Five Facts about Beliefs and Portfolios

基本信息

• 作者: Stefano Giglio, Matteo Maggiori, Johannes Stroebel, Stephen Utkus
• 期刊: American Economic Review, 111(5): 1481-1522
• 年份: 2021
• DOI: https://doi.org/10.1257/aer.20200243
• JEL分类: D83, E23, G11, G12, G41, G51

---

一句话总结

本文将一项设计精良的Vanguard客户预期调查（2017-2020年21波、46,419份回复）与匿名行政投资组合数据匹配，建立了关于投资者信念与投资组合之间关系的五个程式化事实——核心发现是信念-组合敏感度仅为Merton无摩擦模型预测的约1/10，且信念变异主要由持久的个体固定效应驱动。

研究问题

1. 投资者的主观预期（股票回报、GDP增长、债券回报、灾难概率）在多大程度上反映在他们实际的投资组合配置中？
2. 信念变化主要通过哪条边际影响交易行为——是否交易（extensive margin）还是交易方向与规模（intensive margin）？
3. 信念面板变异的主要来源是什么——共同的时间因素，还是持久的个体异质性？
4. 投资者关于现金流增长（GDP）和折现率（股票回报）的预期是正相关还是负相关？这与代表性代理人贴现率变异理论一致吗？
5. 主观灾难概率与预期回报的关系如何？是否支持代表性代理人时变灾难模型？
6. 哪些摩擦（测量误差、税收、默认选项、注意力、信心、交易频率）削弱了信念到投资组合的传导？

核心贡献

1. 数据创新: 首次将大规模、高频、定量化的预期调查（GMSU-Vanguard）与匿名化行政投资组合和交易数据系统匹配——克服了既有信念-投资组合文献依赖自报组合或低频调查的局限。
2. 五个程式化事实: 系统记录了信念-组合关系的5个新事实，为校准异质代理人宏观金融模型提供新经验矩。
3. 方法论贡献: 应用ORIV（Obviously Related Instrumental Variables）方法处理调查信念中的经典测量误差，将敏感度估计从0.69提升至1.18，且揭示测量误差并非主要"摩擦"。
4. 挑战代表性代理人模型: 个体层面"主观灾难概率↑→预期回报↓"的关系与Gabaix-Wachter的时变灾难模型预测相反，但与Chen-Joslin-Tran的异质灾难信念模型一致。
5. 指出理想模型三要素: 高度异质且持久的预期回报与现金流信念（且二者正相关）、agree to disagree机制、非频繁交易的内生异质性。
6. 微观摩擦量化: 分别量化交易频率、注意力（登录次数）、信心、税收账户、财富等维度对信念-组合传导的调节作用，理想化投资者 \beta\approx 3.55 接近Merton基准（\gamma=7）。

维度1：数据来源与实证策略

数据来源

• GMSU-Vanguard调查: 作者设计的一项新型在线预期调查，由全球最大资产管理公司之一Vanguard管理，面向其美国个人投资者客户
• 调查时间: 2017年2月至2020年6月，共21波调查，每两个月一次
• 样本规模: 共获得46,419份回复；每波约2,000份以上回复
• 受访者特征: 约80%为零售交易账户持有者，20%为雇主资助退休账户投资者；平均年龄约60岁，69%为男性；平均持有Vanguard资产约$520,000（P10-P90范围：$23,000至$130万）
• 行政数据匹配: 调查回复与Vanguard的匿名化行政数据相链接，包括投资组合持仓、交易活动和登录行为

调查设计

• 三大信念模块:
  1. 预期股票市场回报: 未来1年和10年的年化预期回报点估计，以及1年回报落入5个区间的主观概率分布
  2. 预期实际GDP增长: 未来3年和10年的年化GDP增长率点估计及主观概率分布
  3. 预期债券回报: 10年期美国国债零息债券的1年期预期回报
• 难度与信心量表: 每个模块后都有5级量表评估作答难度和信心程度
• 随机化: 股票回报和GDP增长问题的出现顺序随机化；概率分布区间的排列顺序（从低到高或从高到低）随机化
• 回复率: 首次联系约2.5-4%；已有回复经历者10-15%的稳态再回复率

实证方法

• Tobit回归: 因股权份额在0%和100%处截断，使用Tobit模型估计信念对投资组合的影响
• ORIV（Obviously Related Instrumental Variables）方法: 利用同一调查回复中两种不同的信念测量（点估计和分布隐含均值）互为工具变量，纠正经典测量误差导致的衰减偏误
• 方差分解: 使用个体固定效应和时间固定效应回归分解信念面板变异的来源
• 交易分析: 区分交易的广延边际（extensive margin，是否交易）和集约边际（intensive margin，交易方向与规模）
• 外部验证: 使用RAND调查数据（2008-2016年，61波，4,734名个体）进行跨样本验证

---

维度2：理论框架

基准理论模型

• Merton (1969) 无摩擦模型: 幂效用投资者的最优股权份额为
  $EquityShare_{i,t} = \frac{1}{\gamma} \cdot \frac{E_i[R] - R_f}{var_i[R]}$
  其中 \gamma 为相对风险厌恶系数。在此框架下，\beta = 1/(\gamma \cdot var[R])；以历史年化标准差20%计算，\gamma = 4 时需要 \beta \approx 6.25，而实际估计的 \beta \approx 0.69，差一个数量级

理论贡献与模型讨论

• Campbell-Shiller (1988) 分解: pd_t \approx E_{i,t} \sum \rho^j \Delta d_{t+1+j} - E_{i,t} \sum \rho^j r_{t+1+j}，用于解释预期现金流与预期回报正相关的理论含义
• 罕见灾难模型: 与Chen, Joslin, and Tran (2012) 等异质信念灾难模型一致——投资者对灾难概率的信念异质，乐观者预期高回报和低灾难概率，悲观者则相反
• 对代表性代理人模型的挑战: 大部分使用调查数据的行为宏观金融模型假设投资组合对信念的Merton式高敏感度，但数据显示该传导远弱于此；代表性代理人模型忽略了个体异质性这一数据的核心特征
• 建议的理想模型三要素:
  1. 预期回报和预期现金流中大规模且高度持久的异质信念，两者正相关
  2. "同意不同意"（agree to disagree）机制，允许基于分歧的交易
  3. 非频繁交易，交易概率在不同代理人之间存在外生差异

对摩擦的理论分析

• 测量误差: 经典测量误差导致衰减偏误，但ORIV校正后敏感度仅从0.69提升至1.18，仍远低于无摩擦基准
• 资本利得税: 税收优惠账户（IRA）中信念-组合敏感度（1.42）高于普通账户（1.20）
• 默认选项: 雇主退休计划中的自动注册和默认资产配置降低了信念的反映程度
• 非频繁交易: 即便投资者改变信念，他们也不经常交易；交易频率、投资者注意力和信心是信念传导的重要调节变量
• 理想化投资者: 满足所有无摩擦条件（税优账户+高信心+高注意力+频繁交易）的投资者，\beta \approx 3.6，接近 \gamma \approx 7 时的无摩擦模型预测 \beta = 6.25

---

维度3：核心发现

Fact 1: 信念反映在投资组合中，但敏感度较低

• 主回归系数: 预期1年股票回报每增加1个百分点，股权份额增加约0.67个百分点（无控制变量）或0.69个百分点（加控制变量），标准误约0.034
• 标准化效应: 预期回报1个标准差的增加对应股权份额0.16个标准差的增加
• 与无摩擦基准的差距: 实际 \beta \approx 0.69，仅为Merton模型（\gamma=4）所需 \beta \approx 6.25 的约十分之一；隐含风险厌恶系数 \gamma = 36，远高于合理范围
• ORIV校正后: \beta \approx 1.18，较OLS提高70%以上，但仍远低于无摩擦基准
• 异质性:
  • 财富: 资产超过225,000的投资者敏感度更高（\beta$ 增加0.114）
  • 交易频率: 月换手率>4%的投资者敏感度（1.76）是换手率<0.5%投资者（0.74）的2.4倍
  • 注意力: 月登录>7次的投资者敏感度（1.64）比登录<1次的投资者（1.05）高56%
  • 信心: "非常自信"投资者的敏感度（1.45）约为"不自信"投资者（0.81）的近2倍
  • 理想化投资者: \beta \approx 3.55（标准误1.33），接近无摩擦基准
  • 税优账户: IRA账户敏感度（1.42）高于普通零售账户（1.20）

Fact 2: 信念变化不预测交易发生，但条件于交易发生时预测方向和规模

• 广延边际（是否交易）: 信念变化对预测交易发生几乎没有解释力；期初信念水平和信念变化对交易概率的影响经济上和统计上都很小
• 集约边际（交易方向）: 条件于交易发生，期初预期回报每高1个百分点，主动增加股权份额的概率高约1.5个百分点；信念变化每增加1个百分点，增加股权的概率高约1个百分点
• 集约边际（交易规模）: 条件于交易发生，信念对股权份额变化的敏感度约为无条件结果的3倍——预期回报每增加1个百分点对应股权份额增加约0.4个百分点（由交易引起）；条件于大额交易（股权变化至少5个百分点），敏感度进一步增至约0.77-0.92

Fact 3: 信念变异主要由异质且持久的个体固定效应驱动

• 方差分解（1年预期回报）:
  • 时间固定效应解释5%的面板变异
  • 个体固定效应解释47.5%的面板变异
  • 两者合计解释51.5%
  • 其余约48.5%为特异性个体变异和测量误差
• 跨信念变量一致: 所有信念变量中，个体固定效应解释38-63%，时间固定效应仅解释0.4-5%
• 信心的异质性: 信心的个体固定效应解释60-63%的面板变异
• 稳健性: 增加最低回复次数要求（从5次到8次），结果非常稳定；RAND调查数据显示类似模式（个体固定效应解释50-60%，时间固定效应约1%）
• 人口统计学解释力有限: 可观测特征（年龄、性别、财富、地区、信心、过去回报经历等）仅解释个体固定效应变异的2-7%（R^2）

Fact 4: 预期现金流增长与预期回报正相关

• 跨领域: 预期股票回报与预期GDP增长正相关（短期无条件相关系数0.26，长期0.27）
• 跨期限: 短期和长期预期正相关（股票回报跨期限相关0.30；GDP增长跨期限相关0.65）
• 截面与时间序列: 关系在截面（不同投资者之间）和时间序列（个体内随时间变化）中均成立
• 回归系数（Table 9）:
  • 1年预期回报对10年预期回报：0.198（无FE）/ 0.100（含个体FE）
  • 3年GDP增长对10年GDP增长：0.824 / 0.640
  • 3年GDP增长对10年预期股票回报：0.710 / 0.381
  • 10年GDP增长对10年预期股票回报：0.388 / 0.260

Fact 5: 主观灾难概率越高，预期回报越低

• 截面关系: 股市灾难主观概率（1年回报<-30%）每增加5个百分点，预期1年回报下降约1个百分点（\beta = -0.212, SE = 0.008）
• 限制极端回答后: 将灾难概率限制在0.1%-10%范围内，敏感度增加至 \beta = -0.270（SE = 0.013）
• 时间序列（个体内）: 加入个体固定效应后关系依然显著（\beta = -0.146, SE = 0.013）
• GDP灾难与股市灾难正相关: 二者在个体层面正相关（回归斜率0.39），表明灾难信念不仅仅是折现率变异
• 与理论的对比: 个体层面的负向关系与代表性代理人时变灾难模型（Gabaix 2012, Wachter 2013）的正向关系预测相反，但与异质信念灾难模型（Chen, Joslin, Tran 2012）一致

---

维度6：与其他文献的关系

在信念-投资组合文献中的位置

• 核心贡献: 首次将大规模定量信念调查与高频行政投资组合和交易数据系统匹配，建立信念与实际投资行为之间的五个程式化事实
• 关键前期工作:
  • Manski (2004): 最早倡导使用调查数据研究预期与投资行为
  • Vissing-Jorgensen (2003), Dominitz & Manski (2007), Ameriks et al. (2016): 记录了股权份额对预期回报的低敏感度
  • 本文的增量贡献在于：(1) 使用行政数据而非自报投资组合；(2) 系统探索异质性的经济维度；(3) 结合面板结构分解变异来源

对宏观金融模型的启示

• 挑战代表性代理人行为模型: 许多模型假设Merton式的信念-组合高敏感度来匹配资产价格，但实际传导远弱于此
• 支持异质代理人模型: 如Geanakoplos (2010), Scheinkman & Xiong (2003) 等包含异质信念的模型更符合数据特征
• 为模型校准提供新矩: 五个事实分别为模型的不同维度提供经验约束

与相关文献的联系

• 住房市场信念: Case, Shiller, Thompson (2012); Cheng, Raina, Xiong (2014); Kuchler & Zafar (2019) 等在住房市场发现类似的信念-行为关系
• 信息处理与注意力: DellaVigna & Pollet (2009); Barber & Odean (2013); Arnold et al. (2018) 关于投资者注意力对投资行为的影响
• 罕见灾难模型: Rietz (1988), Barro (2006), Gabaix (2012) 的灾难风险框架，以及Chen, Joslin, Tran (2012) 的异质信念扩展
• 预期形成: Malmendier & Nagel (2011) 关于过去经历塑造信念的证据；Bordalo et al. (2018, 2020) 关于诊断性预期的工作

方法论贡献

• ORIV方法的应用: 展示了Gillen, Snowberg, Yariv (2019) 提出的ORIV方法在信念调查中处理测量误差的价值
• 调查设计: 为未来调查研究提供了设计参考——定量化、简洁、高频、可匹配行政数据

---

维度4：关键变量概览

变量类别	变量	测量方式	单位/范围
信念变量	1年预期股票回报	点估计 + 5区间主观概率分布	年化%，均值4.64% (SD 6.08%)
	10年预期股票回报	点估计	年化%，均值6.64% (SD 3.85%)
	3年预期GDP增长	点估计 + 概率分布	年化%，均值2.77% (SD 2.16%)
	10年预期GDP增长	点估计	年化%
	1年预期10年期国债回报	点估计	年化%
	主观灾难概率	1年股票回报<-30%的概率	%，限制在[0,100]
投资组合	股权份额	Vanguard账户中股票占比	0-100%，截断于0/100
	月换手率	月均交易额/账户余额	%
行为变量	月登录次数	Vanguard账户登录频次	次数
	自评信心	5级Likert量表	1-5
	作答难度	5级Likert量表	1-5
个体特征	资产规模	Vanguard持有资产	美元，均值$520K
	账户类型	IRA/401k/普通零售	类别
	年龄、性别、地区	人口统计	–
关键估计参数	\beta	信念-股权份额回归系数	OLS 0.69; ORIV 1.18; 理想化3.55
	\gamma	隐含相对风险厌恶	OLS隐含36；理想化隐含约7
	个体FE方差占比	信念面板分解	38-63%
	时间FE方差占比	信念面板分解	0.4-5%

维度5：局限性

1. 样本选择性：Vanguard客户偏向较富裕、年长（平均60岁）、男性（69%）的指数化被动投资者，可能不代表整体散户。低财富、活跃日内交易者、机构投资者未涵盖。
2. 仅捕捉Vanguard账户：无法观察客户在其他经纪商的持仓，可能低估真实的信念-组合敏感度（如客户可能在其他账户表达极端信念）。
3. 样本期较短且偏向牛市：2017-2020年6月主要为低波动期，疫情冲击只有有限观察。极端市场环境下的信念-组合关系可能不同。
4. 简化的灾难概率定义：以"1年股票回报<-30%"作为灾难，未区分tail risk的不同性质（流动性危机、政策危机、地缘政治）。
5. 未直接观察信念形成机制：仅相关性证据，无法识别信念是如何形成或更新的（如experience effects vs. media exposure vs. social transmission）。
6. 测量误差的性质假设：ORIV依赖经典测量误差假设（白噪声）；若测量误差与真实信念相关（如认知不确定性），ORIV校正可能不完全。
7. 税收/默认选项分析为间接：缺乏对税收-组合关系的直接identification策略（如税法变化的双重差分）。
8. 缺乏对长期累积信念的检验：5个事实关注短期（双月）变异，未充分刻画长期信念演化与组合再平衡的关系。
9. 未与资产价格联动：未直接将异质信念汇总到市场清算价格，缺乏对信念异质性的资产定价含义量化。

维度7：可拓展的研究方向

1. 跨样本扩展：将相同框架应用于其他经纪商（Robinhood、Fidelity、Interactive Brokers）、其他国家（中国、欧洲），检验五个事实的外部有效性。
2. 极端事件分析：利用2020年3月COVID冲击的数据进一步刻画危机期信念变化与交易行为的关系（部分本文已涉及，但可深入）。
3. 信念形成的因果识别：通过实验性信息干预（如随机推送研究报告、新闻）识别信念更新的因果效应及其对组合的影响。
4. 将事实嵌入异质代理人均衡模型：构建agree to disagree + 非频繁交易模型（参见Geanakoplos、Scheinkman-Xiong），检验能否同时匹配五个事实和资产价格moments。
5. 认知能力与信念-行为传导：结合 Enke_Graeber_2023_CognitiveUncertainty 的cognitive uncertainty框架，研究为何高信心投资者展现更高敏感度（是更准确还是更过度自信？）。
6. ESG信念的扩展：本团队 Giglio_Maggiori_2025_ESGBeliefs_Portfolios 的后续工作将相同框架应用于ESG信念。
7. 机器学习预测信念变化：使用账户行为（登录、交易模式、持仓结构）预测下一波信念，识别"信念领先指标"。
8. 持久个体固定效应的微观基础：为何信念有40-60%的解释力来自个体固定效应？是基因、人格特质、早期金融经历还是社交网络？结合 Malmendier_2020_InvestorExperiences_MarketDynamics 的experience effects深入。
9. 信念-消费传导：将本文方法扩展到消费/储蓄数据，检验信念是否更强地反映在消费决策中。
10. 政策含义：默认选项、自动注册、税收激励等政策如何影响信念到行为的传导？为政策评估提供新框架。

关键统计摘要

指标	数值
平均预期1年股票回报	4.64% (SD = 6.08%)
平均预期10年年化股票回报	6.64% (SD = 3.85%)
平均预期3年GDP增长	2.77% (SD = 2.16%)
平均股权份额	67.5% (P10 = 30.8%, P90 = 99.9%)
OLS敏感度 \beta	0.69 (SE = 0.034)
ORIV敏感度 \beta	1.18 (SE = 0.062)
理想化投资者 \beta	3.55 (SE = 1.33)
无摩擦Merton基准 \beta (\gamma=4)	~6.25
个体固定效应解释的信念变异	40-60%
时间固定效应解释的信念变异	~5%
人口统计解释的个体固定效应变异	2-7%

---

标签

#survey_beliefs #portfolio_choice #heterogeneous_beliefs #macro_finance #rare_disasters #investor_attention #measurement_error #ORIV #Vanguard #panel_data #belief_heterogeneity

关键结论

1. 信念确实进入了投资组合，但传导极弱：预期1年股票回报每增加1pp，股权份额仅增加约0.69pp（OLS）或1.18pp（ORIV校正后），远低于Merton模型预测的6.25pp（\gamma=4）——隐含风险厌恶 \gamma=36，不合理。
2. 理想化投资者接近Merton基准：满足无摩擦条件（高信心、高注意力、频繁交易、税优账户）的投资者敏感度 \beta\approx 3.55，对应 \gamma\approx 7，接近合理范围——说明摩擦（而非信念失真）是主要"瓶颈"。
3. 信念变化通过intensive margin而非extensive margin传导：信念变化几乎不预测是否交易；但条件于交易发生，预测交易方向和规模——投资者非频繁地、内生性地交易。
4. 信念变异由持久的个体固定效应主导：40-60%来自个体固定效应，仅约5%来自时间固定效应——人均"独特的信念叙事"远比共同时变更重要，挑战代表性代理人模型。
5. 可观测特征几乎无法解释个体信念固定效应：人口统计、财富、信心、过往回报经历等仅解释2-7%的个体FE方差——大量持久异质性来源未知（暗示需在模型中引入非可观测的个体特性）。
6. 预期现金流与预期回报正相关：股票回报与GDP增长在截面和时间序列均正相关（短期相关0.26，长期0.27）——与Campbell-Shiller (1988) 折现率变异主导的代表性代理人理论相反，但与异质信念资产定价模型一致。
7. 个体灾难概率↑→预期回报↓：截面上灾难概率每增加5pp，预期1年回报下降约1pp——与Gabaix-Wachter的时变灾难模型预测相反，但支持Chen-Joslin-Tran的异质信念灾难模型。
8. 理想宏观金融模型应包含三要素：(i) 持久的异质信念且预期回报与现金流正相关；(ii) agree to disagree允许基于分歧的交易；(iii) 内生异质的非频繁交易。
9. 方法论意义：ORIV方法是处理调查信念中测量误差的有力工具；但即使校正后，敏感度仍远低于无摩擦基准，说明经典测量误差并非主要"摩擦"。
10. 政策与实践含义：默认选项、税收账户结构、注意力干预（如app通知设计）会显著调节信念到组合的传导——为养老金计划设计和金融教育提供经验依据。