我的笔记

Trueblood_2021_WealthPredictions_FinancialDecisions

更新于 2026/7/5

When a Gain Becomes a Loss: The Effect of Wealth Predictions on Financial Decisions

元数据

  • 作者: Jennifer S. Trueblood (Vanderbilt University), Abigail B. Sussman (University of Chicago Booth)
  • 年份: 2021
  • 期刊: 未明确标注（工作论文/已发表论文）
  • 关键词: financial decision-making, risk-taking, reference points, Prospect Theory, prediction, expectations
  • 数据公开: OSF (http://bit.ly/2piKB43)

一句话总结

通过3个MTurk行为实验+计算建模+全国代表性调查（N=4,606），证明人们对未来财富增长的乐观信念可作为前景理论的参考点——当预期增长率高于安全资产收益率时，确定性收益被心理编码为"损失"，从而推动风险寻求行为，包括偏好奖券型储蓄账户和加大股票配置。

研究问题

人们关于未来财富的主观信念（subjective wealth predictions）是否会作为参考点（reference point）进入前景理论的价值函数，从而系统性地影响当前的金融决策（储蓄账户选择、股票/债券配置）？相对于零参考点的标准前景理论，融入信念参考点的扩展模型能否更好地拟合实际选择数据？

核心贡献

  1. 理论贡献：将Koszegi-Rabin期望依赖偏好从理性期望扩展到主观、可乐观偏差的财富信念，为参考点的内生形成提供新的微观基础。
  2. 方法贡献：联合"信念引出 + 投资选择 + 层级贝叶斯CPT估计"的研究范式——直接测量被试的财富预测，将其作为个体化参考点嵌入价值函数，而非外部操纵期望。
  3. 实证贡献：用PSID真实数据（N=2,121）验证实验中获得的财富增长信念结构在真实人口中也成立；用COVID-19期间的全国调查证明信念预测真实股票配置决策。
  4. 政策含义：投资者对未来财富的乐观信念可能解释过度风险承担与过度交易等行为偏差，提示理财教育应关注"预期校准"而非仅风险偏好。

维度1：实验设计分析

核心研究问题

人们对未来财富的信念（beliefs about future wealth）如何作为参考点影响当前的金融投资决策？

实验概览

本文包含三个实验室实验（Experiment 1-3）和一个大规模横截面调查（Survey），逐步验证并推广核心假说。

Experiment 1：财富预测与投资决策（正/负净资产）

被试: 196名MTurk被试，$1.00报酬，2018年10月。被试间设计，两个条件（正净资产 vs. 负净资产），每组约100人。排除极端预测后剩151人。

刺激材料:

  • 40个财务档案（financial profiles），描述为总资产和总负债
  • 正净资产组：20个档案，净资产固定为$66,000（如资产$67,000，负债$1,000 到 资产$257,000，负债$191,000）
  • 负净资产组：20个档案，净资产固定为-$66,000（正负组的资产负债互换）

实验任务详细流程:

  1. 随机分配: 被试随机分配到正净资产或负净资产条件
  2. 两个任务顺序随机化: 预测任务和投资决策任务的顺序在被试间随机化（各50%），中间插入一个关于美国国家公园图片分类的干扰任务
  3. 预测任务（Prediction Task）:
    • 每个试次呈现一个财务档案（如"想象你有$67,000资产和$1,000负债"）
    • 被试预测1年后的资产值和负债值（分别输入两个数字）
    • 共20个档案 x 2个预测（资产+负债）= 40个预测
    • 指导语告知被试想象自己有稳定工作、无异常支出、没有标准答案
  4. 投资决策任务（Investment Decision Task）:
    • 每个试次呈现一个档案，被试选择将一半资产投入两个银行账户之一：
      • 账户A（安全选项）: 储蓄账户，年利率2%（确定收益）
      • 账户B（风险选项）: 奖券关联储蓄账户（Prize-Linked Savings, PLS），无利息，但有0.8%概率赢得大额奖金（期望值与2%利率等值）
    • 示例：资产$67,000，投资一半=$33,500；账户A赚$670，账户B有0.8%概率赢$83,750
    • 两个账户的呈现顺序（A/B）和20个投资选择的试次顺序均随机化

关键设计特征:

  • 被试间操纵：净资产方向（正 vs. 负）
  • 被试内变量：资产大小（20个不同资产水平）
  • PLS账户期望值等于储蓄账户2%收益，控制了期望值差异
  • 预测任务与投资任务通过干扰任务分隔，使被试不太可能直接关联两个任务
  • 所有决策为假想决策（hypothetical），无真实激励

Experiment 2：财富预测与投资决策（小资产 vs. 大资产）

被试: 196名MTurk被试，$1.00报酬，2019年2月。被试间设计（小资产 vs. 大资产），排除后剩153人。

设计变化:

  • 实验1中净资产无显著效应，实验2进一步操纵净资产的变异范围
  • 小资产组：资产$73,000-$83,000，负债来自实验1正净资产组的负债值，10个正净资产+10个负净资产档案
  • 大资产组：资产$140,000-$150,000，负债来自实验1负净资产组的负债值，10个正净资产+10个负净资产档案
  • 任务流程与实验1完全相同（预测任务+干扰+投资决策任务）

核心目的: 概念性重复实验1，测试净资产变异范围更大时信念是否仍作为参考点。

Experiment 3：第三人称预测（乐观偏差检验）

被试: 199名MTurk被试，$1.00报酬，2018年10月。被试间设计（正 vs. 负净资产），排除后剩154人。

设计变化:

  • 使用与实验1完全相同的40个财务档案
  • 关键改变：从第一人称（"想象你有..."）改为第三人称（"Mr. X有..."），每个问题对应不同的虚构人物
  • 仅包含预测任务，无投资决策任务
  • 目的：检验实验1-2中的乐观预测是否因自我-他人差异所致
  • 将预测结果与Panel Study of Income Dynamics (PSID) 2017-2019真实数据对比

PSID数据分析:

  • 使用2017和2019年PSID数据，计算资产和负债的真实增长率
  • 筛选条件：户主、未搬家、两年均在职、无家庭构成变化、资产/负债<$300,000
  • 最终样本：2,121个观测

Survey：信念与股市投资决策（大规模调查）

被试: 4,606名被试，通过Lucid平台招募全国代表性样本，2020年5-6月（COVID-19疫情期间）分三波收集（n=1,560; 1,825; 1,221）。年龄18-90岁（M=45），36%男性，平均收入约$57,000。

关键测量:

  1. 财富变化预测: 以2020年1月为基准，预测2021年1月的资产和负债变化（13点量表，从"下降超过5%"到"增长超过5%"）
  2. 投资分配决策: 假想收到$1,000，在美国股票市场指数基金和2%收益率债券之间分配（两者之和=$1,000）
  3. 控制变量: S&P 500一年和十年预期收益率（13点量表）、收入、是否持有投资

核心目的: 在更真实的金融情境中（股市 vs. 债券），用被试自身的财富信念（非假想档案），验证信念作为参考点的假说。COVID-19疫情期间信念异质性更大，有利于检验理论。

维度2：理论模型

核心理论框架

累积前景理论（Cumulative Prospect Theory, CPT）的信念参考点扩展

传统CPT假设参考点为零（当前状态）。本文提出，人们对未来财富增长的信念（predicted growth rate）作为参考点，改变了选项的心理编码：

  • 当预期资产增长率 > 2%（储蓄账户利率）时，储蓄账户的确定收益在心理上被编码为"损失"（因为低于预期增长）
  • 此时面临的选择变为"确定的小额损失 vs. 有大额收益可能的赌博"，根据前景理论中的损失厌恶和风险寻求（损失域），人们更倾向选择风险选项

计算模型

价值函数:
$v(x_i^j) = \begin{cases} (x_i^j - r_i)^\alpha & \text{if } x_i^j - r_i \geq 0 \\ -\lambda|x_i^j - r_i|^\beta & \text{if } x_i^j - r_i < 0 \end{cases}$

其中 r_i 为档案 i 的参考点，\alpha = \beta 为风险厌恶参数，\lambda 为损失厌恶参数。

参考点定义（三个竞争模型）:

  1. 零参考点模型: r_i = 0（标准CPT）
  2. 增长率参考点模型: r_i = gr_{A_i} \times A_i/2（参考点 = 资产中位增长率 x 投资金额）
  3. 负增长率参考点模型: r_i = -gr_{A_i} \times A_i/2（翻转增长率符号，作为对照）

概率权重函数: 由于任务中概率固定（0.008），将 \gamma = \delta = 1

选择规则: 指数选择规则
$p(I, P) = \frac{1}{1 + e^{-\theta[V(I) - V(P)]}}$

参数估计: 层级贝叶斯估计（Hierarchical Bayesian），使用JAGS，3条MCMC链，5,000次burn-in + 10,000次采样。模型比较使用DIC（Deviance Information Criterion）。

关键模型直觉

  • 增长率 = 0时：等价于零参考点模型，选择由风险厌恶驱动
  • 增长率在0-2%之间：储蓄账户仍为收益，PLS既有收益也有损失，储蓄更受偏好
  • 增长率 > 2%时：储蓄账户收益变为心理损失，选择变为"小额确定损失 vs. 混合赌博"，风险选项偏好增加

维度3：核心发现

发现1：人们对未来财富持乐观信念

  • 实验1: 资产预测 > 当前值（正净资产Z=22.48, p<.001; 负净资产Z=10.64, p<.001），82.2%正净资产组和69.4%负净资产组被试预测资产增长
  • 负债预测 < 当前值（正净资产Z=-22.78, p<.001; 负净资产Z=-19.42, p<.001），78.5%和76.4%被试预测负债减少
  • 实验2: 同样模式（资产增长Z=14.09和14.31; 负债减少Z=-27.49和-22.49，均p<.001）
  • 实验3（第三人称）: 类似乐观模式，但程度略低（资产增长Z=13.84和17.02; 负债减少Z=-9.60和-6.32，均p<.001）

发现2：资产越小，PLS风险选项越受偏好

  • 实验1: GLMM显示资产金额显著负效应（beta=-0.003, t(36)=-7.66, p<0.001, 95%CI[-0.004,-0.002]）
  • 净资产主效应不显著（beta=-0.001, t(36)=-1.60, p=0.118）
  • 资产x净资产交互显著（beta=0.00002, t(36)=3.24, p=0.003）
  • PLS选择比例：正净资产组0.36，负净资产组0.39
  • 实验2: 资产金额显著负效应（beta=-0.005, t(36)=-6.92, p<0.001）

发现3：增长率参考点模型显著优于替代模型

  • 实验1 DIC值: 零参考点=2100, 增长率参考点=1959, 负增长率参考点=2106
    • 增长率模型比零参考点模型低141点（DIC差异>10即为强支持）
  • 实验2 DIC值: 零参考点=1545, 增长率参考点=1430, 负增长率参考点=1536
    • 增长率模型比零参考点模型低115点
  • 随机正参考点模型DIC=2113（实验1）和1560（实验2），证明并非任意正参考点都有效，增长率的具体结构重要

发现4：增长率参考点模型的参数估计更合理

  • 实验1增长率模型: alpha后验均值=0.59（接近Tversky & Kahneman 1992的0.88），lambda=5.82，theta=5.87
  • 零参考点模型和负增长率模型的alpha和theta联合后验分布过宽，暗示模型设定错误

发现5：实验预测与PSID真实数据一致

  • PSID 2017-2019（n=2,121）：57%正净资产个体资产增长（中位增长率0.111），64%负净资产个体资产增长（中位增长率0.422）
  • 62%正净资产个体负债减少（中位增长率-0.267），60%负净资产个体负债减少（中位增长率-0.100）
  • 实验3的预测中位增长率与PSID中位增长率高度吻合

发现6：大规模调查证实信念预测股市投资

  • 平均41%的$1,000分配给股市（SD=34%）
  • 预测资产增长>=2%的被试（n=614, 13.3%）比预测资产下降的被试（n=2,170, 47.1%）分配更多到股市
  • OLS回归: ">=2%组 vs. <0组"系数 b=0.052, beta=0.052, t=3.324, p>0.001, 95%CI[0.021, 0.083]
  • "0-2%组 vs. <0组"系数 b=-0.021, beta=-0.031, t=-1.978, p=0.048, 95%CI[-0.043, -0.000]（差异小）
  • S&P 500一年预期收益显著正效应（b=0.003, beta=0.092, t=5.345, p>0.001）
  • 收入显著正效应（b=0.0007, beta=0.094, t=6.398, p>0.001）
  • 限制为当前持有投资者子样本（n=1,638, 35.6%）: 结果稳健（">=2%组" b=0.084, t=3.486, p=0.001, 95%CI[0.037, 0.131]）

维度6：与其他文献的关系

本文的理论贡献

  1. 参考点来源的新证据: 现有文献中参考点主要来自外部操纵的期望（如Abeler et al., 2011操纵real-effort任务的激励）或目标/抱负（Heath, Larrick & Wu, 1999; Markle et al., 2018）。本文证明人们自发形成的未来财富信念也可作为参考点
  2. 信念测量而非操纵: 不同于Greenberg (2013)操纵想象的未来财富框架，本文直接测量被试的财富预测，揭示信念本身的结构
  3. 将前景理论扩展到个人金融决策: 标准前景理论主要应用于简单赌博任务，本文将其应用于储蓄账户选择和股市投资分配等更贴近现实的金融决策

与关键文献的关系

文献 关系
Tversky & Kahneman (1992) CPT 理论基础，本文扩展其参考点定义
Koszegi & Rabin (2006, 2007, 2009) 期望依赖参考点 理论先驱，但使用理性期望作为参考点，本文使用主观信念
Abeler et al. (2011) 参考点与努力提供 参考点来自操纵的期望，本文参考点来自自发信念
Malmendier & Nagel (2011) 宏观经济经历与风险态度 证明信念影响风险态度，但机制不同（经历塑造信念 vs. 信念作为参考点）
Greenwood & Shleifer (2014) 收益预期与股市回报 仅关注产品预期与行为的相关性，本文关注个人财富信念的机制
Greenberg (2013) 想象未来财富与风险决策 操纵未来财富框架，本文测量而非操纵信念

方法论特色

  • 联合实验+计算建模方法: 行为实验收集预测数据，然后将预测数据嵌入CPT模型的参考点，通过层级贝叶斯估计进行模型比较
  • 多研究递进验证: 实验1建立基本效应 -> 实验2概念性重复 -> 实验3排除自我/他人偏差并对比真实数据 -> 调查推广到真实金融情境
  • 随机参考点控制分析: 通过随机生成参考点和打乱增长率匹配，排除"任意正参考点都有效"的替代解释

局限性

  • 所有实验使用假想决策（无真实激励），可能更容易受预期影响
  • 调查中的回归分析不能直接检验参考点机制（仅证明相关性）
  • COVID-19疫情期间的调查样本可能不具有一般性代表性
  • 预测任务中的文本输入导致数据噪声较大（约22-23%被试因极端值被排除）

维度4：变量概览

类别 变量 测量方式 实验
自变量（操纵） 净资产方向 正/负净资产档案（被试间） Exp 1, 3
自变量（操纵） 资产规模 小（$73-83k）vs. 大（$140-150k）（被试间） Exp 2
自变量（操纵） 视角 第一人称 vs. 第三人称（被试间） Exp 1 vs. 3
自变量（信念） 1年后资产预测值 文本输入连续值 All Exp
自变量（信念） 1年后负债预测值 文本输入连续值 All Exp
自变量（信念） 13点量表的资产/负债变化预测 从"下降>5%"到"增长>5%" Survey
自变量（信念） S&P 500预期收益（1年/10年） 13点量表 Survey
因变量（行为） 储蓄账户 vs. PLS选择 二元选择（每档案） Exp 1, 2
因变量（行为） 股票/债券分配 $1,000的连续分配 Survey
计算模型参数 α (=β) 风险厌恶 层级贝叶斯估计 Exp 1, 2
计算模型参数 λ 损失厌恶 层级贝叶斯估计 Exp 1, 2
计算模型参数 θ 选择敏感度 层级贝叶斯估计 Exp 1, 2
控制变量 收入、年龄、性别、是否持有投资 调查问项 Survey
外部对照 PSID 2017-2019真实资产/负债增长率 计算的中位增长率 Exp 3比较

维度5：局限性

  1. 假想决策无真实激励：所有实验和调查中的金融选择均为假想（hypothetical），可能更易受预期影响；真实金钱激励下的稳健性未检验。
  2. 预测任务噪声大：约22-23%被试因极端财富预测被排除，文本输入方式难以避免错误录入或不严肃回答。
  3. 参考点机制vs.其他解释：调查回归仅证明信念与股票配置的相关性，未直接检验"信念-->参考点-->心理编码-->风险选择"的中介机制；可能存在其他解释（如积极情绪驱动乐观与风险承担）。
  4. 样本代表性：MTurk样本年轻、教育偏高；调查在COVID-19特殊时期收集（2020年5-6月），信念分布可能异常。
  5. 参考点离散化：模型仅使用资产中位增长率作为参考点，未考虑负债预测、风险偏好的异质性，也未建模参考点的动态调整。
  6. 缺乏纵向追踪：未观察预测信念-->实际行为-->真实结果-->信念更新的完整循环。
  7. PLS与股市非完全等价：实验1-2的PLS账户与实际股票投资在概率结构、流动性、信息复杂度上差异较大，外部效度需更多检验。

维度7：可拓展的研究方向

  1. 真实激励复制：在真实金钱、真实账户决策中（如lab-in-field或fintech app实验）验证财富信念参考点效应。
  2. 机制实验：通过外部操纵财富预期（如提供乐观/悲观经济预测信息），随机改变信念，检验对储蓄/投资行为的因果效应。
  3. 动态参考点：建模信念随时间更新（如收到工资、目睹市场波动）如何重塑参考点与决策；与Malmendier_ExperienceEffects_Finance的经验效应文献对接。
  4. 异质性：研究教育、金融素养、收入水平如何调节信念-->决策映射；探讨过度自信群体（与Todd & Seay 2020的"知识悖论"对接）是否表现出更强的信念参考点效应。
  5. 政策干预：测试"预期校准干预"（如提供个性化PSID基准）能否减弱乐观偏差并改善投资决策。
  6. 资产-负债不对称：负债预测的减少幅度大于资产增长，但模型仅用资产增长率，未来可建模双向不对称参考点。
  7. 跨文化与宏观对接：在低增长经济体（如日本）、新兴市场或经济衰退期重复研究，检验宏观环境对信念结构与参考点效应的调节。
  8. 与belief updating文献对接：连接到Fan_InferenceForecastGap_BeliefUpdating等信念更新研究，研究投资者如何根据真实财富变动更新预期。

标签

#reference_point #prospect_theory #financial_decision #wealth_prediction #optimism #belief #risk_taking #PLS #computational_modeling #hierarchical_Bayesian #survey #PSID

关键结论

  1. 乐观信念是普遍现象：超过70-80%的MTurk被试和PSID真实数据都显示，人们预期未来1年资产将增长、负债将减少，呈现系统性乐观偏差，且这一模式在自我和第三人称视角下均存在（虽程度略低）。
  2. 信念作为参考点显著改进CPT拟合：在Experiments 1-2中，将主观财富增长率作为参考点的CPT模型相比零参考点模型DIC低115-141点，证明信念结构（而非任意正参考点）是关键。
  3. 信念→风险承担因果链：在大规模代表性调查中，预测资产增长≥2%者比预测资产下降者向股市分配多约5个百分点（控制S&P 500预期、收入等），且在限定为现有投资者的子样本中效应更强（约8.4个百分点）——印证乐观信念推动风险承担。
  4. 理论与方法启示：将主观信念引入参考点是连接行为金融、宏观经济预期与微观投资决策的关键桥梁；联合"信念引出+CPT层级贝叶斯估计+真实数据校准"的方法范式可推广至消费、储蓄、保险等其他金融决策。
  5. 政策与实践启示：投资者过度乐观的财富预期可能解释过度风险承担（如2020年散户股市狂潮），理财教育和监管干预应纳入"预期校准"维度，而非仅关注风险偏好或金融素养。