我的笔记

Sundali_2012_Goals_Emotions_AssetAllocation

更新于 2026/7/5

The Effect of Setting Goals and Emotions on Asset Allocation Decisions

元数据

  • 作者: James A. Sundali, Gregory R. Stone, Federico L. Guerrero
  • 年份: 2012
  • 期刊: Managerial Finance, Vol. 38, No. 11, pp. 1008-1031
  • DOI: 10.1108/03074351211266766
  • 关键词: 目标设定, 情绪反馈, 资产配置, 赌徒谬误, 热手效应, 行为金融
  • JEL: G11, D03

一句话总结

通过2x2被试间实验（目标设定 x 情绪面孔反馈），证明在20轮重复资产配置决策中，情绪面孔（happy/sad face）反馈显著增加配置变化频率（违反MPT的"自动驾驶"被动策略），目标设定对此过度交易具有抑制作用，被试整体行为更符合"热手效应"信念而非赌徒谬误。

研究问题

  1. 面对重复资产配置决策时，被试是否采用MPT建议的被动配置策略？
  2. 若采用主动策略，能否用代表性启发式（赌徒谬误）或控制幻觉（热手效应）等自相关信念解释？
  3. 情绪刺激（happy/sad face反馈）是否会降低配置稳定性？
  4. 目标设定（goal-setting）是否会提高配置稳定性？
  5. 二者之间是否存在交互效应（goal能否抑制emotion引发的过度交易）？

核心贡献

  1. 实验设计创新：首次在重复资产配置实验中同时操纵目标设定（goal-setting）与情绪反馈（affect-laden faces），形成2x2被试间设计
  2. 理论整合：将Carver & Scheier (1998)的自我调节理论（self-regulation theory）与Loewenstein et al. (2001)的"风险即感受"假说（risk-as-feelings）整合到资产配置决策框架中，提出情绪在输出函数层面绕过认知比较器直接影响决策
  3. 实证发现：情绪面孔反馈使配置变化幅度提升约45%（AC从14.5升至21.1），目标设定显著抑制此情绪诱导的过度交易（Face×Goal交互效应p=0.024）
  4. 行为偏差识别：被试整体表现出热手效应（42%决策符合）多于赌徒谬误（32%），且过度交易显著降低最终账户余额

维度1：实验设计分析

研究问题

投资者在面对重复资产配置决策时，是否会采用被动的MPT策略？目标设定和情绪反馈（开心/悲伤的面孔）如何影响资产配置的稳定性和风险承担？

实验设计概览

  • 设计类型: 2 x 2 被试间设计（Between-subject）
  • 操控变量:
    • Goal（目标设定）: Goal vs. No Goal
    • Face（情绪面孔反馈）: Face vs. No Face
  • 四个实验条件: Face+Goal, Face+No Goal, No Face+Goal, No Face+No Goal
  • 被试: 47名内华达大学里诺分校员工（通过校园邮件招募），38%男性，62%女性，平均年龄38.7岁
  • 激励: $5.00出场费 + 基于投资表现的额外收入（$5.00-$50.00），平均最终账户余额$40.30

实验任务详细流程

第一步：指导与准备

  • 被试到达计算机实验室，实验室有8排联网电脑（每排6台）
  • 每个条件11-14名被试，分散坐开确保隐私
  • 朗读知情同意书和实验说明

第二步：练习阶段（2轮练习）

  • 被试获得$5.00初始禀赋
  • 进行2轮不计报酬的练习投资决策
  • 练习轮初始配置为25%均分到四种资产

第三步：目标设定（仅Goal条件）

  • Goal条件被试被要求设定第20年末的账户余额目标
  • 目标范围：$0.00-$70.00
  • 提示合理目标范围：$10.00（非常容易）到$60.00（非常困难）

第四步：正式投资决策（20轮）

  • 每"年"（轮次），被试在电子表格界面中将禀赋分配到四种投资选项：
    • 现金（Cash）: 固定回报率4%，无风险
    • 美国股票（US Stocks）: 基于S&P 500，年化回报11.36%，标准差16.98%
    • 债券（Bonds）: 基于Lehman综合债券指数，年化回报8.09%，标准差7.31%
    • 全球股票（Global Stocks）: 基于MSCI EAFE指数，年化回报11.75%，标准差21.66%
  • 被试以百分比形式输入各资产配置，总和须为100%
  • 确认后点击"Final Decision"按钮

第五步：反馈呈现

  • 所有条件: 显示投资组合预期回报、实际回报百分比、各资产实际年回报、实际美元回报、账户余额
  • Goal条件额外信息: 显示第20年目标金额，便于追踪目标达成进度
  • Face条件额外信息: 若实际回报 >= 预期回报，显示开心面孔；若实际回报 < 预期回报，显示悲伤面孔
  • 资产回报生成: 使用1972-1991年间四种资产的实际历史年回报数据随机抽取

第六步：实验结束

  • 完成20轮后填写问卷（包含TIAA-CREF风险厌恶量表6题）
  • 填写收入记录和收据
  • 现金支付后离场
  • 大多数被试用时25-45分钟

关键设计特征

  • 使用真实历史回报数据（1972-1991年S&P 500, Lehman Bond, MSCI EAFE）
  • 激励相容：报酬直接取决于投资表现
  • 重复决策：20个周期，模拟长期投资情境
  • 情绪操纵通过面孔表情实现（视觉刺激）

维度2：理论模型

理论框架

1. 现代投资组合理论（MPT）

  • Markowitz (1959), Sharpe (1964), Lintner (1965), Tobin (1958)
  • MPT建议：风险偏好稳定时，资产配置应保持不变（"自动驾驶"策略）
  • 本实验以MPT的被动策略为基准，检验被试是否偏离

2. 赌徒谬误与热手效应

  • 赌徒谬误：相信随机序列存在负自相关（代表性启发式，Tversky & Kahneman, 1971）
  • 热手效应：相信随机序列存在正自相关（控制幻觉，Langer, 1975）
  • 作者发现被试行为更符合热手效应：正（负）回报后增加（减少）风险

3. 自我调节理论（Self-Regulation Theory）

  • Carver and Scheier (1998): 行为如同恒温器，通过反馈回路调节
  • 目标作为参考值（reference value），绩效反馈作为输入，偏差触发行为调整
  • 作者提出资产配置决策的自我调节模型（Figure 6）：
    • 资产配置决策 -> 资产配置表现 -> 输入函数（感知器）-> 比较器（绩效 vs. 目标）-> 输出函数 -> 新的资产配置决策
    • 情绪（"Risk as Feelings"）在输出函数层面直接影响决策，绕过认知比较器

4. 风险即感受假说（Risk-as-Feelings Hypothesis）

  • Lowenstein et al. (2001): 情绪是决策过程的核心输入，而非仅是认知评估的副产品
  • 预期情绪（anticipated emotions）和预期性情绪（anticipatory emotions）都影响决策
  • 面孔反馈可能增强预期性情绪的鲜活性（vividness），从而放大对过去回报的反应

核心模型

回归模型检验热手效应与目标进展效应：
$PR_{i,t} = \alpha_0 + \alpha_1 PTG_{i,t} + \alpha_2 PPR_{i,t-1} + \varepsilon_{it}$
其中 PR_{i,t} 为投资组合风险代理变量，PTG_{i,t} 为"目标进展"代理变量，PPR_{i,t-1} 为上期投资组合回报。

维度3：核心发现

发现1：被试积极调整资产配置，偏离MPT被动策略

  • 被试在74%的年份中调整了资产配置，仅26%的年份无变化
  • 平均年度资产配置变化量（AC）= 17.6个百分点（跨被试平均）
  • 仅1名被试（Subject 3）完全不改变配置
  • 最活跃者（Subject 10）平均年度AC = 61.3

发现2：情绪面孔反馈显著增加配置变化

  • Face条件 AC = 21.1（SD = 23.2） vs. No Face条件 AC = 14.5（SD = 16.8）
  • ANOVA: F = 7.75, p = 0.0061（Face主效应显著）
  • Face+No Goal条件变化最大（AC = 24.2），说明无目标约束下面孔反馈导致最频繁的再平衡
  • Effect size: Face条件的AC比No Face高约45%

发现3：目标设定主效应不显著，但交互效应显著

  • Goal主效应: F = 0.13, p = 0.72（不显著）
  • Face x Goal交互效应: F = 5.19, p = 0.024
  • Goal条件: AC = 17.6 vs. No Goal: AC = 17.7（几乎相同）
  • 但Face+Goal (AC=18.1) vs. Face+No Goal (AC=24.2)，说明目标设定抑制了面孔反馈带来的过度交易

发现4：资产配置变化符合正自相关信念（热手效应）

  • 上年回报为正时：52%的被试降低风险，40%增加风险，25%不变 -> 但从配置方向看，整体倾向增加风险
  • 上年回报为负时：52%降低组合预期回报，23%增加
  • Logistic回归：上年正回报后，被试增加组合预期回报的概率约为减少的2倍（point estimate = 2.089）
  • 上年负回报后，被试降低组合预期回报的概率约为正回报后的2.08倍（1.08/0.52）
  • 32%的决策符合赌徒谬误，42%符合热手效应

发现5：投资组合风险水平受年份效应影响

  • 平均投资组合预期回报（PER）= 9.3%，标准差 = 11.0%
  • Year主效应显著：F = 2.74, p < 0.01
  • 连续两年负股票回报后（Year 4, Year 12），被试显著降低风险
  • Year 4: PER = 8.7%, PST = 9.6%（均显著低于均值）

发现6：目标设定边际改善最终收益

  • 最终账户余额回归：Goal系数 = 6.13, t = 1.90, p < 0.10（边际显著）
  • 风险厌恶测量系数 = 0.52, t = 4.38, p < 0.01（承担更多风险 -> 更高余额）
  • 年均资产配置变化量系数 = -0.43, t = -3.35, p < 0.01（频繁交易 -> 更低余额）
  • 常数配置者Subject 3赚$56.99，频繁交易者Subject 10仅赚$19.99
  • 平均最终余额 = $40.30

发现7：进展向目标的效应（Gap Reduction）

  • 10个目标进展代理变量中，仅"gap reduction"变量（目标差距缩小）统计显著
  • 目标差距缩小10个百分点 -> 下期现金持有减少约10个百分点（增加风险资产）
  • 但此结果不稳健（其他9个代理变量不显著）

维度6：与其他文献的关系

本文在文献中的位置

本文处于行为金融与实验经济学的交叉领域，具体聚焦于：

  1. 重复资产配置实验: 延续Kroll et al. (1988a,b) 和 Rieskamp (2006) 的实验范式，但加入了情绪和目标操纵
  2. 情绪与金融决策: 连接Hirshleifer & Shumway (2003) 的天气-回报关系和Kuhen & Knutson (2011) 的神经科学证据
  3. 自我调节与投资行为: 创新性地将Carver & Scheier (1998) 的自我调节理论应用于资产配置领域

与关键文献的关系

文献 关系
Kroll, Levy & Rapoport (1988a,b) 先驱实验范式：实验室中的重复资产配置决策
Rieskamp (2006) 发现近因效应影响退休储蓄配置
De Bondt & Thaler (1985) 投资者对过去表现的过度反应
Barberis_PsychologyBased_AssetPricing 投资者情绪与心理基础资产定价模型
Barber_Odean_1998_IndividualInvestors_Performance 个体投资者过度交易导致绩效降低（与本文最终余额回归一致）
Odean_Volume_Overconfidence 过度自信驱动过度交易（与本文情绪诱发的过度交易机制相关）
Daniel_Hirshleifer_2015_Overconfident_Returns_Trading 过度自信投资者的交易行为与回报
Croson & Sundali (2005) 作者自己的赌徒谬误与热手效应研究（赌场数据）
Lowenstein et al. (2001) Risk-as-Feelings理论框架
Locke & Latham (2002) 目标设定理论的基础文献
Carver & Scheier (1998) 自我调节理论
BenDavid_2012_RealizingLosses_TradingResponses 已实现损益与交易反应（情绪与disposition effect）
Bianchi_2026_HumanRobot_InvestmentDecisions 人机投资决策（AI顾问能否抑制情绪交易）

主要贡献

  1. 首次在资产配置实验中同时操纵目标设定和情绪反馈
  2. 提供实验证据表明情绪刺激（面孔）显著增加配置调整频率
  3. 发现目标设定可以抑制情绪反馈导致的过度交易（交互效应）
  4. 开发了整合自我调节理论和risk-as-feelings假说的资产配置决策框架

局限性

  • 样本量较小（N=47）
  • 被试经历的是高平均回报时期（1972-1991），可能限制外部效度
  • 实验室环境 vs. 真实投资环境的生态效度问题
  • 目标变量的操作化较为模糊（被试设定的目标差异很大）
  • 因果机制（热手效应 vs. 情绪/心境效应）难以完全分离

维度4：变量概览

自变量（操控变量）

变量 类型 取值 操作化
Goal 二元 Goal / No Goal 是否要求被试设定第20年末账户余额目标（$0-$70范围）
Face 二元 Face / No Face 反馈中是否显示happy/sad面孔（实际回报vs预期回报）

因变量（结果变量）

变量 定义 测量
AC（Asset Change） 年度资产配置变化量 各资产配置百分比变化绝对值之和的一半
PER（Portfolio Expected Return） 投资组合预期回报率 加权平均各资产历史平均回报
PST（Portfolio Standard Deviation） 投资组合标准差 基于历史回报和协方差矩阵
Final Balance 第20年末账户余额 实际投资表现累积值（$5–$50）

控制变量

  • 风险厌恶（TIAA-CREF 6题量表）
  • 性别、年龄
  • 年份效应（Year fixed effects, 1-20轮）

关键代理变量

  • PTG（Progress Toward Goal）：10种操作化方式（gap reduction、time remaining、ratio等）
  • PPR（Prior Period Return）：上期实际投资组合回报

维度5：局限性

  1. 样本规模与代表性：N=47，仅来自内华达大学里诺分校员工（学术机构白领），可能不代表普通投资者；38%男性可能存在性别效应未控制
  2. 历史回报窗口的特殊性：使用1972-1991年S&P 500/Bonds/EAFE历史数据，处于股票高回报时期（年化11.36%），外部效度受限；若用2008金融危机时期数据可能结果不同
  3. 目标设定的异质性：被试自由设定目标（$0-$70），目标难度/可达性差异巨大（从"非常容易"$10到"非常困难"$60），混淆了目标存在效应与目标难度效应
  4. 实验时长短：20轮决策约25-45分钟，无法检验长期行为稳定性；真实退休投资是几十年决策
  5. 情绪操纵的纯度：happy/sad face既可能引发情绪反应，也可能仅作为显著性提示（salience cue），二者机制难以分离
  6. 激励规模有限：最终报酬$5-$50，相比真实退休账户金额过小，可能低估实际过度交易程度（也可能高估，因被试对小额更轻率）
  7. 生态效度：实验室设置缺乏真实投资的搜索成本、税收、佣金等摩擦，被试可能更频繁交易
  8. 理论模型未结构化估计：自我调节理论框架仅以regression形式检验，未进行结构估计

维度7：可拓展的研究方向

  1. 目标类型与难度系统操纵：将目标作为外生randomized treatment（vs. 自选），分别检验easy/moderate/stretch goals对配置稳定性的影响
  2. 真实投资者样本与场域实验：与401(k)plan合作进行field experiment，检验在真实退休账户中加入goal tracking dashboard和emotional feedback的效果
  3. 神经经济学扩展：结合fMRI/skin conductance测量happy/sad face观看时的情绪激活强度，验证Loewenstein的risk-as-feelings机制
  4. 情绪反馈的差异化设计：比较绝对绩效面孔（vs. expected return）、相对绩效面孔（vs. peer/benchmark）对交易频率的不同影响
  5. 学习与适应：扩展到100+轮决策，检验被试是否随经验积累逐步收敛到MPT被动策略
  6. 性别与文化差异：拓展到不同性别比例、东西方文化样本，检验情绪反馈效应的异质性
  7. 结构估计与机制分离：估计structural model（如Loewenstein-style风险即感受效用函数），分离情绪强度参数与beliefs参数
  8. AI/Robo-advisor对比：检验AI财务顾问能否通过抑制情绪反馈提升投资者最终绩效（与Bianchi_2026_HumanRobot_InvestmentDecisions相关）
  9. Disposition effect联动：研究goal-setting是否能缓解disposition effect（参与BenDavid_2012_RealizingLosses_TradingResponses文献）
  10. 目标-情绪交互的边界条件：在哪些条件下goal反而强化emotion效应（例如目标差距过大触发desperation交易）

标签

#实验经济学 #行为金融 #资产配置 #情绪 #目标设定 #热手效应 #赌徒谬误 #自我调节 #risk-as-feelings #投资决策 #实验室实验

关键结论

  1. MPT的"自动驾驶"建议在实践中失败：被试在74%的年份调整资产配置（仅26%维持），平均年度配置变化17.6个百分点，强烈违背MPT的被动策略规范，且过度交易显著降低最终账户余额（AC系数=-0.43, p<0.01）
  2. 情绪面孔反馈是过度交易的强力催化剂：simply在反馈中加入happy/sad face即使配置变化提升45%（21.1 vs 14.5, p=0.0061），证明情绪刺激（vs. 纯认知信息）会显著增加投资者再平衡频率
  3. 目标设定对情绪反馈具有抑制作用：Goal主效应不显著，但Face×Goal交互效应显著（p=0.024），说明目标设定的价值在于"对冲"情绪冲动——Face+Goal下AC=18.1，远低于Face+No Goal的24.2
  4. 被试持有正自相关信念（热手效应主导）：上年正回报后增加风险资产的概率约为减少的2倍，42%决策符合热手效应，远多于赌徒谬误（32%），与Croson & Sundali (2005)赌场数据一致
  5. 理论贡献：自我调节理论（Carver-Scheier）+ 风险即感受（Loewenstein）的整合框架可以解释情绪如何在输出函数层面绕过认知比较器直接驱动投资决策，为行为投资组合理论提供新的微观基础