Mind_2025_Mind_Gap_Investor_Beliefs
Mind the Gap: Investor Beliefs vs. Trading Actions
**Unknown (2025), **
摘要
Do investors act consistently on their beliefs when they trade? We study this question in a controlled trading experiment that jointly elicits individual return forecasts and trading decisions. While behavioral finance has richly documented how biased expectations and dynamic preferences shape trading, we highlight an important and distinct friction in investor behavior: a belief-action gap, where decisions are less consistently aligned with beliefs. Selling decisions are much less aligned with investors' beliefs than buying decisions, and this gap is driven almost entirely by positions held at a paper loss. Investors frequently keep losing assets they explicitly expect to fall further. Using a probabilistic choice framework, we show that this belief-use inconsistency is distinct from both dynamic risk preferences and subjective beliefs and is a major source of trading underperformance. Finally, we implement an automated selling mechanism that removes discretionary selling. This intervention restores belief-action consistency and substantially improves profitability, indicating that reluctance to realize losses reflects a behavioral failure to act on information rather than optimal risk-taking.
Mind the Gap: Investor Beliefs vs. Trading Actions
Grosshans & Zeisberger (2025)
一句话总结
投资者在交易中常常未能依据自身信念行事，尤其在面临账面亏损时卖出决策与信念的一致性显著下降，这种"信念—行动鸿沟"是一个独立于风险偏好和信念形成偏差的行为摩擦，并构成交易表现不佳的重要来源。
研究问题
本文要回答什么？ 投资者是否始终按照自身信念（对未来收益的预期）一致地做出交易决策？如果不是，这种不一致性在什么情境下最为突出？它对投资绩效有何影响？
为什么重要？ 标准资产定价和投资组合选择模型假设投资者的信念和偏好通过稳定的传导机制转化为行动。大量文献已研究了信念形成中的偏差和风险偏好的动态变化，但几乎没有研究检验信念使用的一致性。如果信念到行动的转化本身存在系统性摩擦，那么仅关注信念偏差或偏好变化就不足以完整解释投资者行为。
核心贡献
- 首次系统度量信念使用一致性（belief-use consistency）：在控制实验中同时采集个体层面的信念预测和交易决策，直接在决策层面观测信念—行动鸿沟。
- 识别独立于风险偏好和信念偏差的新行为渠道：通过概率选择框架，将风险容忍度（决定交易阈值的位置）与信念使用一致性（决定行为围绕阈值的紧密程度）分离，证明不一致性并非偏好异质性或遗漏的风险厌恶变化的产物。
- 量化信念不一致对投资绩效的损害：将盈利能力分解为风险偏好驱动和信念不一致驱动两个部分，揭示亏损域中信念不一致造成的绩效损失几乎是所有其他决策类型总和的两倍。
- 通过自动卖出干预验证因果机制：消除主动卖出决策后，信念一致性显著提升，买卖间的绩效差异消失，证明不愿实现亏损是行为失误而非最优风险承担。
维度1：实验设计分析
总体框架
- 被试：587名荷兰某大型公立研究型大学的高年级本科生（经济学或工商管理背景），中位年龄20岁，60.5%为男性。
- 实验方式：在线实验，被试在笔记本电脑上独立完成。中位完成时间22分15秒。
- 三个实验条件（被试间设计，随机分配）：
- Baseline条件（N=327，剔除后）
- Bayes条件/客观概率条件（N=110）
- AutoSell条件/自动卖出条件（N=121）
- 数据筛选：按预注册方案，每个条件剔除最快和最慢各2.5%的被试，最终样本N=558。
被试的完整实验经历（逐屏描述）
阶段一：指导说明页
被试阅读详细书面指导：
- "你将扮演一名交易者，决定何时买入和卖出一项资产，根据你的交易表现赚取真实货币。"
- 初始禀赋：200 ECU（实验货币单位），等值EUR 10.00（约USD 11.70）。兑换率：20 ECU = 1 EUR。
- 资产初始价格：125 ECU。
- 交易规则：最多持有1单位资产，不允许卖空，可以负现金余额买入。
- 交易持续40个period。
资产价格变动规则说明
被试看到如下规则和配图：
- 资产在每个period处于"好状态"或"坏状态"之一。
- 好状态：价格上涨概率75%，下跌概率25%。
- 坏状态：价格上涨概率25%，下跌概率75%。
- 价格变动幅度：确定方向后，变动量为2、4或6 ECU，各以1/3概率出现（等概率）。
- 状态转换：每个period后，资产有15%概率切换状态，85%概率保持当前状态。初始状态等概率为好或坏。
- 被试看到Figure 2（状态转换图示）和Figure 3（状态依赖概率分布图示）。
概率估计任务说明
- 被试被告知：除交易决策外，每个period还需估计"资产价格在下一个period上涨的概率"。
- 应基于观察到的历史价格变动推断资产当前可能处于好还是坏状态。
阶段二：理解测试
- 被试必须正确回答5道强制性理解题才能进入正式任务。
- 其中2题明确测试被试是否理解：选择量表端点（35%或65%）意味着100%确信资产处于好状态或坏状态。
阶段三：正式交易任务（40个period）
每个period被试看到的界面（参见Figure 10截图）：
屏幕上半部分（信息区）：
- 当前period编号（如"Period 20"）
- 当前资产价格（如"141 ECU"）
- 当前持仓损益状态（如"Your current position is at a gain: 4 ECU"），旁边有"SELL"按钮（若持有资产）或"BUY"按钮（若未持有）
- 当前现金余额（如"Cash: 65 ECU"）
- 资产价格发展折线图（显示从第0期至当前期的完整价格路径）
屏幕下半部分（信念采集区）：
- 问题："What do you think is the probability that the asset price will increase from now to the next period?"
- 一条水平滑动条，刻度从35%到65%，初始默认位于50%。被试拖动滑块选择概率估计值。
- "Next"按钮提交。
每个period的操作流程：
- 被试观察当前价格、持仓状态、历史价格图
- 决定交易行动（买入/卖出/不操作）
- 用滑动条估计下一期价格上涨概率
- 点击"Next"进入下一period
关键参数：
- 概率估计量表范围：35%–65%（对应贝叶斯更新者的理论极限）
- 每位被试面对独立随机生成的价格路径（消除路径依赖效应）
阶段四：实验结束与支付
收益结构（两部分）：
- 交易收益：40期结束时的最终财富，按20 ECU = 1 EUR转换。
- 信念估计奖励：随机抽取一个period，根据该期概率估计与客观贝叶斯概率的绝对偏差确定：
- 偏差0–1个百分点：+EUR 3（+60 ECU）
- 偏差1–3个百分点：+EUR 2（+40 ECU）
- 偏差3–5个百分点：+EUR 1（+20 ECU）
- 偏差5–10个百分点：+EUR 0
- 偏差>10个百分点：-EUR 1（-20 ECU）
结算屏幕（Figure 11）：显示交易总ECU、抽中的period编号、该期预测值、真实概率、绝对误差、额外支付ECU、折算EUR总收入。
实际支付：被试最终收入EUR 6.00–16.80，平均EUR 10.62，等效时薪EUR 28.76（约USD 33.65），为实验研究典型报酬的约2倍。5天内通过银行转账支付。
阶段五：问卷
实验后填写问卷，收集：社会人口特征、风险偏好、金融素养、统计素养、对交易表现的满意度。
Treatment/Control设计
| 条件 | N（剔除后） | 关键差异 |
|---|---|---|
| Baseline | 327 | 被试自行估计概率 + 自行决定买卖 |
| Bayes条件 | 110 | 直接告知客观贝叶斯概率（无需估计） + 自行决定买卖 |
| AutoSell条件 | 121 | 被试自行估计概率 + 每期末资产自动清算，被试仅决定是否买入 |
随机化策略
- 被试随机分配至三个条件之一
- 每位被试面对独立生成的随机价格路径
- 三个条件同时招募，来自同一学术队列
- 各条件的社会人口特征统计等价
激励机制
- 真实货币激励（交易盈亏 + 信念精度奖励）
- 交易盈亏与信念奖励独立计算，确保信念报告激励兼容
- 信念奖励采用离散支付结构，易于理解
维度2：理论模型
经典理论基准
- 标准投资组合选择模型：交易决策是信念（未来收益预期）和风险偏好的函数。给定信念和偏好，投资者一致性地将其转化为行动。
- 风险中性基准：一个完全一致的风险中性交易者在信念≥50%（价格上涨概率）时始终投资，<50%时不投资。其每期期望利润为0.3279 ECU。
概率选择框架
采用基于线性可加随机效用模型（McFadden, 1981; Woodford, 2020）的Logistic概率选择模型：
- 阈值参数 m = -\alpha/\beta：投资者无差异的信念水平，使 p(INV|m) = 0.5。风险容忍度通过移动 m 的位置起作用（风险中性意味着 m = 0.5）。
- 斜率参数 \beta：衡量信念使用一致性。\beta \to \infty 对应完全确定性阈值规则（完美一致）；\beta 越小，信念对行动的驱动力越弱（越不一致）。
行为偏差模型
- 处置效应（Disposition Effect）：传统上归因于前景理论偏好（loss domain中风险寻求）或实现效用。本文模型中，风险偏好的动态变化（如亏损后风险偏好增加）被控制变量吸收，表现为阈值 m 的移动。
- 信念使用不一致性：一个独立于偏好变化的新行为渠道——投资者的行动对信念的响应程度（\beta）因决策情境而异，尤其在持有亏损头寸时显著降低。
关键假设
- 风险容忍度可因个体和时间而异（通过个体固定效应和动态控制变量捕捉）
- 盈亏对风险容忍度的影响可近似为统一效应（uniform effect）
- 信念的系统性变化（如亏损时更乐观）在计量框架中等效于风险容忍度变化，不干扰对信念使用一致性的度量
可检验预测（预注册假设）
- 投资者持有资产时，投资决策与信念的一致性低于不持有时
- 一致性降低主要源于面临账面亏损的情境
- 自动卖出机制可恢复信念—行动一致性并改善绩效
维度3：核心发现
主要结果
发现1：卖出决策的信念一致性显著低于买入决策
- 线性模型（Table 1, Model I）：信念每增加1个百分点，投资概率增加2.26个百分点（p<0.001）
- Model II：交互项 BELIEF \times INV_{t-1} 系数为 −1.374（p<0.001），意味着卖出者的信念一致性几乎仅为买入者的一半
- Model III：进一步区分后，一致性降低几乎完全由账面亏损驱动。BELIEF \times |GAININV^-| 系数为 −0.051（p<0.001），而 BELIEF \times |GAININV^+| 系数不显著
发现2：Logit模型确认（Table 2）
- 在logit模型中，卖出者的信念一致性降低完全由账面亏损驱动（BELIEF \times |GAININV^-| = −0.5499, p<0.001）
- 面临10 ECU账面亏损的卖出者，最大边际效应约为3.8，比买入者（约5.3）降低约30%
发现3：信念不一致显著损害投资绩效
- 相对于风险中性一致基准（每期0.3279 ECU），买入者期望利润低22%，面临10 ECU亏损的卖出者低57%
- 绩效分解（Figure 5）：
- 买入者：全部绩效不足来自信念不一致（非风险偏好）
- 卖出者：约2/3的绩效不足来自信念不一致
- 亏损域中信念不一致的负面影响是所有其他决策类型总和的近两倍
发现4：个体层面分析确认（Section 3.3）
- 176名被试的子样本分析（每类决策至少5个观测值）
- 将买入者或盈利卖出者与亏损卖出者对比时，3/4的情况下亏损卖出决策的信念一致性更低
- 这不仅是总体模式，在个体层面也是系统性的
发现5：客观贝叶斯概率条件的稳健性（Section 3.4, Tables 3-4）
- 110名被试被直接告知真实概率，消除信念形成误差
- 核心发现完全复现：BELIEF \times |GAININV^-| 在线性模型中 = −0.0385（p<0.001），与Baseline条件无统计差异
- 确认信念不一致并非由信念形成误差或系统性信念变异驱动
发现6：自动卖出机制大幅改善一致性和绩效（Section 3.5, Tables 5-6）
- 121名被试在AutoSell条件下：
- 信念一致性在所有模型中显著提高（BELIEF 系数从Baseline的~2.26升至~3.39）
- INV_{t-1} 的固定效应和交互效应在logit模型中均不显著，买卖不对称性消失
- 绩效大幅提升（Figure 9），买卖之间不再存在显著的盈利差异
- 账面亏损导致的盈利缺口被消除
稳健性检验
- 排除绝对信念误差>10pp的观测值（约1/3数据），重新估计所有模型，结果不变
- 将40个period分为前半段和后半段比较，无学习效应差异
- 客观贝叶斯概率条件作为信念形成渠道的控制
- 个体层面within-subject分析确认非聚合效应
维度4：变量概览
观测变量（Outcome Variables）
| 变量 | 测量方式 |
|---|---|
| INV_{i,t} | 二元变量，=1表示从t期到t+1期持有投资；包含买入和继续持有 |
| 期望利润 \mathbb{E}[\text{Profit}] | 基于信念的期望价格变化 × 投资概率，取信念分布上的无条件期望 |
核心自变量/Treatment变量
| 变量 | 说明 |
|---|---|
| BELIEF_{i,t} | 被试报告的下一期价格上涨概率（35%–65%标尺），或Bayes条件下直接给出的客观概率 |
| INV_{i,t-1} | 二元变量，=1表示被试在t期已持有资产（区分买入者vs卖出者） |
| |GAININV_{i,t}^-| | 当前投资的累计账面亏损绝对值（ECU） |
| |GAININV_{i,t}^+| | 当前投资的累计账面盈利绝对值（ECU） |
| Treatment条件 | Baseline / Bayes / AutoSell（被试间） |
控制变量
| 变量 | 说明 |
|---|---|
| GAINTOT_{i,t} | 被试i截至t期的总交易利润 |
| \mathbb{1}_{i,t} | 个体固定效应指示变量 |
| 个体固定效应 | 控制个体间基线风险容忍度差异 |
维度5：局限性
- 被试样本：高年级本科生而非真实投资者，外部效度有待验证，尽管交易行为模式（如处置效应）与现实市场高度一致。
- 单资产简化设计：被试仅交易一项风险资产，与现实中的多资产组合决策存在差距。
- 信念一致性异质性未充分建模：受限于个体内观测数量不足，主模型假设信念对投资似然性的边际效应跨被试同质，无法估计个体层面的一致性参数。
- 40期的短时间跨度：信念使用不一致性在更长投资周期和更丰富的投资组合环境中如何演化尚不清楚。
- 心理机制未明：认知失调、自我形象维护还是心理账户——具体哪种心理机制驱动信念使用不一致性，本文未能甄别。
- 注意力渠道：虽然未发现系统性注意力变化解释结果，但不能完全排除认知资源有限的角色。
维度6：与其他文献的关系
处置效应文献
- Shefrin_Statman_1985_DispositionEffect：处置效应的经典理论与实证
- Odean_1998_ReluctantLosses：投资者不愿实现亏损的实证证据
- Weber_Camerer_1998_DispositionExperimental：实验中的处置效应
- Barberis_Xiong_2009_DispositionPreference：前景理论偏好解释
- Barberis_Xiong_2012_RealizationUtility：实现效用模型
信念形成与预期
- Bordalo_etal_2020_OverreactionExpectations：宏观预期中的过度反应
- Greenwood_Shleifer_2014_ExpectationsReturns：收益预期与实际收益
- Grosshans_Zeisberger_2018_PricePath：价格路径如何影响投资行为
- DeBondt_Thaler_1985_Overreaction：股市过度反应
- Edwards_1968_Conservatism：人类信息加工的保守主义
信念与行为的映射
- Giglio_etal_2021_BeliefsPortfolios：信念与投资组合的五个事实
- Merkle_Weber_2014_ExpectationsInvesting：市场预期与投资行为
- Hartzmark_etal_2021_OwnershipBeliefs：所有权、学习与信念
偏好与风险承担
- Imas_2016_RealizationEffect：实现亏损vs账面亏损后的风险承担
- Frydman_etal_2014_NeuralRealizationUtility：神经数据检验实现效用
- Frydman_Camerer_2016_NeuralRegret：后悔的神经证据
- Heimer_etal_2025_DynamicInconsistency：风险选择中的动态不一致
专业投资者表现
- Akepanidtaworn_etal_2023_SellingFastBuyingSlow：机构投资者卖出太快、买入太慢
概率选择模型
- McFadden_1981_ProbabilisticChoice：概率选择的计量模型
- Woodford_2020_ImprecisionChoice：感知、估值和选择中的不精确性
认知失调与心理账户
- Chang_Solomon_Westerfield_2016_CognitiveDissonance：认知失调与处置效应
- Frydman_etal_2018_RollingMentalAccounts：滚动心理账户
维度7：可拓展的研究方向
实验设计改进
- 多资产环境：引入多项风险资产的投资组合设计，检验信念不一致是否存在跨资产溢出效应
- 延长时间跨度：增加交易期数（如100+期），观察信念使用不一致性是否随经验累积而衰减或固化
- 真实投资者被试：招募散户投资者或基金经理复现实验，检验外部效度
- 过程追踪：加入眼动追踪或鼠标轨迹记录，区分注意力分配vs决策执行阶段的不一致来源
未探索的调节变量
- 认知能力/认知负荷：高认知能力是否削弱信念—行动鸿沟？外生认知负荷是否放大该效应？
- 金融素养与投资经验：经验丰富的投资者是否表现出更高的信念使用一致性？
- 亏损规模的非线性效应：是否存在亏损阈值，超过后不一致性急剧放大？
- 情绪与生理唤醒：焦虑、压力等情绪状态是否调节信念—行动鸿沟？
- 社会比较与信息环境：知道他人表现或市场共识是否影响一致性？
- 时间压力：决策时间限制是否放大不一致性？
可推广的领域
- Fintech与投顾设计：自动止损、默认清算机制的实际效果评估（从实验走向田野）
- 保险与健康决策：信念—行动鸿沟是否存在于非金融风险决策（如医疗决策、保险购买）中？
- 企业决策：管理者在项目投资/撤资中是否同样面临信念使用不一致（沉没成本效应的微观机制）
- 赌博行为：赌博者在亏损后是否表现出类似的信念—行动脱耦
- 决策架构（choice architecture）：探索更多"nudge"干预（如默认选项、承诺机制）缩小信念—行动鸿沟
关键结论
-
信念使用一致性是理解投资者行为的一个被忽视的关键维度：投资者频繁地在明确预期资产将继续下跌时仍持有亏损头寸，这种信念—行动鸿沟独立于风险偏好和信念形成偏差，是交易表现不佳的主要来源（在亏损域中，其负面影响是所有其他决策类型总和的近两倍）。
-
通过简单的决策架构改变即可显著缓解该问题：自动卖出机制消除了主动卖出决策，使信念—行动一致性大幅提升，买卖间的绩效不对称性消失，表明不愿实现亏损是行为失误而非最优风险承担——这为交易平台和投资顾问系统的设计提供了直接的政策启示。