收到alert后rebalancing，但条件于rebalancing后更不可能遵循机器人建议（可能与过度自信有关，呼应 Barber_Odean_BoysWillBeBoys_Gender_Overconfidence）
年龄越大、越富裕的投资者更可能遵循机器人建议
过去股票比例越低、过去收益率越高的投资者更可能遵循建议
人口统计特征不是异质性的主要驱动因素，市场条件更为重要

维度4：变量概览

变量名	类型	含义	数据频率
RoboTreated	处理变量	投资者在合同j中是否已订阅机器人	月度
Number of Connections	结果变量	每月平台登录次数	月度
Number of Asset Allocation Changes	结果变量	每月资产配置变更次数（含robo驱动和自发）	月度
Alert	处理/机制变量	当前配置与目标配置偏离超阈值时为1	月度
Rebalancer	结果变量	投资者当月是否进行rebalancing	月度
Equity Share	结果/控制变量	股票价值占组合总价值比例（12个月平均）	月度
Realized Returns	结果变量	基于基金清算价值的年化净收益率	月度
Expected Returns	结果变量	基于5因子模型beta和时变因子收益的预期收益率	月度
Change in Distance	结果变量	$	x_{j,t+1}- au_j

维度5：局限性

自选择偏差：robo-advisor的订阅是自愿的，robo-takers与robo-curious之间可能存在不可观测的差异。虽然使用了多种控制组和2SLS工具变量（同事采纳率），但无法完全排除内生性。
样本的特殊性：研究对象为法国ESP投资者，投资于基金菜单而非个股，且rebalancing无交易成本。结果是否能推广到其他投资情境（如经纪账户、个股交易）尚不确定。
无法比较有无机器人的长期效果：数据不允许比较投资者在有建议型机器人和完全没有机器人之间的选择，也无法探索保留控制权对金融能力提升的长期效果。
robo-curious作为控制组的限制：虽然robo-curious是一个有价值的对照组，但其行为可能已受到profiling过程本身的影响。
短样本期间：数据仅覆盖2016-2021年，包含了COVID-19冲击，可能影响结果的外部效度。

维度6：与其他文献的关系

直接对话的文献

DAcunto_Prabhala_Rossi_2019_RoboAdvising：研究印度经纪平台的交互式投资组合优化器对投资者多样化的影响。本文的关键区别在于关注人机动态交互（尤其是alert和rebalancing），而非仅关注订阅时点的效应。
Loos_2020_RoboAdvisersInvestorBehavior：研究全权委托型robo-advisor对投资者行为的溢出效应。本文研究的是建议型（非全权委托）场景。
Reher_Sokolinski_2021_AutomationInequality_WealthManagement：研究自动化财富管理中的不平等问题。本文采用其5因子模型框架计算预期收益率。
Dietvorst_Simmons_Massey_2018_OvercomingAlgorithmAversion：发现人们在保留对算法的修改权时更愿意使用算法。本文的经验证据支持这一机制——投资者在保留控制权的建议型设置中积极参与。

投资者注意力与惯性文献

Gargano_Rossi_2018_DoesItPayToPayAttention：证明投资者注意力对收益率有正面影响。本文发现robo-advisor增加了注意力，间接佐证了这一渠道。
Calvet_Campbell_Sodini_2009_FightOrFlight：研究投资者的投资组合rebalancing行为，发现低财富和低金融素养投资者更容易表现出投资惯性。
Bianchi_2018_FinancialLiteracy_PortfolioDynamics：记录金融素养对投资组合动态的影响以及趋势追逐行为。

AI与人类决策互动文献

Ge_Zheng_Tian_Liao_2021_HumanRobotInteraction_P2PLending：研究P2P借贷中投资者如何调整对robo-advisor的使用。
Green_Chen_2019_DisparateInteractions_AlgorithmInTheLoop：研究法官决策中算法在环的情况，发现人类可能削弱算法的有效性。
Burton_Stein_Jensen_2020_AlgorithmAversion：系统综述算法厌恶在增强决策中的表现。

经验学习与金融能力文献

Seru_Shumway_Stoffman_2010_LearningByTrading：研究交易中的学习效应。本文认为robo-advisor可能促进投资者通过交互进行学习。
Karlan_McConnell_Mullainathan_Zinman_2016_GettingToTopOfMind：发现SMS提醒可以增加储蓄。类似地，本文发现robo的alert邮件有效促进了rebalancing行为。

维度7：可拓展的研究方向

长期金融能力效应：机器人的建议是否真的帮助投资者"学习"更好的投资策略？是否在取消订阅后投资者仍保留了改善的投资行为？
建议型 vs 全权委托型的直接比较：设计随机实验，直接比较同一平台上建议型和全权委托型robo-advisor对投资者行为和收益的差异影响。
个性化alert策略的优化：机器人alert的阈值和频率如何影响投资者的响应？是否存在"alert fatigue"效应？
Bear market中的行为机制：为什么投资者在bear market中更不愿意遵循机器人的rebalancing建议？这与损失厌恶、disposition effect还是信念更新偏差有关？
AI升级（如LLM集成）的影响：结合生成式AI的robo-advisor（如 EvenTov_Lourie_2025_AI_RetailInvestorBehavior 中研究的ChatGPT对散户的影响）是否能进一步改善人机交互效果？
同伴效应与采纳扩散：本文2SLS结果暗示同事采纳率影响个人采纳决策。研究同伴效应如何影响robo-advisor的扩散和使用效果是一个有价值的方向。

关键结论

建议型robo-advisor通过持续的人机交互（尤其是alert机制）有效改善了投资者的注意力、交易行为和投资收益。投资者并未将机器人视为替代品，而是积极响应机器人的建议进行rebalancing，使投资组合更接近目标配置。收益率提升（约2.6%年化）主要来自动态rebalancing行为的改变。保留投资者控制权的财务成本平均极小（0.054%年化），但在bear market期间投资者更倾向于忽略机器人建议。这些发现支持了在金融服务中推广人机互补（而非替代）模式的可能性。