K_2025_AITradingTools_CognitiveBiases
Influence of AI Trading Tools on Cognitive Biases and Investor Behavior: An Exploratory Study
基本信息
- 作者: Saidalavi, Rasheed K, Afeefa Cholasseri
- 年份: 2025
- 期刊: The IUP Journal of Accounting Research & Audit Practices, Vol. 24, Issue 3, July-September 2025
- DOI: 10.71329/IUPJARAP/2025.24.3.562-580
- 关键词: AI trading tools, Cognitive biases, Loss aversion, Overconfidence bias, Anchoring bias, Behavioral finance
- 研究类型: 问卷调查 + 结构方程模型 (SEM)，非实验研究
一句话总结
基于对印度400名零售交易者的横截面问卷调查与SEM分析，本文实证发现AI交易工具的使用与三种认知偏差关系呈现"双刃剑"特征：使用频率越高，损失厌恶显著降低（beta=-0.41），但过度自信（beta=+0.56）和锚定偏差（beta=+0.48）显著增强。
研究问题
AI交易工具（算法交易系统、智能投顾、情绪分析模型、预测分析平台）的使用程度，是否以及在多大程度上影响零售投资者的三种核心认知偏差——损失厌恶、过度自信偏差、锚定偏差？AI工具究竟是"去偏差"的辅助手段，还是放大既有行为偏差的新型来源？
核心贡献
- 首次系统量化AI工具与多重认知偏差的关联结构：在同一份问卷中同时测量三种核心偏差，并以SEM路径分析比较不同偏差对AI使用的反应方向与强度
- 揭示AI工具的"双刃剑"效应：损失厌恶下降是正面效应，过度自信与锚定偏差上升是负面效应——这一不对称结果对AI金融科技监管和平台设计具有政策含义
- 填补新兴市场零售交易者的实证空白：以印度交易者为样本，提供了发达市场以外的AI-行为金融关系证据
- 提供完整可复制的测量工具：附录给出34题问卷全文，三类偏差量表均基于经典文献改编并经先导测试和CFA验证
维度1：实验设计分析
研究方法详细流程
重要说明：本文并非实验经济学论文，而是一项基于问卷调查的探索性定量研究。不存在实验treatment、随机化分组或因果推断设计。以下详细还原被试的完整参与经历。
被试招募与筛选
- 目标人群：所有积极使用AI交易工具进行交易的印度交易者，包括使用算法交易系统(algorithmic trading systems)、智能投顾(robo-advisors)、情绪分析模型(sentiment analysis models)和预测分析平台(predictive analytics platforms)的交易者
- 抽样方法：非概率目的性抽样(non-probability purposive sampling)，确保只有具有AI工具直接使用经验的交易者才能参与
- 样本量：最终收集400名交易者的数据
- 先导测试：在正式调查前对50名交易者进行了先导研究(pilot study)以提高效度和信度
- 调查周期：2024年7月至2024年12月，历时9个月
- 分发渠道：通过在线调查平台和直接联系交易社区进行发放
问卷结构（被试完整经历）
被试需要完成一份结构化问卷，包含以下五个部分：
Section A：人口统计信息（第1-5题）
- 姓名、性别（男/女/其他）、年龄段（18-25/26-35/35-45/45-55/55以上）
- AI交易经验年限（0-1年/1-2年/2-3年/3-4年/4-5年/5年以上）
- AI交易工具使用频率（每天/每周/偶尔）
Section B：损失厌恶量表（第1-13题）
- 基于Kahneman & Tversky (1979) 前景理论改编
- 典型题目举例：
- "如果AI交易建议涉及潜在财务损失，我会犹豫是否遵循"
- "AI预测的损失对我情绪的影响大于AI预测的收益"
- "500卢比的损失在我期待收益时感觉更糟"
- "100卢比和200卢比损失之间的差异感觉比1000卢比和1100卢比损失之间的差异更大"（边际敏感性递减）
- "我更愿意选择AI建议中说'你将获得200卢比'而非'你将避免损失200卢比'，即使结果相同"（框架效应）
- "相比AI建议的更高期望收益的风险交易，我更偏好确定的小额收益"
- 第13题要求对四类AI工具（算法交易系统、智能投顾、情绪分析模型、预测分析平台）对损失厌恶的影响进行排序
Section C：过度自信偏差量表（第14-20题）
- 基于Glaser et al. (2013) 投资决策过度自信量表改编
- 典型题目举例：
- "在选股方面，我比一般投资者更有技巧"
- "我有信心我的投资决策将跑赢市场"
- "即使在不确定情况下，我也相信自己的判断来做投资决策"
- "我对自己的股价预测准确性很确定"
- "我很少怀疑自己投资选择的正确性"
- 第20题要求对四类AI工具对过度自信的影响进行排序
Section D：锚定偏差量表（第21-26题）
- 基于Tversky & Kahneman (1974) 锚定偏差框架改编
- 典型题目举例：
- "做决策时，我倾向于严重依赖收到的第一个数字或信息"
- "我的估计和判断经常受到初始值或建议的影响"
- "即使我知道初始信息可能不相关，它仍然影响我的决策"
- "考虑选项时，我发现很难从遇到的第一个值调整我的思维"
- 第26题要求对四类AI工具对锚定偏差的影响进行排序
Section E：AI交易工具使用量表（第27-34题）
- 自编量表，评估使用频率、依赖度和感知
- 典型题目举例：
- "我定期使用AI交易工具进行投资决策"
- "我每天或每周多次依赖AI交易平台"
- "我信任AI交易工具能提供准确的市场预测"
- "我的大部分交易决策基于AI交易平台的推荐"
- "我觉得根据AI工具建议进行交易不需要太多额外分析也很有信心"
- "AI交易工具提高了我整体的交易表现"
- "我相信AI交易工具比传统交易方法有优势"
所有量表题目均采用5点Likert量表（1=强烈不同意，5=强烈同意）。
其他研究设计要素
| 要素 | 内容 |
|---|---|
| 研究类型 | 横截面问卷调查研究（cross-sectional survey），非实验设计 |
| Treatment设计 | 无Treatment。自变量为AI交易工具使用程度（连续变量），因变量为三种认知偏差 |
| 随机化 | 无随机化。采用目的性抽样 |
| 自变量 | AI Trading Tool Usage（AI交易工具使用度），由Section E的8个题目测量 |
| 因变量 | (1) Loss Aversion损失厌恶；(2) Overconfidence Bias过度自信偏差；(3) Anchoring Bias锚定偏差 |
| 因果识别 | 无法进行因果识别。SEM路径系数仅反映相关关系，不能推断因果。研究设计无法排除反向因果（偏差更重的人可能更倾向使用AI工具）和遗漏变量偏误 |
| 样本量 | N=400（先导研究n=50） |
| 激励机制 | 未提及任何参与激励或报酬 |
| 数据分析方法 | 结构方程模型(SEM)、验证性因子分析(CFA)、路径分析 |
研究设计亮点
- 完整的问卷附录：论文提供了完整的问卷原文（34题），便于复制
- 多维度认知偏差测量：同时测量三种认知偏差，允许跨偏差比较
- 基于已验证量表：损失厌恶和过度自信的测量基于经典文献的已验证量表
- SEM方法：使用结构方程模型可以同时估计多条路径关系
研究设计局限
- 核心局限 -- 无因果推断能力：横截面调查设计无法建立因果关系，AI工具使用与认知偏差之间的关系可能是双向的
- 自我报告偏差：所有变量均通过自我报告测量，交易者可能无法准确评估自己的偏差程度
- 目的性抽样：非概率抽样限制了结果的外部效度和可推广性
- 缺乏行为数据：仅测量态度和自我感知，未测量实际交易行为或决策结果
- 同源方法偏差(Common Method Bias)：自变量和因变量均来自同一问卷同一被试，容易产生同源方法偏差
- 无控制变量：未控制交易经验、金融知识水平、风险偏好等可能的混淆变量
- 地域限制：仅覆盖印度交易者，结果可能不适用于其他市场
- AI工具类型未区分：将四种不同类型的AI工具合并为一个自变量，未单独分析每种工具的差异化效应
维度2：理论模型
基准理论框架
1. 前景理论 (Prospect Theory, Kahneman & Tversky, 1979)
- 核心命题：个体对收益和损失的感知是不对称的；损失的心理痛苦约为等量收益带来的愉悦的两倍
- 在本文的应用：AI交易工具可能通过数据驱动的风险评估和概率分析，改变交易者对损失的情绪反应，从而降低损失厌恶
- 价值函数的关键特征：参考点依赖、损失厌恶（损失区间更陡峭）、边际敏感性递减
2. 过度自信理论 (Overconfidence, Barber & Odean, 2001; Daniel & Hirshleifer, 2015)
- 核心命题：投资者系统性地高估自己预测股价走势的能力，导致过度交易和业绩不佳
- 在本文的应用：AI工具的历史绩效指标和预测准确率可能制造一种"确定性错觉"，使交易者忽视金融市场内嵌的不确定性，进一步放大过度自信
3. 锚定与调整启发式 (Anchoring & Adjustment, Tversky & Kahneman, 1974)
- 核心命题：个体在判断时过度依赖最初获得的信息（锚），后续调整不充分
- 在本文的应用：AI生成的价格预测、情绪评分和趋势预测充当了新的"锚"，影响交易者的估值过程和决策框架
概念框架
论文提出的概念模型为单向路径：
AI Trading Tools ──> Loss Aversion (H1)
(算法交易系统、 ──> Overconfidence Bias (H2)
智能投顾、 ──> Anchoring Bias (H3)
情绪分析模型、
预测分析平台)
三个假设
- H1：AI交易工具（算法交易系统、智能投顾、情绪分析模型和预测分析平台）显著影响交易者的损失厌恶
- H2：AI交易工具对投资决策中的过度自信偏差有显著影响
- H3：AI交易工具显著影响交易者估值过程中的锚定偏差
关键假设
- 假设AI工具使用是外生的（但实际上可能内生）
- 假设Likert量表能够有效捕捉认知偏差的程度
- 假设自我报告的态度与实际行为一致
- 假设四类AI工具的效应方向一致，可以合并为单一变量
可检验预测
- AI工具使用频率越高，损失厌恶越低（负相关）
- AI工具使用频率越高，过度自信越强（正相关）
- AI工具使用频率越高，锚定偏差越强（正相关）
维度3：核心发现
样本描述统计
- 性别：男性72%，女性28%
- 平均年龄：34.7岁（SD=7.8）
- 交易经验：45%有5年以上经验，55%有1-5年经验
- AI工具使用频率：63%每天使用，27%每周数次，10%偶尔使用
- AI工具使用得分均值：4.02（SD=0.78），5点量表
- 损失厌恶均值：3.85（SD=0.91）
- 过度自信均值：3.92（SD=0.85）
- 锚定偏差均值：3.78（SD=0.87）
信效度检验
- Cronbach's alpha：所有构念均>0.80
- 组合信度(CR)：0.83-0.91
- 平均方差提取量(AVE)：所有构念均>0.50（收敛效度满足）
- 区分效度：通过Fornell-Larcker准则验证
SEM模型拟合指标（Table 2）
| 拟合指标 | 值 | 可接受阈值 |
|---|---|---|
| Chi-Square/df | 2.66 | < 3.0 |
| CFI | 0.93 | >= 0.90 |
| TLI | 0.93 | >= 0.90 |
| RMSEA | 0.05 | <= 0.08 |
| SRMR | 0.04 | <= 0.08 |
核心结果（Table 1：SEM路径分析）
| 假设 | 路径 | 路径系数(beta) | SE | t值 | p值 | R-squared | Effect Size(f-squared) | 结果 |
|---|---|---|---|---|---|---|---|---|
| H1 | AI Tool Usage --> Loss Aversion | -0.41 | 0.05 | -8.20 | <0.001 | 0.27 | 0.19 | 支持 |
| H2 | AI Tool Usage --> Overconfidence | +0.56 | 0.04 | 12.35 | <0.001 | 0.34 | 0.27 | 支持 |
| H3 | AI Tool Usage --> Anchoring Bias | +0.48 | 0.06 | 9.67 | <0.001 | 0.30 | 0.23 | 支持 |
结果解读
H1（损失厌恶，beta=-0.41）：
- AI工具使用与损失厌恶呈显著负相关。频繁使用AI工具的交易者损失厌恶程度更低
- AI工具使用解释了损失厌恶27%的方差（R-squared=0.27）
- Effect size f-squared=0.19，属于中等偏大效应
- 机制解释：AI工具通过数据驱动的概率分析和自动化决策功能，减少了与潜在损失相关的情绪反应，使交易者更愿意承担经过计算的风险
H2（过度自信，beta=+0.56）：
- AI工具使用与过度自信呈显著正相关，且效应最强
- AI工具使用解释了过度自信34%的方差（R-squared=0.34）
- Effect size f-squared=0.27，属于大效应
- 机制解释：(a) 交易者过度依赖AI的算法预测，假设模型是"无误的"；(b) 与AI工具的持续交互强化了"决策能力因AI而提升"的信念，导致过度仓位、忽视对冲等风险管理
H3（锚定偏差，beta=+0.48）：
- AI工具使用与锚定偏差呈显著正相关
- AI工具使用解释了锚定偏差30%的方差（R-squared=0.30）
- Effect size f-squared=0.23，属于中等偏大效应
- 机制解释：AI生成的价格目标、情绪评分和趋势预测充当了心理锚点。交易者锚定在AI模型的第一个价格预测上，即使后续市场变化显示不同估值，也难以调整
稳健性
- 论文未进行系统的稳健性检验。未报告替代模型规范、亚组分析、或交叉验证
- 论文在结论部分明确指出这是局限：建议未来研究应进行多组SEM分析、使用替代模型规范、以及跨数据集交叉验证
- CFA模型拟合指标（CFI=0.93, TLI=0.93, RMSEA=0.05, SRMR=0.04）均在可接受范围内
与其他研究的比较
- 损失厌恶降低：与Lo (2017)、Statman (2018) 一致，他们认为AI通过提供基于证据的结构化投资策略可以减弱损失厌恶倾向；但与Fuster et al. (2012) 相反，后者认为如果交易者仅被动接受AI建议，损失厌恶可能被强化
- 过度自信增强：与Daniel & Hirshleifer (2015) 一致，后者发现易于获取复杂交易算法会使交易者相信自己具有卓越的预测能力；也与Odean (1999) 过度交易的发现一致
- 锚定偏差增强：与Shefrin (2002) 一致，AI预测可以充当额外的锚点；与Fritz-Morgenthal et al. (2022) 的呼吁一致，后者主张需要更多透明度以确保投资者批判性分析AI推荐；但Fischhoff (2017) 发现动态调整策略的交易者对锚定偏差的易感性较低
维度6：与其他文献的关系
领域位置
- 跨领域：行为金融学 (Behavioral Finance) x 人工智能与金融科技 (AI/FinTech)
- 子领域：AI对投资者心理和决策偏差的影响
- 方法论定位：调查研究，定量分析，属于探索性研究而非因果推断研究
- 期刊层次：IUP Journal of Accounting Research & Audit Practices，印度IUP出版社期刊，属于区域性学术期刊，非顶刊
核心对话论文
| 论文 | 关系 |
|---|---|
| Kahneman & Tversky (1979) Prospect Theory | 理论基础 -- 损失厌恶的前景理论框架 |
| Tversky & Kahneman (1974) Anchoring | 理论基础 -- 锚定偏差的启发式框架 |
| Glaser et al. (2013) Overconfidence scale | 方法来源 -- 过度自信量表 |
| Daniel & Hirshleifer (2015) | 对话 -- 过度自信与过度交易 |
| Barber & Odean (2001) | 对话 -- 互联网与投资者行为 |
| Lo (2017) Adaptive Markets | 对话 -- AI可能减少冲动交易行为 |
| Barberis, Mukherjee & Wang (2016) | 对话 -- 前景理论与股票收益 |
| Fritz-Morgenthal et al. (2022) | 对话 -- AI金融风险管理的透明度与可解释性 |
| Santiago (2020) | 对话 -- 自动化偏差(automation bias)概念 |
| Bhatia et al. (2021) | 对话 -- 智能投顾与情绪偏差 |
新贡献
- AI工具的"双刃剑"效应：首次系统性地实证展示AI交易工具对不同认知偏差具有方向相反的效应 -- 降低损失厌恶（正面效果），但同时放大过度自信和锚定偏差（负面效果）
- 新兴市场视角：以印度零售交易者为样本，填补了发展中市场AI交易与认知偏差关系的文献空白
- 完整的测量工具：提供了一套完整的中英文问卷工具（附录），可供未来研究复制和改进
- 政策建议维度：提出AI交易平台应内置"去偏差"(debiasing)功能，如动态重新校准方法、风险预警和绩效反馈机制
重要方法论警示
本文是问卷调查研究而非实验研究。其发现的"影响"(influence)实际上是相关关系，不能解读为因果效应。论文标题中的"Influence"和"Exploratory Study"的措辞需要谨慎对待。如果要建立因果关系，需要进行随机对照实验（例如随机分配交易者使用或不使用AI工具，观察其偏差变化）。
本vault内已有的相关笔记双链
理论与方法基础
- Daniel_Hirshleifer_2015_Overconfident_Returns_Trading — 过度自信导致过度交易的理论与实证基础，本文H2检验AI是否进一步放大该机制
- Barber_Odean_BoysWillBeBoys_Gender_Overconfidence — 经典过度自信文献，本文借鉴其量表思想
- Glaser_2009_PastReturns_TradingVolume — 过度自信测量量表的方法来源
- Odean_Volume_Overconfidence — 过度自信与交易量的早期实证
AI/智能投顾与投资者行为对话
- Bianchi_2026_HumanRobot_InvestmentDecisions — 智能投顾与人类交互对投资决策的影响
- EvenTov_Lourie_2025_AI_RetailInvestorBehavior — AI与零售投资者行为
- Bini_BehavioralEconomics_AI_LLMBiases — LLM/AI系统中的行为偏差
- Faia_Fuster_2022_InformationSelectionBiases — 信息选择与偏差
前景理论与损失厌恶
- Barberis_PsychologyBased_AssetPricing — 前景理论在资产定价中的现代应用
- BenDavid_2012_RealizingLosses_TradingResponses — 损失厌恶与处置效应的实证
自信与不确定性
- Amelio_2022_CognitiveUncertainty_Overconfidence — 认知不确定性与过度自信
- Bregu_2020_Overconfidence_Overtrading_Feedback — 过度自信与反馈机制
维度4：变量概览
| 变量类型 | 变量名称 | 测量方式 | 量表来源 |
|---|---|---|---|
| 自变量 | AI Trading Tool Usage（AI交易工具使用度） | 8题Likert（频率、依赖度、信任、感知绩效） | 自编量表 |
| 因变量1 | Loss Aversion（损失厌恶） | 13题Likert，含框架、边际敏感性、参考点题项 | 改编自 Kahneman & Tversky (1979) |
| 因变量2 | Overconfidence Bias（过度自信偏差） | 7题Likert，覆盖选股技巧、预测准确性、市场跑赢信念 | 改编自 Glaser et al. (2013) |
| 因变量3 | Anchoring Bias（锚定偏差） | 6题Likert，测量首信息依赖、调整不充分 | 改编自 Tversky & Kahneman (1974) |
| 人口学变量 | 性别、年龄段、AI交易经验年限、使用频率 | 分类变量 | 自编 |
| 工具类型分项题 | 4类AI工具的影响排序 | 三类偏差各设1题排序 | 自编 |
关键说明：所有变量均通过同一份问卷自我报告获得，存在同源方法偏差（CMB）风险；研究未引入任何客观行为指标（实际交易记录、收益率、换手率）作为外部验证。
维度5：局限性
- 无因果识别能力：横截面调查设计不允许因果推断，beta系数仅反映条件相关。AI工具使用与认知偏差之间存在反向因果与遗漏变量的双重内生性威胁
- 同源方法偏差：自变量与因变量均出自同一被试同一问卷，可能系统性放大相关强度
- 自我报告局限：被试通常无法准确识别自身偏差程度，过度自信被试尤其难以承认自己过度自信
- 目的性抽样：非概率抽样限制外部效度，样本可能向高度卷入的活跃用户倾斜
- 缺乏行为数据：未结合交易记录、持仓、收益等客观行为指标进行交叉验证
- AI工具异质性被忽略：将算法交易、智能投顾、情绪分析、预测分析合并为单一构念，掩盖工具间的差异化效应
- 缺乏控制变量：未控制金融素养、风险偏好、收入水平、信息环境等关键混淆变量
- 地域单一性：仅印度市场样本，新兴市场与发达市场的AI生态结构差异较大，外推性有限
- 未做稳健性检验：未报告替代规范、亚组检验、跨样本验证或反事实分析
维度7：可拓展的研究方向
- 随机对照实验设计：随机分配被试使用/不使用AI工具，并引入客观行为指标（交易记录、收益率、换手率），破除内生性
- AI工具异质性分解：分别估计算法交易、智能投顾、情绪分析、预测分析对每种偏差的差异化效应；尤其区分"建议型"AI（被动信息提供）与"执行型"AI（主动代理）
- 跨市场比较：将印度样本与美国、欧洲、中国等市场对比，识别制度环境与AI生态对偏差关系的调节作用
- 纵向追踪研究：长期追踪同一组交易者的AI使用与偏差变化轨迹，识别学习与适应过程
- AI透明度与可解释性的调节作用：黑箱AI vs. 可解释AI对锚定与过度自信的差异化影响
- 去偏差(debiasing)干预实验：测试AI平台内置风险预警、置信区间、反事实模拟等界面设计对偏差缓解的效果
- 与LLM代理的对比：将传统算法AI与基于LLM的智能投顾进行对照，研究新一代生成式AI的偏差放大效应
- 金融素养与AI的交互：检验金融素养是否调节AI使用与偏差的关系——AI是否会扩大金融弱势群体的偏差差距
- 真实交易数据嵌套：与券商或平台合作，将问卷自报数据与实际交易行为数据匹配，做出客观-主观偏差对照
- 结合EEG/眼动等过程数据：在实验室环境下用过程数据揭示AI建议如何充当"锚"以及如何引发情绪反应
标签
#behavioral_finance #AI_trading #cognitive_biases #loss_aversion #overconfidence #anchoring_bias #survey_study #SEM #India #FinTech #非实验研究
关键结论
- AI交易工具显著降低损失厌恶（beta=-0.41, p<0.001）：数据驱动的概率分析与自动化决策似乎弱化了与潜在损失相关的情绪反应，使交易者更愿承担经过计算的风险
- AI交易工具显著放大过度自信偏差（beta=+0.56, p<0.001，效应最强）：AI的历史绩效与预测准确率制造"确定性错觉"；持续与AI交互强化"我比市场更聪明"的信念
- AI交易工具显著放大锚定偏差（beta=+0.48, p<0.001）：AI生成的价格目标、情绪评分、趋势预测充当了新型心理锚点，交易者难以根据后续信息充分调整
- AI对投资者心理是"双刃剑"：单一工具同时改善某些偏差并恶化另一些偏差，说明AI不是无差别的"去偏差"良药；平台设计与监管必须区别对待不同偏差
- 方法论警示：横截面调查无法识别因果方向；偏差更严重的交易者可能本就更倾向使用AI，结果不能直接被解读为"AI导致偏差"
- 政策启示：AI交易平台应主动嵌入去偏差功能（动态校准、风险预警、置信区间显示、反事实情景），监管机构需要将"AI放大行为偏差"列入金融科技风险评估清单