Cordes_2021_VisualShapeScore_Beliefs
The Visual Shape Score: On its predictability in the lab, the aggregated stock market, and the cross-section of stock returns
基本信息
- 作者: Henning Cordes, Hannes Mohrschladt, Sven Nolte, Judith C. Schneider
- 年份: 2021 (September 20, 2021)
- 期刊/来源: SSRN Working Paper (No. 3927479)
- 机构: University of Munster; Radboud University; Leibniz University Hannover
- JEL: G4, G12
- 关键词: Price paths, return expectations, cross-section of stocks
一句话总结
提出 Visual Shape Score (VSS)——基于价格路径凸性/凹性的几何度量，证明它能在 (1) MTurk 实验室（500 名被试评估 4,000 张真实 CRSP 价格图、激励相容支付）解释回报预期/吸引力/投资比例；(2) AAII 与 Investors Intelligence 投资者情绪调查（时序）；(3) 1972-2018 美国股票横截面（最高–最低 VSS 十分位价差 1.03%/月，alpha 在 FF3/5、Carhart、DHS、q5、BS6 各因子模型下均为 0.87%–1.57%）三个层级中均显著预测信念与回报，且其效应独立于 extrapolation (ES)、CPT (TK)、salience (ST)、lottery (MAX) 等已知行为因子。
研究问题
- 价格路径的"形状"（凸 vs. 凹）能否单独驱动投资者的信念形成与决策？
- 这一视觉效应能否被一个简单、可移植的量化指标捕捉，并在外推、CPT、salience 等已知偏差之外提供独立解释力？
- 实验室发现能否扩展到 (a) 真实投资者情绪调查；(b) 美国横截面股票回报的可预测性？
核心贡献
- 新指标：构造 VSS = H+ / (H+ + H−)，把"连接首末点直线分割图表所形成的两块面积比"作为视觉吸引力代理，并证明 VSS 能同时捕捉 bottom-up salience、top-down emotion、visual pattern recognition、simplification by visualization 四个心理学维度。
- 三层证据 (lab-to-field-to-cross-section)：
- 实验室：4,000 obs OLS 回归显示 VSS↓1 SD → 投资意愿提升约 6.6% SD、吸引力提升约 12.2% SD；控制 ES/TK/ST/MAX 后稳健。
- 调查情绪：VSS 显著负向预测 AAII bull-bear spread（t=-3.05 控制后）、Investors Intelligence 顾问情绪（t=-6.42 控制后）。
- 横截面：1.23M 股票-月观测，Fama-MacBeth 控制全部行为因子后 VSS 系数 0.39（t=3.02），最高–最低十分位月度价差 1.03%（t=5.43）。
- 机制识别（H+ vs. H− 分解）：凹性区域（H+，"丑陋部分"）的负面影响显著主导，符合 loss aversion 直觉。
- 方法贡献：用 CRSP 真实价格 + 分层抽样设计实验刺激，避免人造路径的生态失真，并以 2018 年真实回报作为激励相容支付。
维度1：实验设计分析
核心研究问题
价格路径的可视化形状（凸性/凹性）是否系统性地影响投资者的回报预期、股票吸引力评价和投资决策？作者提出一个新的度量指标——视觉形状得分（Visual Shape Score, VSS），捕捉价格路径可视化对投资者行为、信念和金融市场结果的影响。
实验任务详细流程
被试招募
- 平台: Amazon Mechanical Turk (MTurk)
- 人数: 500人
- 被试特征: 相较美国总体人口，教育水平和就业率更高；中位年龄30岁（vs 美国人口37.2岁）；女性占比32.2%；大学及以上学历64.2%+12.2%=76.4%
实验结构（三部分）
- 简介与教程: 确保被试理解实验任务
- 主要任务: 每位被试查看并评估8张不同的1年期价格走势图
- 最终问卷: 人口统计学信息、风险态度、一般决策特征
价格走势图的选取与分配
- 数据来源: CRSP (Center for Research in Security Prices) 2017年的真实股票价格数据
- 预选1,000张价格走势图，经过股票拆分和分红调整
- 选取标准: 在全部CRSP中筛选2017和2018年有完整日收益数据的股票
- 分层抽样设计: 先按2017年总回报排序，再按凸性排序，形成10x10=100个类别，每个类别随机选10条价格路径
- 每张价格图由4位被试评估 => 总共4,000个观测值
每张价格图的三个决策任务
- 吸引力评价: 被试对股票的吸引力进行评级，使用1（非常不吸引人）到10（非常吸引人）的Likert量表
- 回报预期: 被试预测未来12个月的回报率（范围：-100%到+100%），使用滑动条选择
- 投资决策: 被试决定将初始禀赋1,000货币单位中多少比例投资于该股票（0%到100%），使用滑动条
滑动条设计（防止锚定效应）
- 无预设滑动条位置
- 被试必须先点击滑动条上的任意位置来激活，然后才能自由调整
支付机制（激励相容）
- 固定报酬: $2.00
- 可变报酬: 平均$0.94，取决于投资决策表现
- 投资部分的收益率等于该股票2018年的真实CRSP回报
- 未投资部分存入虚拟银行账户（安全资产）
- 每1货币单位最终财富 = $0.001的真实货币
- 仅随机选取8个投资决策中的1个用于实际支付
- 实验耗时: 平均12分钟（95%被试在5-30分钟之间）
VSS的构建方法
核心思想: 连接价格路径起点和终点的直线将图表分为上方区域（H+，代表下行潜力/不吸引人）和下方区域（H-，代表上行潜力/吸引人）
公式:
- 比例累积回报线: \hat{x}_t = t \cdot (\prod_{i=1}^{T}(1+r_i) - 1) / T
- H+ = 所有 x_t \geq \hat{x}_t 时的正差值之和
- H- = 所有 x_t < \hat{x}_t 时的负差值之和
- VSS = H+ / (H+ + H-), 归一化到 [0, 1]
- VSS越接近0 => 价格路径越凸（更有吸引力）
- VSS越接近1 => 价格路径越凹（不吸引人）
- TVA = H+ + H-（总视觉面积，衡量价格路径的分散程度）
VSS捕捉的四个视觉维度
- 自下而上的视觉显著性 (Bottom-up visual salience): 投资者自动、快速关注图表中最显著的部分（Bose et al., 2020）
- 自上而下的情绪效应 (Top-down effects): 价格走势引发希望、恐惧等情绪（Cohn et al., 2015）
- 视觉模式识别 (Visual pattern recognition): 趋势等模式的快速识别（Grosshans and Zeisberger, 2018; Nolte and Schneider, 2018）
- 可视化简化效应 (Simplification due to visualisation): 通过可视化降低信息复杂性（Glaser et al., 2007; Bazley et al., 2021）
维度2：理论模型
核心假说
- H1: 被试对低VSS股票（凸形价格路径）预测更高的未来回报
- H2: 被试认为低VSS股票更具吸引力
- H3: 被试对低VSS股票投资更多
理论基础
视觉注意力与吸引力假说: VSS捕捉投资者对价格路径的视觉注意力和视觉吸引力。凸形路径暗示更大的上行潜力（因为实际价格在趋势线下方"追赶"），凹形路径暗示更大的下行潜力。
与现有理论的关联:
- 外推偏差 (Extrapolation bias): VSS超越了简单的回报外推。作者使用外推得分ES（Da et al., 2021）作为控制变量，采用几何衰减加权过去回报（日衰减参数0.9）
- 累积前景理论 (CPT): TK值（Barberis et al., 2016），使用S形价值函数（alpha=0.88, 损失厌恶系数lambda=2.25）和概率加权函数（gamma=0.61, delta=0.69）
- 显著性理论 (Salience Theory): ST值（Cosemans and Frehen, 2021），参数theta=0.1, delta=0.7
- 彩票偏好 (Lottery preferences): MAX指标（Bali et al., 2011），即过去一年的最大日回报
- 损失厌恶: H+和H-的分解分析显示凹性区域（"不吸引人的部分"）的影响大于凸性区域（"吸引人的部分"），与损失厌恶一致
实证方法
实验部分: OLS回归，以回报预期/吸引力/投资为因变量，VSS为核心自变量，控制均值回报、标准差、偏度、TVA，以及ES、TK、ST、MAX。聚类稳健标准误（按被试层面聚类）。
实地数据部分:
- 调查数据时序回归: 用VSS预测AAII投资者情绪调查和Investors Intelligence顾问情绪的牛熊价差。Newey-West标准误（6滞后期）
- 横截面股票回报: 基于VSS的十分位组合排序；Fama-MacBeth回归，控制beta、size、BM、OP、INV、MOM、ltREV、ILLIQ、IVOL、REV、TK、ST、MAX、ES
维度3：核心发现
实验结果：中位数分割
| 指标 | 低VSS（凸形） | 高VSS（凹形） | 差异 | 显著性 |
|---|---|---|---|---|
| 回报预期 (%) | 17.72 | 15.23 | 2.49 | *** (p=0.01) |
| 吸引力评分 [1-10] | 6.14 | 5.96 | 0.18 | ** (p=0.02) |
| 投资比例 (%) | 40.48 | 39.04 | 1.44 | * (p=0.08) |
实验结果：回归分析（Table 3, 基准模型）
| 因变量 | VSS系数 | 标准误 | 显著性 | 标准化Beta |
|---|---|---|---|---|
| 回报预期 | -8.685 | 1.455 | *** | -9.8% |
| 吸引力 | -0.870 | 0.112 | *** | -12.2% |
| 投资比例 | -5.535 | 1.408 | *** | -6.6% |
- 经济含义: VSS增加一个标准差，投资减少6.6%个标准差，吸引力减少12.2%个标准差
- R-squared: 回报预期 0.121, 吸引力 0.228, 投资 0.095
- 控制ES、TK、ST、MAX后，VSS系数稳健（Table 4, Model 3/6/9: VSS对回报预期-7.133***, 吸引力-0.731***, 投资-4.583***）
H+与H-分解（Table 6）
- H+（上方面积/不吸引人的凹性区域）对三个因变量均有显著负效应
- H-（下方面积/吸引人的凸性区域）对三个因变量有显著正效应
- 当同时纳入H+和H-时，凹性区域的负面效应主导，与损失厌恶一致
实地数据：调查预期（Table 7）
- AAII投资者情绪: VSS系数 -0.1187 (t=-5.40)，控制RET和ES后仍显著 -0.0636 (t=-3.05)
- Investors Intelligence顾问情绪: VSS系数 -0.1750 (t=-7.75)，控制全部变量后 -0.1387 (t=-6.42)
- VSS与ES的相关性为-0.37，但VSS在控制ES后仍保持显著
实地数据：横截面股票回报（Table 9, 1972-2018）
- 最高与最低VSS十分位的月度回报差: 1.03%/月 (t=5.43)
- 各因子模型调整后的alpha差:
- FF三因子: 0.96% (t=5.11)
- FF-Carhart+反转: 0.87% (t=5.14)
- FF五因子: 0.98% (t=4.62)
- DHS行为因子: 1.57% (t=7.53)
- q因子: 1.06% (t=4.54)
- q5因子: 1.14% (t=4.36)
- BS六因子: 0.98% (t=4.51)
Fama-MacBeth回归（Table 10）
- 基准模型VSS系数: 0.7127 (t=3.90)
- 控制所有变量（含ES、TK、ST、MAX）后: 0.3903 (t=3.02)，仍然高度显著
- 样本: 1,235,507个股票-月观测值（1972年7月至2018年12月）
维度6：与其他文献的关系
所属研究领域
行为金融学 / 实验金融学 / 资产定价
本文核心贡献
- 提出VSS作为一个简单、高度可移植的度量指标，统一捕捉价格路径可视化的四个影响维度
- 实验证据表明VSS超越了外推偏差（ES）、累积前景理论（TK）、显著性理论（ST）和彩票偏好（MAX）
- 将实验室发现成功转移到实际市场数据：调查预期和横截面股票回报
与关键文献的关系
| 文献 | 关系 |
|---|---|
| Bose et al. (2020) | 使用同一调查数据的关联论文；提出视觉显著性的机器学习方法；VSS是其凸性得分的变体 |
| Nolte & Schneider (2018) | 价格路径特征影响投资行为的先驱工作；VSS扩展了其发现 |
| Grosshans & Zeisberger (2018) | 回报实现路径影响投资；VSS捕捉类似的视觉模式效应 |
| Da et al. (2021) | 外推得分ES的提出者；VSS在控制ES后仍显著 |
| Barberis et al. (2016) | CPT与股票回报；TK值作为VSS的控制变量 |
| Cosemans & Frehen (2021) | 显著性理论与资产定价；ST值作为VSS的控制变量 |
| Bali et al. (2011) | MAX（最大日回报）与横截面回报；作为VSS的控制变量 |
| Cohn et al. (2015) | 价格走势引发情绪影响投资；VSS捕捉此类情绪效应 |
| Cassella & Gulen (2018) | 外推偏差与可预测性；VSS超越外推效应 |
| Bazley et al. (2021) | 可视化颜色（红色）对投资者行为的影响；VSS关注形状维度 |
| Greenwood & Shleifer (2014) | 回报预期与预期回报；调查数据分析的方法论基础 |
方法论特色
- Lab-to-field设计: 实验室 => 调查数据 => 横截面资产定价，三层递进验证
- 真实股票数据生成实验刺激（CRSP 2017年数据）
- 激励相容设计（真实2018年回报决定支付）
- 分层抽样确保回报水平和凸性的异质性
局限性
- MTurk样本偏向年轻、高教育水平群体
- PDF文件部分截断，可能遗漏在线附录中的稳健性检验细节
- VSS与短期反转（REV, 相关性-0.38）和外推得分（ES, 相关性-0.37）存在一定相关性
维度4：变量概览
| 类型 | 变量 | 定义/单位 | 数据来源 |
|---|---|---|---|
| 核心自变量 | Visual Shape Score (VSS) | H+ / (H+ + H−)；0=完全凸、1=完全凹 | 由价格路径几何计算 |
| 辅助自变量 | TVA | H+ + H−；总视觉面积，刻画路径分散度 | 几何计算 |
| 实验因变量 | 回报预期 | 未来 12 个月预期回报，−100% 到 +100% 滑动条 | MTurk 实验 |
| 实验因变量 | 吸引力评分 | 1–10 Likert 量表 | MTurk 实验 |
| 实验因变量 | 投资比例 | 1,000 货币单位中投资股票的比例 0–100% | MTurk 实验 |
| 实地因变量 | AAII bull-bear spread | 周度个人投资者情绪 | AAII Investor Sentiment Survey |
| 实地因变量 | Investors Intelligence 牛熊价差 | 周度顾问情绪 | Investors Intelligence |
| 实地因变量 | 月度股票回报 | t+1 月超额回报 | CRSP |
| 控制：行为因子 | ES (Extrapolation Score) | Da et al. (2021)，几何衰减 0.9 | 计算 |
| 控制：行为因子 | TK (CPT value) | Barberis et al. (2016)，α=0.88, λ=2.25, γ=0.61, δ=0.69 | 计算 |
| 控制：行为因子 | ST (Salience Theory value) | Cosemans-Frehen (2021)，θ=0.1, δ=0.7 | 计算 |
| 控制：行为因子 | MAX | 过去年份最大日回报 | CRSP |
| 控制：传统因子 | β, size (ME), BM, OP, INV, MOM, ltREV, ILLIQ, IVOL, REV | Fama-French / Carhart / Amihud / IVOL | CRSP/Compustat |
| 控制：路径统计量 | mean return, σ, skewness | 1 年期日度收益统计量 | 几何计算 |
| 协变量 | 风险态度、人口学（年龄、性别、学历、就业） | 实验后问卷 | MTurk |
| 样本规模 | MTurk | 500 人 × 8 张图 = 4,000 obs | — |
| 样本规模 | 横截面 | 1,235,507 股票-月（1972/07–2018/12） | CRSP |
维度5：局限性
- MTurk 样本偏年轻、高教育：中位年龄 30 岁、76.4% 大学及以上学历、女性 32.2%——与真实零售投资者结构有差异，更与机构投资者无关。
- 静态截面图刺激：被试只看 1 年期完整价格图，缺乏真实投资环境中的逐日动态、新闻、订单簿等信息——可能高估视觉形状的边际作用。
- VSS 与已有因子相关性中等：与 ES 相关 −0.37、与 REV 相关 −0.38——虽然控制后系数仍显著，但部分共变可能反映共同的潜在心理过程（如 representativeness）。
- 没有直接的注意力/眼动测量：VSS 假设的"视觉显著性"机制是推断而非直接测量，未来需眼动追踪/fMRI 验证。
- 未刻画异质性：缺少投资者经验/金融素养/情绪状态对 VSS 反应强度的调节分析。
- 反向因果担忧（横截面）：高 VSS 股票横截面预测正回报，可能是 mispricing 校正（凹形被低估），也可能是某种风险溢价——论文以多因子模型剔除已知风险但 unobserved risk 仍可能存在。
- 激励相容但短期：12 分钟实验 + 单年 holding period，无法刻画长期 portfolio rebalancing。
- VSS 的归一化处理：使用线性 baseline（首末点直线）忽略复利效应；论文用对数化但未充分讨论替代基准（如指数趋势线、Bezier 拟合）。
维度7：可拓展的研究方向
- 眼动 + EEG 验证机制：在被试看图时记录注视点与早期视觉皮层反应，验证 VSS 是否真正经由 bottom-up salience 通道。
- VSS 的动态版本：把指标推广到不同窗口（1 个月、3 个月、5 年），检验形状效应的时间敏感性与 horizon effect。
- 跨资产类别：把 VSS 应用于加密货币、大宗商品、ETF、共同基金 NAV 走势，检验其在更高散户参与度市场的解释力。
- 机器学习对比：用 CNN 直接从价格图像中学习"吸引力"嵌入向量，与 VSS 做基准比较，量化 VSS 解释了多少视觉信息。
- 真实交易数据：用券商订单流（如 Robinhood/Webull/IBKR 数据）回归 VSS 对个体交易倾向的影响，避开实验室外推问题。
- 政策/披露干预：测试不同图表呈现方式（线图 vs. 蜡烛图 vs. 高低柱）是否能减弱 VSS 偏差，为投资者保护与基金披露规则提供依据。
- 嵌入资产定价模型：把 VSS 作为 sentiment factor 加入 q-factor / DHS 模型，重新评估其作为 priced risk 还是 mispricing 的统计与经济属性。
- 跨文化对比：在亚洲市场（韩国、中国、日本）重复实验，检验视觉文化（如 K 线图主导）是否调节 VSS 效应。
- 整合到 Grosshans_Zeisberger_2025_InvestorBeliefs_TradingActions 路径效应文献：建立"路径形状-信念-交易"完整链条的统一理论模型。
- 心理机制深化：与 Frydman_Nave_2017_ExtrapolativeBeliefs_Perceptual_Economic 联动，区分"perceptual extrapolation"与"shape-based affect"两条独立通道。
维度6（与其他文献的关系）补充双链
- 价格路径与信念形成：Grosshans_2018_AllsWell_ReturnsAchieved、Grosshans_Zeisberger_2025_InvestorBeliefs_TradingActions 是直接前驱与后续。
- 外推预期：AssetPricing_2022_ReturnExtrapolation、Barberis_2015_XCAPM_Extrapolative、Liao_Peng_2022_ExtrapolativeBubbles_TradingVolume、Frydman_Nave_2017_ExtrapolativeBeliefs_Perceptual_Economic——VSS 在控制 ES 后仍显著，与这些工作互补。
- Behavioral asset pricing 框架：Barberis_PsychologyBased_AssetPricing、Daniel_Hirshleifer_2015_Overconfident_Returns_Trading、Gennaioli_Shleifer_2018_CrisisOfBeliefs——本文的 H+/H− 分解与 loss aversion 主导效应可纳入这些框架的实证检验集。
Tags
#visual_finance #price_paths #belief_formation #return_expectations #investment_behavior #extrapolation #behavioral_asset_pricing #experiment #survey #cross_section #MTurk
关键结论
- 形状即信念：价格路径的几何形状（凸/凹）独立于均值、波动率、偏度、外推、前景理论、显著性、彩票偏好，对投资者回报预期、吸引力评价与投资比例三类信念-决策变量产生显著且经济意义重大的影响——VSS 是一个简单、可移植、跨被试-跨样本-跨频率稳健的视觉信念代理。
- 从实验室到资产价格的可预测性：VSS 在 1972–2018 美股横截面中可预测每月约 1% 的回报差异，且 alpha 在 6 大主流因子模型下均显著为正——证明视觉形状偏差不仅在实验室出现，还在真实市场中持续创造可预测的 mispricing 模式，对实务投资策略与因子研究具有直接含义。