Cognitive Limitations and Behavioral Biases In The Asset Pricing Context

一句话总结

将 Rational Inattention（理性不注意，Matejka & McKay 2015 的离散选择框架）与 behavioral finance（行为金融，Shefrin 2008）统一到一个两期 CRRA 资产定价模型中，使认知信息成本 $\lambda$ 与有偏先验同时进入定价方程，从而以嵌套形式涵盖标准新古典、纯有限理性和纯行为三种特例。

研究问题

新古典资产定价（Mehra & Prescott 1985）无法解释 equity premium puzzle 与 low risk-free rate puzzle。修正方向有两条互不相通的路径：(1) 有限理性派显式建模认知约束但回避偏差信念；(2) 行为派直接假设错误信念却忽略认知信息成本。本文要回答：能否用一个嵌套框架同时容纳"投资者既受信息处理能力约束、又持有偏先验"，并刻画两类摩擦在资产价格中的交互效应？

核心贡献

统一框架：在两期消费-组合选择模型中，让代表性投资者无法直接观测当前状态 $x_0$ 、持有可能有偏的先验 $P_{x_1|x_0}$ 、并以互信息为成本最优选择信号——四种参数组合（ $\lambda=0$ / $\lambda>0$ × 先验正确/有偏）分别对应新古典、有限理性、行为、统一框架。
闭式解：在 log-utility 下证明后验权重由 KL 散度刻画（Prop. 3.2–3.4），给出极限性质 $\lambda\to 0$ （信号完美）与 $\lambda\to\infty$ （信号无信息）。
交互效应识别：证明信号正确时不完全信息与过度自信效应方向相反、可相互缓解；信号错误时方向相同、偏差被放大——为同时观察到 overreaction 与 underreaction 的实证现象提供机制解释。

维度1：模型设定

基本信息

作者: Giorgi Chavchanidze
年份: 2021
类型: 硕士论文 (Master's Thesis)
机构: CERGE-EI, Charles University, Prague
关键词: Neoclassical Asset Pricing, Behavioral Asset Pricing, Rational Inattention, Cost of Information, Mental Capacity

一、研究目的与问题 (Research Purpose)

核心问题

标准新古典资产定价模型假设投资者具有完全理性(ultra-rational)：完全了解当前世界状态、对未来持有正确信念、始终最优化效用。但这些假设无法解释金融数据中的典型异象，尤其是股权溢价之谜(equity premium puzzle, Mehra & Prescott, 1985)和低无风险利率之谜(low risk-free rate puzzle)。

研究动机

两个修正新古典框架的研究流派——有限理性(bounded rationality)和行为金融(behavioral finance)——各有优势但互不相容：

有限理性方法(以理性不注意 Rational Inattention 为代表)：显式建模认知局限和信息获取成本，但不建模判断偏差
行为方法(以 Shefrin, 2008 为代表)：直接假设投资者持有错误信念和非标准偏好，但忽视认知局限的直接效应

本文目标：将两个方向统一到一个框架中，构建一个兼容有偏先验(biased priors)与不完全信息(incomplete information)的资产定价模型。

二、理论框架与研究方法 (Theoretical Framework & Methods)

模型设定

两期消费型组合选择问题：代表性投资者具有 CRRA 效用函数，面对 N 个可能的世界状态
核心假设：
1. 投资者无法直接观察当前世界状态 $x_0$ （状态不可观测性）
2. 投资者对未来状态概率拥有可能带偏的先验信念 $P_{x_1|x_0}$
3. 投资者根据 Matejka and McKay (2015) 的理性不注意离散选择框架选择信号，更新后验信念

信号选择机制

信息成本函数基于互信息(mutual information)： $c(F) = \lambda(H(G) - E_s[H(F(\cdot|s))])$
参数 $\lambda > 0$ 为信息成本系数，间接衡量投资者的心智容量(mental capacity)
最优信号策略下，观察到信号 $s_i$ （提示状态为 $x_0^i$ ）后，状态 $x_0$ 的后验概率为：
$ $P^*_{s|x_0^k}(s_i|x_0^k) = \frac{P_s(s_i)e^{V(i,x_0^k)/\lambda}}{\sum_{j=1}^N P_s(s_j)e^{V(j,x_0^k)/\lambda}}$ $

模型的灵活性（关键特性）

条件	模型归约
$\lambda = 0$ ，先验正确	标准新古典框架
$\lambda > 0$ ，先验正确	有限理性模型（内生信号和信息形式）
$\lambda = 0$ ，先验有偏	行为金融框架（标准偏好）
$\lambda > 0$ ，先验有偏	本文的统一框架

后验信念的性质（Log-utility 情形）

在对数效用下，后验信念具有特别直观的形式，权重由KL散度（相对熵）决定：
$ $\frac{e^{V(i,x_0^l)/\lambda}}{E_s[e^{V(h,x_0^l)/\lambda}]} = \frac{e^{-\frac{\beta}{\lambda}KL(P_l(\cdot)||P_i(\cdot))}}{E_s[e^{-\frac{\beta}{\lambda}KL(P_l(\cdot)||P_h(\cdot))}]}$ $

三个核心命题：

Proposition 3.2：当 $\lambda \to 0$ ，后验信念依概率收敛到真实条件分布 $P_{x_1|x_0^k}$ （信号完美可信）
Proposition 3.3：当 $\lambda \to \infty$ ，后验信念收敛到先验 $P_{x_1}$ （信号完全无信息）
Proposition 3.4：权重随 $\lambda$ 的边际变化取决于 KL 散度与效用差异的期望

最优组合的凸组合结构

在对数效用下，后验最优组合是 N 个组合的凸组合：投资者在每个可能状态 $x_0^i$ 下的最优组合，以后验概率 $\Pr(x_0^i|s_h)$ 为权重加权平均。

三、核心发现 (Key Findings)

两状态对数效用示例

设定：两个状态（好状态2和坏状态1），一个安全资产和一个风险资产，假设均匀先验、持续状态、对称条件分布。

(A) 不完全信息 + 正确先验

分四种情景分析（真实状态 x 信号实现）：

情景	效应	直觉解释
好状态 + 正确信号	更多投资安全资产（相对完全信息）	信号可能错误，投资者为此买保险 -> 风险厌恶增加
好状态 + 错误信号	更多投资安全资产	错误信号暗示坏状态，进一步增加安全资产配置
坏状态 + 正确信号	更少投资安全资产	信号可能错误，投资者对好状态更乐观 -> 风险寻求增加
坏状态 + 错误信号	更少投资安全资产	错误信号暗示好状态，更多投向风险资产

核心结论：不完全信息使投资者在好状态下更加风险厌恶，在坏状态下更加风险寻求（相对于完全信息情形）。且信号噪声 $\lambda$ 越大，偏离越严重。

(B) 不完全信息 + 过度自信 (Overconfidence)

过度自信投资者( $\tilde{p} > p$ )高估状态的持续性：好状态时过度乐观、坏状态时过度悲观
信号正确时：过度自信与不完全信息的效应方向相反，相互缓解
信号错误时：两种效应方向相同，偏差加剧

(C) 不完全信息 + 过度乐观 (Excess Optimism)

过度乐观投资者认为好状态先验概率高于实际
有偏先验导致有偏信号概率（ $P_{s_\lambda}(s_2) > \frac{1}{2}$ ），进而扭曲后验信念
先验偏差与信号概率偏差在后验信念形成时相互抵消一部分

资产定价含义

资产价格为后验信念下的折现期望回报
安全资产价格 $P_{A_s}$ 是 $\beta g(x_1^1)^{-1}$ 和 $\beta g(x_1^2)^{-1}$ 的凸组合，权重为后验概率
好状态概率越高 -> 安全资产价格越低、风险资产价格越高 -> 价格差异加大
先验偏差和信息不完全对概率的影响直接传导到价格上

四、贡献与局限 (Contributions & Limitations)

理论贡献

首次将有限理性（理性不注意）与行为偏差统一到单一资产定价框架，弥合了两个独立研究流派之间的鸿沟
模型具有嵌套结构：标准新古典、纯有限理性、纯行为模型均为特例
基于消费的公式化使模型适用范围不限于资产定价
揭示了不完全信息与行为偏差之间的交互效应（缓解 vs 加剧，取决于信号正确与否）
在对数效用下给出了后验信念的封闭形式解，权重由 KL 散度决定，具有直观的经济学解释

局限与未来方向

代表性投资者假设：未考虑异质性投资者（不同信念、偏好、信息成本），未来可扩展至异质代理人模型
两期模型：过于简化，大多数投资决策涉及更长期视角，多期扩展可能揭示信息不完全对远期态度的影响
仅聚焦对数效用：一般 CRRA 效用下的后验权重依赖风险厌恶参数 $\gamma$ ，可能产生更丰富的行为含义
代表性启发式(representativeness heuristic)：框架特别适合纳入 Bordalo et al. (2019) 的诊断预期模型
缺乏实证检验：模型为纯理论推导，未用数据校准或检验

与实验/信念研究的关联

模型中信息成本 $\lambda$ 可解释为认知资源约束，与实验中观察到的模糊厌恶(ambiguity aversion, Kahneman & Tversky, 1992) 一致
过度自信和过度乐观的建模方式可直接用于解释实验中的信念偏差
后验信念的凸组合结构为实验中信念异质性和信念更新偏差提供了理论基础

关键参考文献

Matejka, F., & McKay, A. (2015). Rational Inattention to Discrete Choices. AER, 105(1), 272-298.
Shefrin, H. (2008). Behavioral Approach To Asset Pricing. Academic Press.
Sims, C. A. (2003). Implications of Rational Inattention. JME, 50, 665-690.
Mehra, R., & Prescott, E. C. (1985). The Equity Premium: A Puzzle. JME, 15(2), 145-161.
Bordalo, P., Gennaioli, N., La Porta, R., & Shleifer, A. (2019). Diagnostic Expectations and Stock Returns. JF, 74(6), 2839-2874.
Batchuluun, A., Luo, Y., & Young, E. R. (2019). Portfolio Choice with Information-Processing Limits. AEAF, 20(1), 137-162.

标签: #asset_pricing #rational_inattention #behavioral_finance #bounded_rationality #belief_updating #overconfidence #information_cost #portfolio_choice #KL_divergence

维度2：主要结果

Prop. 3.2 (Vanishing cost limit)：当 $\lambda\to 0$ ，后验信念依概率收敛到真实条件分布 $P_{x_1|x_0^k}$ ，模型退化到完全信息基准。
Prop. 3.3 (Infinite cost limit)：当 $\lambda\to\infty$ ，后验信念退化到先验 $P_{x_1}$ ，信号完全无信息，投资者按先验定价。
Prop. 3.4：边际权重对 $\lambda$ 的导数由 KL 散度与效用差异的期望之差决定，刻画"信号有用性"与"加工成本"之间的权衡。
凸组合定理：log-utility 下后验最优组合是各状态最优组合的凸组合，权重为后验概率 $\Pr(x_0^i\mid s_h)$ ，从而把"信念-行为"映射写成显式的几何形式。
价格映射：安全资产价格 $P_{A_s}$ 是状态贴现因子的凸组合，先验偏差或信号噪声直接通过权重传导到资产价格。

维度3：数值分析与校准

论文以"两状态 + 一安全资产 + 一风险资产 + 均匀先验 + 对称转移"作为示例做纯解析比较，无数据校准。三组对照分析的关键参数化结论：

设定	安全资产持有 vs 完全信息基准	机制
不完全信息（先验正确）+ 好状态 + 正确信号	↑（更厌恶风险）	信号可能错，投资者买保险
不完全信息 + 坏状态 + 正确信号	↓（更追求风险）	信号可能错，投资者乐观看好状态
不完全信息 + overconfidence + 信号正确	两效应相反、相互缓解	高估持续性 vs 信号噪声造成的对冲
不完全信息 + overconfidence + 信号错误	两效应同向、加剧偏差	错误信号 + 先验过度自信叠加
不完全信息 + excess optimism	先验偏差与信号概率偏差部分抵消	有偏先验导致 $P_{s_\lambda}(s_2)>1/2$

未做实证校准、未对 equity premium 量化求解。

维度4：局限性

代表性投资者：无异质信念/偏好/信息成本，无法解释 trading volume 等需要异质性的现象。
两期视角：未刻画长期投资中信息不完全对预期形成与组合再平衡的累积效应。
仅 log-utility 给出闭式解：一般 CRRA 下后验权重依赖风险厌恶 $\gamma$ ，比较静态分析未展开。
无诊断预期/representativeness：框架天然适配 Bordalo et al. (2019) 但论文未实施。
纯理论无校准：未对照真实数据（return, volume, premium）做定量检验。
互信息成本函数的特殊性：Caplin & Dean (2013) 证明此类成本函数存在内在限制，未讨论替代成本函数（如 neighborhood-based）的稳健性。

维度5：与其他文献的关系

Rational Inattention 系：Caplin_Dean_2019_RationalInattention_ConsiderationSets、BoschRosa_Overprecision_IrrationalInattention 直接相关，本文借用 Matejka & McKay (2015) 的离散选择 RI 解。
Behavioral Asset Pricing：与 Barberis_PsychologyBased_AssetPricing、Barberis_2015_XCAPM_Extrapolative、AssetPricing_2022_ReturnExtrapolation 互补——后者侧重外推性预期，本文侧重信息成本下的 belief formation。
Diagnostic / Extrapolative Beliefs：Frydman_Nave_2017_ExtrapolativeBeliefs_Perceptual_Economic、Liao_Peng_2022_ExtrapolativeBubbles_TradingVolume 提供了可被本框架嵌入的偏差信念结构。
Ambiguity / Cognition：与 Heath_Tversky_1991_Competence_Ambiguity 共享"信息处理约束生成模糊厌恶"的直觉。

维度6：可拓展的研究方向

异质代理人：让 $\lambda_i$ 与先验 $P_i$ 在投资者间异质，研究均衡价格、交易量与信息溢出。
多期/动态扩展：将模型嵌入 Lucas tree 框架，分析长期 equity premium 与 risk-free rate puzzle 的定量解释力。
嵌入诊断预期：把 Bordalo–Gennaioli–Shleifer 的 representativeness kernel 作为先验偏差结构，在 RI 框架下重新求解。
实证校准：用历史 return/dividend 数据校准 $\lambda$ 与先验偏差，量化两类摩擦对 premium 的相对贡献。
替代成本函数：用 posterior-based 或 neighborhood-based cost 替换互信息，检验定性结论的稳健性。
实验验证：通过在线/实验室实验直接测量信息获取成本与信念偏差的相关性，提供模型的微观基础。

关键结论

嵌套性：通过 $(\lambda, \text{prior bias})$ 两维参数，单个模型同时涵盖新古典、有限理性、行为金融三类资产定价范式。
交互效应非单调：信息不完全与行为偏差并非独立加总，而是依赖信号实现状态产生缓解或放大——这一非线性是单纯任一支路无法捕捉的。

Chavchanidze_CognitiveLimitations_AssetPricing