我的笔记

Jiao_Li_2021_LosingFaith_PayoffExperiences_Ambiguity

更新于 2026/7/5

Losing Faith or Appetite? The Impact of Payoff Experiences on Ambiguity Attitudes, Beliefs, and Investment Choices

元数据

  • 作者: Peiran Jiao (Maastricht University), Chen Li (Erasmus University Rotterdam)
  • 年份: 2021 (SSRN Working Paper, abstract=3945497)
  • 期刊/来源: SSRN Working Paper
  • JEL分类: C72, D81
  • 关键词: Ambiguity, Belief, Payoff Experience, Experiment
  • DOI/链接: https://ssrn.com/abstract=3945497

一句话总结

通过 between-subject 实验外生分配收益/损失但保持信息完全相同，发现收益经历会同时降低模糊厌恶、提升乐观信念、增加投资意愿（不对称效应：损失组与中性组无显著差异），且处理效应几乎完全通过模糊态度与信念两个渠道传导到投资决策。

研究问题

核心问题：经历过的收益/损失（payoff experience）在不携带额外信息的条件下，会如何影响：

  1. 模糊厌恶（ambiguity aversion，情绪/动机维度）？
  2. 模糊不敏感（a-insensitivity，认知维度）？
  3. 信念（修正模糊态度后的"干净"信念）？
  4. 后续投资决策？

子问题：

  • 收益与损失的影响是否对称？
  • 处理效应通过哪些渠道传导到投资决策（直接 vs. 通过模糊态度/信念中介）？
  • 是模糊态度变化（"losing appetite"）还是信念变化（"losing faith"）主导？

核心贡献

  1. 首次在模糊决策领域做"信息-payoff"完全分离设计：三组观察完全相同的股票指数历史回报，仅外生分配是否有正/负投资经历。
  2. 区分模糊态度两个维度：payoff 经历影响 ambiguity aversion (b) 而不影响 a-insensitivity (a)，说明 payoff 走的是情绪/动机通道而非认知通道。
  3. 同时引出模糊态度与信念：使用 Baillon et al. (2018b, 2021) 的 belief-hedge 方法，获得修正模糊态度后的"a-neutral probabilities"，干净估计信念。
  4. 机制识别：Logistic 回归显示，纳入模糊态度 b 与信念 p_u 后，处理组 dummy 不再显著——证明处理效应几乎完全通过这两个中介通道传导。
  5. 不对称发现：收益使人 b↓、p_u↑、投资率↑，但损失与中性无显著差异，提示损失下可能存在 fear vs. break-even 两种对立力量相互抵消。
  6. 将 PBBD 框架扩展到模糊领域：与作者前作 Jiao_2020_PayoffBased_BeliefDistortion（风险下的信念扭曲）形成自然延伸。
  7. 方法论严谨：使用 PRINCE 激励系统、单调性检验、理解测试，最终保留 95.82% 样本。

维度1：实验设计分析

核心研究问题

在控制信息内容的前提下，过去的收益/损失经历（payoff experience）如何影响人们的模糊态度（ambiguity attitudes）、信念（beliefs）和后续投资决策？

实验基本信息

  • 被试: 431人，招募自Erasmus University Rotterdam的ESE-Econlab被试库
  • 场次: 18个实验场次
  • 地点: ESE-Econlab计算机实验室
  • 时长: 约1小时
  • 平均报酬: 16.14欧元
  • 数据筛选: 最终保留413人（95.82%），基于单调性检验和理解测试

实验任务详细流程

第一阶段：初始禀赋与处理分组（Treatment Manipulation）

  1. 被试到达：每位被试抽取一个密封信封（内含被试ID和随机决策情境编号），输入ID开始实验
  2. 同一session内所有被试观察相同的股票指数（从Financial Times全球市场版块的指数池中随机选取），但不知道具体是哪个指数、来自哪个时间段
  3. 被试观察该指数前11个月的历史回报率（柱状图形式展示）
  4. 被试被随机分配到三个处理组之一（between-subject设计）：
处理组 初始现金 初始投资 差异说明
Gain（收益组） 8欧元 电脑在观察期12个月中随机选取一个正回报月份，被试获得40欧元 x R的投资收益 禀赋 = 8 + 40*R（R>0）
Neutral（中性组） 8欧元 无 禀赋 = 8欧元
Loss（损失组） 8欧元 电脑在观察期12个月中随机选取一个负回报月份，被试承受40欧元 x R的投资损失 禀赋 = 8 + 40*R（R<0）

关键设计特征：三组被试观察完全相同的信息（同一个股票指数的同一段历史回报），唯一差异在于是否经历了个人收益/损失。这实现了信息与payoff的干净分离。

第二阶段：匹配概率引出（Matching Probability Elicitation）

  1. 被试面对24个决策情境，用于引出6个事件的匹配概率
  2. 状态空间定义：基于第12个月回报率R_12的三事件划分：
    • E_u = {R_12 > 2%}（上涨事件）
    • E_m = {-2% <= R_12 <= 2%}（中间事件）
    • E_d = {R_12 < -2%}（下跌事件）
    • 复合事件：E_um, E_md, E_ud
  3. 每个事件的引出采用二分法（bisection method），共4轮决策：
    • 选项1：模糊选项（如果事件E发生则获得10欧元，否则0）
    • 选项2：风险选项（以概率q获得10欧元，否则0）
    • 起始概率q=50%，根据被试选择向上或向下调整（每轮调幅递减：+/-24, +/-12, +/-6），最终确定匹配概率
  4. 6个事件随机呈现，事件之间穿插人口统计学问题（性别、年龄、国籍、学历年限、家庭收入自评）

第三阶段：投资决策（Investment Decision）

  1. 被试面对一个二元投资决策：
    • 选项1：不投资，获得8欧元
    • 选项2：投资，获得8欧元 + 40 x R_12（第12个月的实际回报）

第四阶段：补充问卷

  1. 金融素养测试、金融市场自评知识、是否有股票投资经历、投资规模、感知风险与回报

激励机制

  • 采用Johnson et al. (2021)的PRINCE激励系统
  • 每位被试在实验开始时抽取密封信封，信封内标注了哪个决策情境为支付决策
  • 被试全程不得打开信封，实验结束后根据信封中指定的决策情境和被试选择进行支付
  • 实验者保证最终支付为正

数据筛选标准

  • 单调性检验：6次检验中至少通过3次（例如：m_ud >= m_u 且 m_ud >= m_d）
  • 理解测试：2道四选一理解题，4次尝试内全部答对
  • 三组排除比例相似（Gain 92.16%, Neutral 97.10%, Loss 98.57%）

维度2：理论模型

核心理论框架：Belief-Hedge方法（Baillon et al., 2018b; 2021）

匹配概率（Matching Probability）

定义1：事件E的匹配概率m是使决策者在模糊前景X_E0和风险前景X_m0之间无差异的概率值。

对模糊中性决策者，m = P（真实概率）；对模糊厌恶者，m < P（愿意支付模糊溢价）。

模糊厌恶指数（Ambiguity Aversion Index）

b = 1 - (\overline{m_s} + \overline{m_c})

其中：

  • \overline{m_s} = (m_u + m_m + m_d)/3：单一事件匹配概率的平均值
  • \overline{m_c} = (m_{um} + m_{md} + m_{ud})/3：复合事件匹配概率的平均值
  • b > 0 表示模糊厌恶，b < 0 表示模糊寻求
  • 模糊中性时 b = 0（此时 \overline{m_s} = 1/3, \overline{m_c} = 2/3）

模糊不敏感指数（A-insensitivity Index）

a = 1 - (3\overline{m_c} - 3\overline{m_s})
  • a = 0 表示完美敏感（模糊中性），a = 1 表示极端不敏感
  • 度量决策者对事件规模变化（从单一到复合）的反应程度
  • 高a值表示倾向于将所有模糊事件视为50-50

模糊中性概率（A-neutral Probabilities / Beliefs）

p_i = \frac{m_i - 0.5(a - b)}{(1 - a)}

其中 i \in \{u, m, d\}。这是修正了模糊态度后的信念估计。

方法论优势：

  • 该方法在所有现有模糊模型下均有效（model-free）
  • 能同时控制风险态度和模糊态度
  • 提供基于激励相容选择的信念度量

回归模型

  • OLS回归：因变量为b（模糊厌恶）、a（模糊不敏感）、p_u（上涨信念）、p_d（下跌信念）
  • Logistic回归：因变量为投资决策（0/1）
  • 自变量：处理组虚拟变量（Loss为基准组），人口统计学控制变量

维度3：核心发现

发现1：Payoff经历对模糊厌恶的影响（不对称效应）

  • Gain vs. Loss：收益组的模糊厌恶显著低于损失组
    • Gain系数 = -0.035 (t = -1.82, p < 0.10)，控制人口统计后 = -0.032 (t = -1.72, p < 0.10)
    • 收益组均值 b = -0.03（模糊寻求），损失组均值 b = 0.00
  • Neutral vs. Loss：中性组与损失组无显著差异（系数 = 0.001, t = 0.04）
  • 连续payoff变量（Table 4）：payoff每增加1欧元，模糊厌恶降低约0.008 (t = -1.78, p < 0.10)

核心结论：收益经历使人更倾向模糊寻求，而损失经历未产生与中性条件的显著差异。

发现2：Payoff经历对模糊不敏感的影响

  • 三组之间a-insensitivity无显著差异
    • Gain系数 = 0.050 (t = 1.23), Neutral系数 = 0.037 (t = 0.92)
  • 解释：a-insensitivity捕捉认知维度，payoff经历主要影响情绪/动机维度（即模糊厌恶）

发现3：Payoff经历对信念的影响

  • 样本限制为概率规则满足者（N = 313）
  • 上涨信念 p_u：收益组显著更乐观
    • Gain系数 = 0.039 (t = 1.93, p < 0.10)，控制后 = 0.036 (t = 1.82, p < 0.10)
    • 收益组 p_u 均值 = 0.39，损失组 = 0.35，中性组 = 0.35
  • 下跌信念 p_d：三组无显著差异
  • Neutral与Loss之间在p_u和p_d上均无显著差异

发现4：Payoff经历对投资决策的影响

  • 投资率：Gain 56%, Neutral 51%, Loss 43%
  • Gain vs. Loss：Fisher精确检验 p = 0.02（单侧显著）
  • Gain vs. Neutral：Fisher精确检验 p = 0.23（不显著）
  • Logistic回归中Gain系数 = 0.558 (z = 2.22, p < 0.05)

发现5：投资决策的驱动因素（Table 7, Logistic回归）

  • 模糊厌恶显著降低投资意愿：系数 = -1.356 (z = -2.09, p < 0.05)
  • 上涨信念 p_u显著提高投资意愿：系数 = 2.245 (z = 2.26, p < 0.05)
  • 当同时纳入处理组、模糊态度和信念时，处理组效应变得不显著，说明处理组效应主要通过模糊态度和信念的变化传导

Effect Size 汇总

比较 因变量 效应大小 显著性
Gain vs. Loss 模糊厌恶 b -0.035 (约0.23 SD) p < 0.10
Gain vs. Loss 模糊不敏感 a +0.050 n.s.
Gain vs. Loss 上涨信念 p_u +0.039 (约0.27 SD) p < 0.10
Gain vs. Loss 投资率 56% vs. 43% (13pp) p = 0.02
Neutral vs. Loss 模糊厌恶 b +0.001 n.s.
模糊厌恶 -> 投资 Logistic系数 -1.356 p < 0.05
p_u -> 投资 Logistic系数 2.245 p < 0.05

维度6：与其他文献的关系

所属领域

  • 模糊决策（Ambiguity/Decision under Uncertainty）
  • 经验效应与学习（Experience Effects / Learning from Experience）
  • 行为金融（Behavioral Finance）

与关键文献的关系

文献 关系 说明
Baillon et al. (2018a, 2021) 方法借鉴 采用belief-hedge方法引出模糊态度指标；Baillon et al. (2018a)变化信息量，本文变化payoff经历
Malmendier & Nagel (2011) 动机对话 大萧条经历影响风险偏好和股市参与；本文提供模糊态度渠道的实验证据
Jiao (2020) 作者前作/直接扩展 Jiao (2020)在Economic Journal发现payoff经历影响风险下的信念；本文扩展到模糊领域
Dimmock et al. (2016a, 2016b) 互补 发现模糊厌恶与股市参与负相关；本文提供因果证据说明payoff如何改变模糊厌恶
Abdellaoui et al. (2021) 并行研究 用人工urn研究抽样经验对模糊态度的影响；本文用自然市场数据
Ert & Trautmann (2014) 相关 发现抽样经验逆转模糊偏好；本文分离信息与payoff成分
Thaler & Johnson (1990) 理论背景 house money effect；本文发现收益后更多模糊寻求，与之一致
Kuhnen & Knutson (2011) 神经机制 情绪通过NAcc和前脑岛影响偏好和信念；本文结果与此一致
Charness & Levin (2005) 设计参考 通过移除自主选择来消除self-justification的实验设计思路

核心贡献

  1. 首次在模糊决策领域分离经验的信息成分和payoff成分，证明payoff本身（不携带额外信息）也能改变模糊态度
  2. 区分模糊态度的两个维度：payoff经历影响模糊厌恶（情绪/动机维度）但不影响模糊不敏感（认知维度）
  3. 同时度量模糊态度和信念：使用belief-hedge方法获得修正模糊态度后的"干净"信念度量
  4. 不对称效应：收益经历显著降低模糊厌恶、提升乐观信念、增加投资意愿，但损失经历与中性条件无显著差异（可能因两种力量相互抵消）

局限性

  • 效应量较小（多数在p < 0.10边缘显著）
  • 损失条件下可能存在两种对冲力量（恐惧 vs. 翻本欲望），设计无法区分
  • 将经验的信息和payoff成分完全分离是人工设定，现实中二者通常共存
  • Between-subject设计，无法观察个体内的态度变化

维度4：变量概览

核心因变量：

  • b：模糊厌恶指数 = 1 − (\overline{m_s} + \overline{m_c})，b > 0 表示模糊厌恶
  • a：模糊不敏感指数 = 1 − 3(\overline{m_c} − \overline{m_s})
  • p_u, p_m, p_d：a-neutral probabilities（修正模糊态度后的信念）
  • 投资决策（0/1，二元）

核心自变量：

  • Treatment dummy：Gain / Neutral / Loss（Loss 为基准组）
  • 连续 payoff 变量（实际经历的金额，用于稳健性检验）

匹配概率（中间变量）：

  • m_u, m_m, m_d：单一事件匹配概率
  • m_um, m_md, m_ud：复合事件匹配概率
  • \overline{m_s} = (m_u + m_m + m_d)/3
  • \overline{m_c} = (m_um + m_md + m_ud)/3

控制变量：

  • 性别、年龄、国籍、学历年限
  • 家庭收入自评
  • 金融素养（financial literacy）
  • 自评金融市场知识
  • 是否有股票投资经历、投资规模
  • 感知风险与回报

事件定义（基于第12个月回报 R_12）：

  • E_u：R_12 > 2%（上涨）
  • E_m：−2% ≤ R_12 ≤ 2%（中间）
  • E_d：R_12 < −2%（下跌）
  • 复合事件：E_um, E_md, E_ud

实验外生参数：

  • 投资金额：40 欧元
  • 初始现金禀赋：8 欧元
  • 不投资保留收益：8 欧元
  • 引出二分法步长：±24, ±12, ±6 percentage points
  • 数据筛选阈值：6 次单调性检验中通过 ≥3 次

维度5：局限性

  1. 效应量较小：多数主效应仅在 p < 0.10 边缘显著，需要更大样本确认。
  2. 损失组识别困难：损失下可能同时存在 fear（更多模糊厌恶）与 break-even motive（更少模糊厌恶），二者对冲导致损失组与中性组无差异——本设计无法分离。
  3. Between-subject 设计：无法观察个体内部的模糊态度变化与异质性。
  4. 信息-payoff 分离的人工性：现实市场中信息与 payoff 通常共存且相关，本设计的外部效度有限。
  5. 股票指数选择：观察的 11 个月历史回报是真实数据，但具体股票指数被试不知，限制了相关基本面信息的可比性。
  6. 单一时点引出：仅在一个时间窗口内引出态度与信念，未追踪持久性（vs. Jiao_2020_PayoffBased_BeliefDistortion 跨 Period 20-80 的持久性）。
  7. 样本特征：Erasmus 大学学生池，平均 ~22 岁，非真实投资者；女性占比、专业背景未充分平衡。
  8. 状态空间粗化：仅三事件（u/m/d）划分，损失了部分回报分布信息。
  9. 无情绪/生理测量：未直接测量情绪、生理唤醒等可能调节 payoff → ambiguity aversion 的中介变量。
  10. 未做结构估计：未估计 b、a、信念三者随 payoff 变化的结构参数及函数形式。
  11. 同一被试 24 个决策的相关性：未充分讨论 within-subject 的标准误聚类结构。

维度7：可拓展的研究方向

  1. 持久性研究：追踪 payoff-induced ambiguity attitudes 的衰减速度（参 Jiao_2020_PayoffBased_BeliefDistortion Period 20-80 持久性）。
  2. 机制分离：用专门设计区分损失下 fear vs. break-even motive，可能需要 within-subject 加多次 payoff 操控。
  3. PBBD 扩展：将 Jiao_2020_PayoffBased_BeliefDistortion 的 PBBD 模型形式化扩展到模糊领域，建模 q(R) 对 ambiguity perception 的影响。
  4. 自然实验：利用 IPO、市场崩盘、特定行业冲击等真实"payoff shock"事件，检验 ambiguity attitudes 的变化（参 Malmendier & Nagel 思路）。
  5. 跨资产泛化：在加密货币、ESG 资产、新兴市场等高 ambiguity 资产上检验。
  6. 真实投资者样本：在散户投资者、基金经理样本上复现，特别是有过重大盈利/亏损经历的投资者。
  7. 情绪 vs. 认知通道：测量 fear、regret、hope 等情绪，检验是否完全中介 payoff → b 的关系（参 Kuhnen & Knutson）。
  8. 与确认偏差/记忆交互：研究 payoff 经历是否选择性影响对未来 ambiguous 信号的记忆与权重（参 Godker_Jiao_2025_InvestorMemory）。
  9. 结构估计与福利：估计 payoff → ambiguity attitude → portfolio 的全链路弹性，量化福利损失。
  10. 去偏干预：通过 information disclosure、Bayesian 训练、calibration feedback 测试干预效果。
  11. 政策应用：投资者保护框架（如 MiFID II）应否考虑投资者过去 payoff 经历对其 ambiguity attitude 的影响。
  12. 跨文化比较：东西方投资者对 ambiguity 的不同基线水平、对 payoff 的不同反应。
  13. 多状态资产：扩展到更细的状态空间（如 5 个或 10 个区间），检验不敏感与状态数量的交互。
  14. 结合其他偏差：与 disposition effect（参 Jiao_2017_MeanReversion_DispositionEffect）、过度自信、本国偏差（参 Zhu_Jiao_2024_Beliefs_EquityHomeBias）的交互。

标签

#ambiguity #belief #payoff-experience #investment #experiment #belief-hedge #ambiguity-aversion #a-insensitivity #between-subject #lab-experiment

关键结论

  1. 收益降低模糊厌恶：Gain 组 b = −0.03（轻微模糊寻求），Loss 组 b = 0.00；Gain vs. Loss 系数 −0.035 (p < 0.10)；连续 payoff 变量也显著（系数 −0.008，p < 0.10）。
  2. 收益提升乐观信念：a-neutral probability p_u 在 Gain 组为 0.39，Loss 与 Neutral 组均为 0.35；Gain vs. Loss 系数 +0.039 (p < 0.10)。下跌信念 p_d 三组无显著差异。
  3. 不对称效应：Neutral 组与 Loss 组在 b、a、p_u、p_d 上均无显著差异，提示损失下两种对立力量（fear vs. break-even）相互抵消。
  4. 认知维度不受影响：a-insensitivity 在三组之间无显著差异，说明 payoff 经历走的是情绪/动机通道而非认知通道。
  5. 投资率显著差异：Gain 56% > Neutral 51% > Loss 43%；Gain vs. Loss Fisher 精确检验 p = 0.02。
  6. 完全中介效应：Logistic 回归显示模糊厌恶 b（系数 −1.356, p < 0.05）与上涨信念 p_u（系数 +2.245, p < 0.05）共同传导处理效应；纳入两个中介变量后处理 dummy 失去显著性。
  7. 既"losing faith"又"losing appetite"：损失通过两个独立通道（信念变得悲观 + 模糊厌恶上升）降低投资意愿。
  8. 政策含义：投资者保护与建议系统（robo-advisor、KYC 问卷）应考虑过去 payoff 经历对当前模糊态度与信念的扭曲，避免在情绪化时点做出长期投资决策。
  9. 理论意义：将"experience-based learning"从风险下的信念扭曲（PBBD）扩展到模糊领域的态度扭曲，提示 payoff 经历是 ambiguity attitude 的重要因果决定因素，而非传统认为的稳定个体特质。

🔗 链接到这篇笔记