Dong (2014) - Portfolio Choice under Ambiguity

完整引用: Dong, M. (2014). Portfolio Choice under Ambiguity. PhD Thesis, University of York.
类型: 博士论文 (实验经济学 + 理论)
关键词: #portfolio_choice #ambiguity #MEU #alpha_MEU #expected_utility #risk_aversion #experimental_economics #belief_elicitation #Knightian_uncertainty

一句话总结

通过 77 名被试 × 65 题的 Bingo Blower 模糊投资组合实验，结构估计 EU、MV、MEU、α-MEU、Safety-First 五种偏好理论，发现约三分之一被试表现出显著模糊厌恶 (multiple priors)，并为有界分配问题首次开发了 Biased Beta / Biased Beta Binomial 误差规范。

研究问题

1. 在带模糊性的投资组合实验中，哪种偏好理论最能刻画实际选择行为？——EU、Mean-Variance、MEU、α-MEU、Safety-First 启发式之间的实证比较
2. 被试在面对 Knightian 不确定性时如何形成主观信念？信念是否接近真实概率？是否存在系统性的"概率下界缺口" (1 − Σ\underline{p} > 0)？
3. 如何为有界离散投资分配问题构建合适的随机误差模型？传统 tremble / Beta-uniform 模型在边界 (corner) 处方差为 0 是否需要修正？
4. 被试是否使用启发式决策规则（如 Safety-First），其拟合优度与公理化偏好相比如何？

核心贡献

1. 首次系统比较 5 种偏好理论：在统一实验平台 + 统一误差结构下做 EU vs MV vs MEU vs α-MEU vs SF 的逐被试结构估计
2. Biased Beta / Biased Beta Binomial 误差模型：为有界分配问题量身定制连续 + 离散两类共 8 种误差规范，引入偏差参数 b 解决边界方差为零的根本问题
3. MEU 最优配置算法 (Algorithm 3)：将分配三角形解析地分割为 7 个子区域，规避标准数值优化在 kink 处失效的难题
4. 识别 Safety-First 启发式：从被试问卷中提炼出"先保底再追高"两步规则，并将其形式化为可估计模型
5. 实证发现 ~1/3 被试有显著模糊偏好：MEU 概率下界之和 < 1（0.88, α-MEU 为 0.77），定量刻画 Knightian 模糊感知的程度
6. Bingo Blower + Allocation Triangle 实验范式：将物理可视的模糊源 (10 粉 + 20 绿 + 10 蓝球) 与几何化界面结合，提供透明且激励兼容的模糊性实验设计

维度1：实验设计分析

实验设计

• 被试: 77名被试，在EXEC实验室进行
• 任务: 每位被试面对65个投资组合选择问题（portfolio choice problems），每题中给定不同的收益表（Payoff Table）
• 资产结构: 三种资产——一个安全资产（现金，相对回报率为0）和两个模糊资产（ambiguous assets），回报取决于三个状态（Pink, Green, Blue）
• 禀赋: 每题100单位实验货币，被试在安全资产和两个模糊资产间分配
• 约束: 禁止卖空（No-short-selling constraints），即 c_1 \geq 0, c_2 \geq 0, c_1 + c_2 \leq e
• 模糊性实现: 使用Bingo Blower（宾果吹风机），其中放置不同颜色球（10粉色、20绿色、10蓝色），被试可以看到但无法精确计数，真实概率为 p = [0.25, 0.5, 0.25]
• 界面: 使用Allocation Triangle（分配三角形）作为主要交互界面，被试通过鼠标点击选择投资组合，实时显示Portfolio Payoff
• 时间限制: 每题最少30秒，最多120秒
• 支付: 实验结束后随机抽取一题，根据被试选择的组合和随机弹出的球的颜色计算收益，汇率为12单位实验货币=1英镑，另加2.50英镑出场费，平均支付约13英镑

估计方法

• 最大似然估计（MLE）: 对每个被试分别估计偏好参数
• 误差设定: 开发了多种随机误差规范：
  • 连续型: Biased Beta (BB) 分布——在最优配置附近以有偏Beta分布建模
  • 离散型: Biased Beta Binomial (BBB) 分布——以Beta-Binomial分布建模整数配置
  • 其他变体：Two Beta, Beta Exponential等
• 模型比较:
  • 嵌套模型用似然比检验（LRT）
  • 非嵌套模型用Clarke检验
• 网格搜索法: 对5151种可能的整数投资组合逐一计算效用，找最优配置

实验问题设计策略

• 排除"Sure-Win"收益表（避免某种组合无论状态如何都能获利）
• 设计"Least-Payoff"收益表（31个），确保某一状态始终为最低收益，以便识别被试的概率下界信念
• 收益表覆盖不同均值和方差组合，以区分不同风险态度的被试

维度2：理论模型

2.1 期望效用（EU）框架

被试的投资组合收益向量:
$\mathbf{W} = \mathbf{C}\mathbf{D} + e$
其中 \mathbf{C} = [c_1, c_2] 为配置向量，\mathbf{D} 为 2 \times 3 的相对收益表，e 为禀赋。

EU目标函数:
$U = \sum_{j \in \{1,2,3\}} p_j u(w_j)$

2.2 CARA效用函数

其中 r > 0 为绝对风险厌恶系数，ARA(w) = r（常数）。

无约束最优配置（CARA）:
$\begin{bmatrix} c_1 \\ c_2 \end{bmatrix} = -\frac{1}{r} \begin{bmatrix} d_{12} - d_{11} & d_{22} - d_{21} \\ d_{13} - d_{11} & d_{23} - d_{21} \end{bmatrix}^{-1} \ln \begin{bmatrix} x \\ y \end{bmatrix} \quad \text{(Eq. 1.22)}$

2.3 CRRA效用函数

其中 r 为相对风险厌恶系数，RRA(w) = r（常数）。

2.4 均值-方差（MV）偏好

无约束最优配置:
$\mathbf{C}^* = \frac{1}{r}(\boldsymbol{\Omega}^{-1}\boldsymbol{\mu})' \quad \text{(Eq. 1.30)}$

2.5 Maxmin期望效用（MEU）

被试信念用概率下界刻画: p_j \geq \underline{p}_j，三个角概率向量 \mathbf{P}_1, \mathbf{P}_2, \mathbf{P}_3 定义为:
$\begin{cases} \mathbf{P}_1 = [1 - \underline{p}_2 - \underline{p}_3, \underline{p}_2, \underline{p}_3]' \\ \mathbf{P}_2 = [\underline{p}_1, 1 - \underline{p}_1 - \underline{p}_3, \underline{p}_3]' \\ \mathbf{P}_3 = [\underline{p}_1, \underline{p}_2, 1 - \underline{p}_1 - \underline{p}_2]' \end{cases} \quad \text{(Eq. 1.35)}$

关键结论: 对任意配置，最小期望效用在角概率处取到:
$\min_{P \in \mathbb{P}} \left\{ \sum p_j u(w_j) \right\} = U(\mathbf{P}_j, \mathbf{W}) \quad \text{s.t. } w_j = \min\{\mathbf{W}\} \quad \text{(Eq. 1.36)}$

2.6 \alpha-Maxmin期望效用（\alpha-MEU）

其中 \alpha = 1 退化为MEU（极端模糊厌恶），\alpha = 0 为模糊偏好。

2.7 Safety-First（SF）启发式规则

先确保所有状态下收益不低于阈值 \underline{w}，再最大化绿色状态（最可能状态）的收益。

2.8 Biased Beta误差模型

其中偏差最优配置（biased optimal allocation）:
$x' = \frac{b}{2} + (1-b)x^* \quad \text{(Eq. 2.13)}$

参数化:
$\begin{cases} \alpha = x'(s-1) \\ \beta = (1-x')(s-1) \end{cases} \quad \text{(Eq. 2.15)}$

s > 1 为精度参数（precision），0 < b < 1 为偏差参数（bias）。

维度3：核心发现

3.1 偏好理论比较

• MEU和\alpha-MEU优于EU: 在5%显著性水平下，约27%的被试（21人）MEU显著优于EU（BBB规范），32%的被试（23人）在MEU或\alpha-MEU中表现更优
• 在1%显著性水平下，约26%的被试（20人）被模糊偏好理论（MEU+\alpha-MEU）显著更好地解释
• EU和MEU显著优于MV: Clarke检验显示EU优于MV的被试占42%，MEU优于MV的占49%
• EU、MEU、\alpha-MEU优于SF: 分别有55%、56%、58%的被试被这些理论更好拟合

3.2 被试信念估计

• 被试对概率的估计平均来看相当准确:
  • EU（BBB）估计: Pink=0.29, Green=0.52, Blue=0.19（真实值0.25, 0.50, 0.25）
  • MV（BB）估计: Pink=0.26, Green=0.50, Blue=0.24（最接近真实值）
• MEU和\alpha-MEU的概率下界之和小于1（分别为0.88和0.77），表明被试确实存在模糊性感知
• 被试间信念存在较大异质性

3.3 行为启发式

• 问卷显示许多被试报告使用两步启发式：(1) 先确保每种状态下收益不低于某阈值；(2) 再最大化绿色状态（最可能状态）的收益
• 这一行为模式被形式化为Safety-First（SF）规则
• SF虽然参数最少（仅1个），但拟合效果不如EU/MEU等理论

3.4 误差模型贡献

• 提出了针对有界分配问题的Biased Beta和Biased Beta Binomial误差规范
• 在边界处（x^* = 0 或 x^* = 1）的分布需特殊处理，引入偏差参数 b 解决了边界方差为零的问题
• 证明边界处被试选择边界值的频率确实很高

3.5 算法贡献

• 开发了Algorithm 3（结合解析与数值方法的MEU最优配置算法），比纯数值方法（Algorithm 2）更高效可靠
• 纯数值方法在目标函数的"扭折点"（kink）处容易失败，而Algorithm 3通过解析地识别分配三角形的7个子区域来规避这一问题

维度6：与其他文献的关系

理论基础

• 期望效用理论: von Neumann-Morgenstern
• Maxmin期望效用: Gilboa & Schmeidler (1989)
• \alpha-MEU: Ghirardato et al. (2004)
• 均值-方差偏好: Markowitz (1952), 现代投资组合理论
• CAPM+\epsilon模型: Bossaerts et al. (2007)——在实验中发现CAPM在市场层面有效但个体层面的MPC不成立

实验经济学文献

• 投资组合实验: Kroll et al. (1998)——发现MPC在实验室中表现不佳
• 误差模型: Harless & Camerer (1994)的tremble模型; Hey & Orme (1994)的随机效用模型; Hey & Pace (2014)的Beta分布误差
• Bingo Blower模糊性装置: 作为实现Knightian不确定性的实验工具

本文独特贡献

1. 首次在投资组合选择实验中系统比较EU、MV、MEU、\alpha-MEU和SF五种偏好理论
2. 为有界分配问题开发了完整的随机误差规范体系（连续和离散两大类，共8种变体）
3. 开发了结合解析与数值方法的MEU最优配置算法，解决了标准优化软件在扭折函数处失效的问题
4. 识别了Safety-First启发式规则作为实验被试自发采用的决策策略
5. 发现约三分之一的被试表现出模糊偏好（multiple priors），支持Knightian不确定性理论在个体层面的解释力

与信念研究的关联

• 通过结构估计从投资选择中反推被试的主观概率信念
• 验证了被试在模糊环境中形成的信念平均而言接近真实概率
• MEU模型中概率下界之和显著小于1，定量刻画了模糊感知的程度

维度4：变量概览

实验设计变量

偏好参数（结构估计）

误差结构参数

• s1, s2：精度（precision），s > 1
• b1, b2：偏差（bias），0 < b < 1
• 模型变体：Biased Beta (BB)、Biased Beta Binomial (BBB)、Two Beta、Beta Exponential

模型选择检验

• 嵌套：似然比检验 (LRT)，自由度 = 参数差
• 非嵌套：Clarke 检验（基于逐题对数似然差的 sign test）

关键输出指标

• 主观概率信念估计、概率下界 \underline{p}_j、模糊容差 1 − Σ\underline{p}_j
• 各偏好理论被支持的被试比例（5% / 1% 显著水平）
• 边界选择频率（c1=0 或 c1=e 等）

维度5：局限性

1. 被试数量有限 (N=77) 且为学生样本：估计精度受限，外部效度不强，未涵盖职业投资者
2. 65 题异质性：虽 Power 充足做被试级估计，但题间设计可能存在顺序效应、疲劳效应（虽 30-120s 限时）
3. 静态单期决策：未刻画动态投资 / 学习行为（信念更新），无法识别学习对模糊感知的影响（与 Jiao_Li_2021_LosingFaith_PayoffExperiences_Ambiguity 形成对比）
4. Bingo Blower 模糊源单一：模糊性仅来自"看得见但数不清"的物理装置，与现实金融市场中由信息不完整 / 模型不确定性引起的模糊性差异较大
5. 三状态简化：现实资产收益接近连续分布，3 状态 + 角概率结构是较大简化
6. 未直接引出信念：信念由选择反推（revealed），未与直接信念引出 (probability matching, Belief Elicitation) 比较——因此无法分离偏好与信念的混淆
7. α-MEU 的 α 参数识别弱：作为悲观度参数，α 与概率下界存在共线性，识别需依赖具体收益结构
8. 未做异质性分类：虽然估计逐被试，但未做 mixture model 或聚类，难以判断被试群体结构
9. SF 启发式仅 1 参数：可能过于简化，未刻画阈值 \underline{w} 如何随情境变化
10. 未建模 stake size 效应：所有题目用同一禀赋 100，未变化 stakes
11. 未对照非模糊条件：缺少完全已知概率 (risk-only) 的对照组，无法直接量化 ambiguity premium

维度7：可拓展的研究方向

1. 动态版本：将 65 题改为多期 + 信号反馈，研究被试如何学习并修正概率下界，连接 Jiao_Li_2021_LosingFaith_PayoffExperiences_Ambiguity、Aina_ContingentBeliefUpdating
2. 直接信念引出 + 选择对照：在做投资选择前后用 BDM / scoring rule 引出主观信念分布，识别"信念 vs 偏好"对模糊厌恶的相对贡献
3. 平滑模糊偏好 (Smooth Ambiguity)：将 Klibanoff_2005_SmoothAmbiguity 模型加入比较集，与 MEU/α-MEU 实证比较
4. CAPM 实验市场扩展：将本设计扩展为多被试市场实验（Bossaerts_2004_AssetPricing_LargeScaleExperiment 的方法），研究模糊偏好如何影响均衡价格
5. 个体异质性 mixture model：估计 type 比例 (e.g., EU type / MEU type / SF type)，研究 type 与人口学变量的关联
6. 金融职业被试：在专业投资者样本中重做实验，比较其与学生被试的模糊厌恶程度
7. 模糊性来源差异：除 Bingo Blower 外引入"专家分歧"、"历史数据少"等替代模糊源，测试模糊厌恶的源依赖性 (source dependence) — 与 Heath_Tversky_1991_Competence_Ambiguity 对话
8. 模糊性 + 习得能力：让被试在多次试验中获得反馈，估计模糊感知是否随经验衰减；连接被试 confidence 测量
9. Safety-First 决策过程证据：用 eye-tracking / mouse-tracking 验证被试是否真的"先扫最差状态"，为 SF 启发式提供过程证据
10. 跨文化比较：在不同国家（高 vs. 低不确定性回避文化）重复实验
11. 资产配置含偏度的模糊：扩展到偏度模糊（skewness ambiguity），与 Drerup_Enke_2022_SkewnessExpectations_PortfolioChoice 等连接
12. 结构估计对接动态资产定价：将估计的 α-MEU 参数嵌入动态资产定价模型 (e.g., Negrea_Toma_2017_DynamicCAPM_Ambiguity)，校准 ambiguity premium 在解释 equity premium puzzle 中的贡献
13. Inertia 比较：与 Asano_2006_PortfolioInertia_Ambiguity 的理论预测对比，检验实验数据是否支持模糊导致的投资组合惯性
14. 机器学习辅助误差模型：用神经网络估计 P(c | x*, θ) 的非参数版本，与 BBB 模型比较

估计参数汇总

误差参数（额外）: s_1, b_1, s_2, b_2（精度和偏差，两个配置各一组）

关键图表索引

• Figure 1.14: Marschak-Machina三角形——展示概率空间中的先验集合
• Figure 1.16: 分配三角形中7个局部最优配置的位置
• Figure 2.1: 实验主界面截图——分配三角形、收益表、投资组合表
• Table 2.9: 似然比检验结果（MEU vs EU, \alpha-MEU vs EU等）
• Table 2.10: Clarke检验结果（非嵌套模型比较）
• Table 2.11: 各偏好理论估计的概率信念平均值

关键结论

1. 模糊偏好理论显著优于纯 EU：约 27%（5%水平）至 26%（1%水平）的被试被 MEU 或 α-MEU 显著更好地解释，证实 Knightian 不确定性偏好在个体层面真实存在
2. EU 与 MEU 均显著优于 Mean-Variance：MV 拟合最差，对 42-49% 被试被 EU/MEU 击败，提示金融教科书的 MV 框架在模糊环境中不够
3. 被试主观信念平均接近真实概率：MV(BB) 估计 [0.26, 0.50, 0.24] 几乎与真实 [0.25, 0.50, 0.25] 一致，但 MEU 概率下界之和仅 0.88（α-MEU 0.77），说明被试承认存在概率不可知的"缝隙"
4. Safety-First 启发式有解释力但不如理论模型：虽自我报告广泛，但拟合优度普遍低于 EU/MEU/α-MEU，说明启发式描述行为模式但不构成最优刻画
5. Biased Beta 误差模型有效：在边界处的偏差参数 b 解决了传统 Beta 误差的方差为 0 问题，是处理有界离散分配实验数据的关键工具
6. 算法贡献：Algorithm 3 通过解析子区域分割可靠求解 MEU 最优配置，避免数值方法在 kink 处失败
7. 方法论意义：本文为后续模糊性投资组合实验提供了"实验范式 + 误差结构 + 估计算法 + 模型比较"的完整方法工具箱