Bregu_2020_Overconfidence_Overtrading_Feedback
Overconfidence and (Over)Trading: The Effect of Feedback on Trading Behavior
基本信息
- 作者: Klajdi Bregu
- 期刊: Journal of Behavioral and Experimental Economics
- 年份: 2020
- 卷期: Vol. 88, 101598
- DOI: https://doi.org/10.1016/j.socec.2020.101598
- JEL: C90, C92, G12
- 关键词: Overconfidence, Trading volume, Trading profits
一句话总结
通过三阶段实验室双向拍卖市场，证明Overestimation（过高估计自身信息准确度）才是过度交易的真正驱动力，而Overplacement（认为自己优于他人）并不影响交易行为；提供信号准确度反馈可以消除过度自信的负面影响。
研究问题
- 过度自信究竟通过哪个心理渠道（overestimation 还是 overplacement）驱动过度交易和利润下降？
- 提供关于自身和他人信号准确度的反馈，能否消除过度自信对交易行为的负面影响？
- 反馈能否在Stage III的过度自信测量中产生学习/纠正效应？
核心贡献
- 建立因果识别：通过实验性反馈处理（Own Accuracy / Full Accuracy），首次将过度自信影响交易行为的因果渠道分解为overestimation和overplacement两个维度，相较以往仅识别相关关系的研究（如 Deaves et al. 2009、Merkle 2017）有重要推进
- 机制区分：明确指出只有"对自身信息准确度的过高估计"（overestimation）会引发过度交易，而"认为自己比他人更准"（overplacement）并不影响交易决策，澄清了过度自信文献中的概念混淆
- 政策启示：提供给投资者关于自身判断准确度的客观反馈，可作为低成本干预工具来纠正过度交易行为
维度1：实验设计分析
核心研究问题
过度自信（关于自身信息准确性的过度自信）是否是过度交易和利润下降的驱动因素？反馈能否通过降低过度自信来改善交易行为？
实验结构总览
- 被试: 95人（剔除1组5人后为90人），University of Arkansas
- 分组: 5人一组，固定小组；共9场实验（8场10人，1场15人）
- 报酬: $7.50出场费 + 随机抽取Stage I/II/III中一个期间的收益，平均$13.93
- 软件: z-Tree (Fischbacher, 2007)
- 实验时长: 约90分钟
三阶段实验流程
Stage I：过度自信测量（10个付费期间）
- 计数任务（Counting Task）：被试看到一个包含100个矩形的矩阵（6种颜色），有7秒时间数出红色矩形数量，然后输入猜测值
- 7秒的设计意图：制造不确定性，时间不够数完但足以做出有根据的猜测
- 过高估计（Overestimation）测量：回答"你猜的红色矩形数量距离真实数量有多近？"，提供多个选项（Exact=$33, Within 1=$30, ..., Guaranteed=$3）
- 若被试声称自己比实际更接近真实数字 = 过高估计
- 若被试声称自己比实际更远离真实数字 = 过低估计
- Overestimation指标 = 过高估计期数 - 过低估计期数，范围[-10, +10]
- 过度配置（Overplacement）测量：回答"你组里其他4人中，有多少人比你更接近红色矩形真实数量？"（答对得$2）
- 若报告"比自己更接近的人数"低于实际 = 过度配置
- Overplacement指标 = 过度配置期数 - 低估配置期数，范围[-10, +10]
- 无反馈：Stage I结束时不提供任何关于自身表现或他人表现的反馈
Stage II：交易阶段（10个付费期间）
- 每期开始：完成与Stage I相同的计数任务（但不做自评）
- 信号生成：每位被试根据计数任务表现获得一个信号（称为"news"）
- 猜测与真实数字的差距决定信号准确度：差距<=3为95%，4-6为80%，7-9为65%，>=10为50%
- 资产真实价值为0或100 tokens（等概率），信号准确度即为信号正确反映真实价值的概率
- 双向拍卖市场（Double Auction）：
- 每人初始禀赋：3个资产 + 300 tokens
- 交易时长：120秒/期
- 交易费用：每笔交易3 tokens（买或卖均收取）
- 信号显示在交易屏幕左上角
- tokens与美元兑换比率：20 tokens = $1
- 期末反馈（所有组均有）：真实资产价值、自己的信号、期末持有资产数、期末持有tokens数、总价值折算美元
三个处理组（Between-subjects，各30人）
| 控制组 | Own Accuracy Treatment | Full Accuracy Treatment | |
|---|---|---|---|
| 信号信息 | 只看到信号 | 看到信号 + 自己的信号准确度 | 看到信号 + 自己和其他4人的信号准确度 |
| 过高估计可能 | 有 | 消除（已知自身准确度） | 消除 |
| 过度配置可能 | 有 | 有（仍可认为自己比他人更好） | 消除（已知所有人准确度） |
| 设计逻辑 | 基线：过度自信完整存在 | 消除overestimation渠道 | 消除overestimation + overplacement两个渠道 |
Stage III：第二次过度自信测量（10个付费期间）
- 与Stage I完全相同的任务和测量方法
- 目的：检验Stage II中的反馈是否影响了Stage III中的过度自信水平
- Stage I和Stage III结束时均无反馈
额外测量
- CRT（认知反射测试）：7题，来自Toplak et al. (2014)，每题正确$1
- 人口统计问卷
- 关于Stage II反馈使用情况的调查
贝叶斯期望价值计算
BEV = \frac{P(V=100 | \text{all signals}) \times 0.5}{P(V=100 | \text{all signals}) \times 0.5 + P(V=0 | \text{all signals}) \times 0.5} \times 100
- 例：4人信号准确度分别为50%、65%、80%、95%，1人准确度50%但信号指向0，则：
- BEV = \frac{0.5 \times 0.65 \times 0.80 \times 0.95 \times 0.05}{0.5 \times 0.65 \times 0.80 \times 0.95 \times 0.05 + 0.5 \times 0.35 \times 0.20 \times 0.05 \times 0.95} \times 100 = 88.14 tokens
利润计算
- 贝叶斯净利润 = BEV x 期末持有资产数 + 期末持有tokens数
- 使用BEV而非真实资产价值计算利润，以减少实现价值与预期价值差异带来的噪声
维度2：理论模型
理论框架
本文建立在以下理论基础之上：
- Odean (1998) 模型：过度自信（关于信息准确性）增加预期交易量、降低预期效用
- Gervais and Odean (2001) 模型：代理人通过过度归因成功给自身能力、归因损失给运气而变得过度自信，导致交易量增加、利润降低
- Kelley and Tetlock (2013) 模型：区分理性投资者和非理性投资者，非理性投资者因过度自信进行交易（对冲或过度自信于信息）
核心识别策略
- 因果识别逻辑：信号准确度与计数任务表现挂钩 --> 计数任务上的过度自信 = 信息准确度上的过度自信
- 处理组间差异：
- Control vs. Own Accuracy = Overestimation 的效应
- Own Accuracy vs. Full Accuracy = Overplacement 的效应
- Control vs. Full Accuracy = 总体过度自信效应
回归模型
Y_{it} = \beta_0 + \beta_1 \text{Overestimation}_i + \beta_2 \text{OAT}_i + \beta_3 \text{Overestimation}_i \times \text{OAT}_i + \beta_4 \text{FAT}_i + \beta_5 \text{Overestimation}_i \times \text{FAT}_i + \gamma X_i + \epsilon_{it}
其中 Y_{it} 为交易量或贝叶斯净利润，\text{OAT} 和 \text{FAT} 为处理组虚拟变量，X_i 为控制变量（年龄、性别、数学课程数、交易经验、CRT、信号准确度、资产价值、组固定效应）。标准误在被试层面聚类。
假设
- H1: Overestimation 在控制组中增加交易量、降低利润，该效应在Own Accuracy和Full Accuracy处理组中消失
- H2: Overplacement 在控制组中增加交易量、降低利润，该效应在Full Accuracy处理组中消失
维度3：核心发现
过度自信测量的描述性统计
| 变量 | 控制组 | Own Accuracy | Full Accuracy |
|---|---|---|---|
| Overestimation-1 | 0.10 [5.54] | -2.03 [4.63] | 0.70 [4.96] |
| Overplacement-1 | 0.77 [4.33] | 0.80 [3.63] | 0.47 [5.24] |
| Trading Volume | 4.51 [2.08] | 2.90 [1.21] | 3.84 [1.62] |
| Profits | 21.57 [9.67] | 22.07 [9.41] | 21.92 [9.02] |
| Signal Accuracy | 79% [17%] | 81% [16%] | 78% [18%] |
- 控制组和Full Accuracy组的Overestimation-1均不显著异于零（p=0.922和p=0.446）
- Own Accuracy组的Overestimation-1显著为负（p=0.023），即该组被试平均低估自身表现
- 90人中42人有正的Overestimation-1（过度自信），45人过度配置
- Own Accuracy组交易量显著低于控制组（p=0.001）和Full Accuracy组（p=0.014）
主回归结果（Table 5，OLS，N=900观测值）
交易量回归
| 变量 | 系数 | 标准误 | 显著性 |
|---|---|---|---|
| Overestimation-1 | 0.178* | [0.047] | p<0.01 |
| Overestimation-1 x OAT | -0.162 | [0.064] | p<0.05 |
| Overestimation-1 x FAT | -0.220* | [0.061] | p<0.01 |
| OAT dummy | -2.271* | [0.783] | p<0.01 |
| Overplacement-1 | 0.091 | [0.072] | n.s. |
| R-squared | 0.247 |
- Overestimation每增加1个单位，控制组交易量增加0.178个资产（p<0.01）
- 反馈处理组中交互项显著为负，表明反馈降低了过度自信者的交易量
- Overplacement对交易量无显著影响
利润回归
| 变量 | 系数 | 标准误 | 显著性 |
|---|---|---|---|
| Overestimation-1 | -0.164 | [0.088] | p<0.10 (p=0.068) |
| OAT dummy | 6.947* | [1.819] | p<0.01 |
| Signal Accuracy | 4.259 | [2.042] | p<0.05 |
| Overplacement-1 | -0.121 | [0.110] | n.s. |
| R-squared | 0.114 |
- Overestimation对利润有弱负效应（p=0.068，边际显著在10%水平）
- 过度自信者在控制组中利润更低
- Overplacement对利润无显著效应
- Signal Accuracy显著正向影响利润（系数4.259, p<0.05），是唯一对利润有统计显著影响的个人特征变量
两个主要结论
- Result 1: Overestimation增加交易量并弱化利润（在控制组中），该效应在两个反馈处理组中消失 --> H1得到支持
- Result 2: Overplacement对交易量和利润均无显著影响，在控制组与处理组间无差异 --> H2未得到支持
Effect Size 总结
- Overestimation对交易量：beta=0.178, p<0.01（控制组每增加1单位overestimation，多交易0.178个资产/期）
- Overestimation对利润：beta=-0.164, p=0.068（弱效应）
- 反馈对交易量的调节效应：交互项 -0.162 (OAT, p<0.05) 和 -0.220 (FAT, p<0.01)
- R-squared：交易量模型0.247，利润模型0.114
维度6：与其他文献的关系
主要贡献
- 建立因果渠道：首次提供实验证据表明过度自信通过信息准确度渠道影响交易行为（而非仅为相关关系）
- 区分两类过度自信的作用：Overestimation（过高估计）驱动过度交易，Overplacement（过度配置）则不影响交易行为
- 反馈作为干预工具：反馈可以通过消除过度自信来改善交易行为
与关键文献的关系
| 文献 | 关系 |
|---|---|
| Odean_Volume_Overconfidence | 理论基础：过度自信（关于信息准确性）增加预期交易量、降低预期效用。本文提供实验支持，并精细分解为overestimation渠道 |
| Deaves et al. (2009) | 直接延伸：使用相似的信心区间任务和市场结构，但Deaves等只发现相关性，本文通过操控反馈建立因果渠道 |
| Biais_1998_BeautyContest_TradingVolume | 相关实验金融研究：使用Plott and Sunder (1988)的市场结构，发现过度自信降低交易表现，本文确认此结论 |
| Gervais and Odean (2001) | 理论支持：自归因偏差模型，过度自信导致更多交易和更低利润 |
| Barber_Odean_1998_IndividualInvestors_Performance | 实证背景：前20%交易量的家庭年化收益低5.5%，归因于过度自信 |
| Barber_Odean_BoysWillBeBoys_Gender_Overconfidence | 相关实证：男性比女性更过度自信、交易更多、利润更差，与本文overestimation驱动交易的发现一致 |
| Graham et al. (2009) | 部分矛盾：发现better-than-average型过度自信导致更多交易，但本文未发现overplacement的显著效应 |
| Merkle_2021_BeliefsAboutBeta | 相关：研究投资者关于资产风险的主观信念，与本文研究投资者关于自身判断准确度的主观信念互补 |
| Holt_2009_BayesianUpdating | 方法相关：本文使用贝叶斯期望价值（BEV）作为利润基准，与该贝叶斯更新文献框架一致 |
| Anderson and Holt (1997), Hung and Plott (2001) | 市场结构参考：使用类似的球/罐信号结构 |
局限性
- 样本量较小（90人，每组30人）
- 过度自信的操控是间接的（通过反馈消除而非直接操控）
- 利润效应仅在10%水平边际显著
- 实验室市场的外部有效性问题
未来研究方向
- 寻找直接操控过度自信的方法
- 建立过度自信与交易行为之间更强的因果链
维度4：变量概览
关键自变量
- Overestimation-1：Stage I中过高估计期数减去过低估计期数，范围[-10, +10]，衡量对自身信息/判断准确度的过高估计
- Overplacement-1：Stage I中过度配置期数减去低估配置期数，范围[-10, +10]，衡量对自己相对他人表现的过高估计
- Overestimation-2 / Overplacement-2：Stage III中相同测量，用于检验反馈的学习效应
- OAT (Own Accuracy Treatment)：处理虚拟变量，被试在Stage II中知道自身信号准确度
- FAT (Full Accuracy Treatment)：处理虚拟变量，被试在Stage II中知道自己和组内所有人的信号准确度
- Signal Accuracy：每期实际信号准确度（50%、65%、80%、95%）
关键因变量
- Trading Volume：每期被试的交易笔数（每个资产买或卖均计1）
- Bayesian Net Profits：BEV x 期末持有资产数 + 期末持有tokens数，使用贝叶斯期望价值代替真实价值以减少噪声
控制变量
年龄、性别、所修数学课程数量、交易经验、CRT得分、信号准确度、资产真实价值、组固定效应
维度5：局限性
- 样本规模较小：90人共9场实验，每个处理组仅30人，统计功效有限
- 学生样本：被试均为University of Arkansas学生，与真实投资者在风险偏好、交易经验上存在差异，外部有效性受限
- 过度自信操控为间接的：通过反馈"消除"过度自信，而非直接外生注入或诱导过度自信，无法分离反馈本身的信息效应与去偏效应
- 利润效应仅边际显著（p=0.068）：与交易量效应相比，利润效应的统计强度较弱
- Overplacement的零结果可能源于测量问题：Stage I没有反馈，被试可能无法形成稳定的相对排名信念；与Graham et al. (2009)、Merkle (2017)的实证发现存在张力
- Stage III未发现显著学习效应：反馈未能持久改变过度自信水平，提示去偏效果可能仅在反馈呈现时段有效
- 市场结构简化：仅5人小组、120秒/期、单一资产价值结构（0或100），与真实金融市场的复杂性差距较大
维度7：可拓展的研究方向
- 直接外生操控过度自信：例如通过虚假反馈、自我肯定干预、或利用 Gervais and Odean (2001) 自归因机制设计学习历史，建立更强的因果链
- 持久性研究：检验反馈干预效应的衰减曲线，例如延迟测量过度自信和交易行为
- 异质性分析：性别、CRT、交易经验等如何调节过度自信对交易的影响（本文样本量不足以严格检验）
- 结合自然实验：与 Huang et al. (2021) "Does good luck make people overconfident?" 类似，利用真实市场中的运气冲击来检验自归因偏差
- 拓展到动态市场：在多期、可学习信号准确度的环境中，检验贝叶斯学习与过度自信的张力
- 跨情境推广：从资产市场扩展到劳动力市场（投简历）、信贷市场、保险市场中的过度自信效应
- 神经经济学方法：结合 Kang and Camerer 等脑成像研究，探索 overestimation 与 overplacement 的神经基础差异
标签
#overconfidence #overtrading #feedback #experimental_economics #asset_markets #double_auction #overestimation #overplacement #信息准确度 #实验金融
关键结论
- 过度自信驱动过度交易的真正心理渠道是overestimation（对自身信息准确度的过高估计），而非overplacement（认为自己优于他人）：在控制组，overestimation每增加1个单位，交易量增加0.178笔/期（p<0.01），且利润边际下降（p=0.068）；overplacement对两个结果均无显著影响
- 针对性反馈可有效消除过度自信的交易扭曲：提供自身信号准确度的反馈（OAT）使overestimation对交易量的效应下降0.162（p<0.05），完整反馈（FAT）使其下降0.220（p<0.01），印证反馈作为"去偏"工具的政策价值
- 反馈的去偏效应是即时的而非习得性的：Stage III中，被试的过度自信水平没有相对Stage I显著降低，说明反馈在交易决策时段提供"外部信息支撑"，但未能使被试形成持久的自我校准能力
- 方法论贡献：通过外生反馈处理建立了过度自信与交易行为间的因果链，超越以往仅识别相关关系的文献（如 Deaves et al. 2009）
🔗 链接到这篇笔记
- Adaptive_2010_Adaptive_Behavior_Leads_Under
- Barber_Odean_1998_IndividualInvestors_Performance
- Barber_Odean_BoysWillBeBoys_Gender_Overconfidence
- BoschRosa_Overprecision_IrrationalInattention
- Camerer_1999_Overconfidence_ExcessEntry
- Daniel_Hirshleifer_2015_Overconfident_Returns_Trading
- Durand_2013_Overconfidence_Overreaction_Personality
- Garcia_2013_FinancialEducation_BehavioralFinance
- Glaser_2009_PastReturns_TradingVolume
- Hoffmann_2010_BehavioralPortfolio_IndividualInvestors
- K_2025_AITradingTools_CognitiveBiases
- Malmendier_Tate_Overconfidence_EarlyLife
- Michailova_2016_Overconfidence_Bubbles
- Odean_Volume_Overconfidence
- Yin_Li_2019_Overconfidence_Cooperation