Zhu_Jiao_2024_Beliefs_EquityHomeBias
Beliefs and the Equity Home Bias
Authors: Xinxin Zhu, Peiran Jiao, Jichuan Zong
Journal: Economics Letters, 244, 111983
Year: 2024
DOI: https://doi.org/10.1016/j.econlet.2024.111983
JEL: C99, D83, D84, D91, G41
一句话总结
通过529名中国大学生的线上激励实验，外生操控股票地理信息（GeoInfo）并交互被试的天然地理联系（GeoTie），首次因果识别地理信息显著抬高对本地股的预期收益、降低风险感知和损失概率，但信念中的home bias并未转化为投资行为中的home bias，揭示了"信念-行为脱节"的开放问题。
研究问题
- 因果效应：地理信息（geographic information）的提供是否会因果性地塑造投资者对股票的主观信念分布（预期收益、风险、损失概率）？
- 信念分布的关键维度：在主观信念分布的多个统计量（均值、标准差、偏度、损失概率）中，哪个对风险感知（risk perception）和投资行为最具预测力？
- 信念-行为传导：信念中的home bias是否会传导到实际投资决策中？
- "外国偏见"vs"本地偏好"：揭示地理信息本身（无论本地/非本地）对风险感知的整体影响如何？
核心贡献
- 因果识别突破：首次通过外生randomized操控地理信息（vs. 自然变异/调查数据）建立地理接近性对投资者信念的因果效应，超越Kilka & Weber (2000)、Strong & Xu (2003)等观察性证据
- 完整信念分布引出：首次在home bias实验中使用Harrison et al. (2022)的激励相容QSR方法（100 token分配到10个收益区间）引出完整主观概率分布而非点估计或Likert量表，识别出**损失概率（loss probability）**是信念分布中最关键的维度
- 前瞻性 vs. 历史性风险度量：区分对未来风险的主观感知（subjective forward-looking risk）与基于历史实现收益的客观度量，证明前者在预测投资行为方面更有效
- 信念-行为脱节谜题：发现信念中存在显著的home bias但投资行为中不显著（与Merkle & Weber 2014一致），为后续研究信念-行为传导机制提出开放问题
- "外国偏见"现象：发现GeoInfo的主效应整体提升风险感知和损失概率，暗示存在foreign bias（不熟悉国外股票产生整体性风险溢价）
维度1：实验设计分析
实验任务详细流程
被试招募与分组： 529名来自中国两所大学的学生被试参与线上实验：东北财经大学（DUFE，辽宁大连，266人）和浙江财经大学（ZUFE，浙江，263人）。两校相距约1500公里，分别位于中国北方和南方。被试被随机分配到两个between-subjects条件之一。
信息呈现阶段：
- 被试观看两只匿名股票过去10个季度的收益柱状图（bar chart）。一只股票来自被试所在大学的省份（本地股），另一只来自另一所大学所在的省份（非本地股）。
- GeoInfo条件： 揭示公司总部所在省份的地理信息。
- NoGeoInfo条件： 不揭示任何地理信息。
- 使用了两套不同的股票以缓解潜在的选择偏差（季度收益在-25%到+35%之间）。
任务1 -- 主观信念引出（Belief Elicitation）：
- 使用Harrison et al. (2022)的激励相容方法引出被试对第11季度股票收益的主观概率分布。
- 被试在图形界面上将100个token分配到10个收益区间中，直接反映其对未来收益的主观概率信念。
- 基于QSR（Quadratic Scoring Rule）计算支付，token分配后实时显示每个区间的潜在报酬。
任务2 -- 投资决策（Investment Task）：
- 被试将1000 ECU在股票和现金之间分配，投资于第11季度。
- 收益由股票实际的第11季度收益决定。
- 兑换率：200 ECU = 1 RMB。
任务3 -- 确定性等价（Certainty Equivalent）：
- 使用多重价格列表（MPL）引出被试投资该股票的确定性等价。
- 被试在股票投资1000 ECU和无风险资产（收益率从-20%到+30%）之间选择。
- 切换点即为确定性等价，反映风险态度和风险感知。
- 兑换率：250 ECU = 1 RMB。
辅助测量：
- 7点Likert量表的风险感知（Holzmeister et al., 2020）。
- 风险态度（Holt and Laury, 2002）。
- 金融素养（Lusardi and Mitchell, 2014）。
- 人口统计信息：性别、年龄、专业、投资经验、家庭收入。
实验细节：
- 每位被试对两只股票各完成三项任务（2股票 x 3任务 = 6项任务）。
- 任务和股票的呈现顺序随机化以控制顺序效应。
- 6项任务中随机抽取1项决定支付。
- 出场费5 RMB，平均收入12 RMB，平均完成时间15分钟。
- 包含机器人检测、注意力检查和理解测试。
- 在AsPredicted（ID 156320）预注册，获DUFE伦理审批（ID 202404001）。
其他实验设计要素
| 要素 | 内容 |
|---|---|
| 实验类型 | 线上激励实验，混合设计（mixed design） |
| Treatment设计 | 2x2设计：Between-subjects为GeoInfo vs. NoGeoInfo；Within-subjects为本地股（GeoTie=1）vs. 非本地股（GeoTie=0） |
| 随机化 | 被试随机分配到GeoInfo或NoGeoInfo条件 |
| 核心观测变量 | 主观信念分布（均值、标准差、偏度、峰度、损失概率）、风险感知（Likert）、投资额、确定性等价 |
| 因果识别 | 外生操控地理信息的提供（GeoInfo），利用被试天然的地理联系（GeoTie）形成交互项，识别地理信息对信念的因果效应 |
| 样本量 | 529人，1058个信念分布观测（每人2只股票） |
| 激励机制 | QSR激励信念真实报告；投资任务按真实收益结算；确定性等价按MPL选择结算 |
| 亮点 | (1) 首次用激励相容方法引出完整主观信念分布来研究home bias；(2) 同时操控地理信息和利用自然地理联系；(3) 识别出损失概率是风险感知和投资行为的关键驱动因素 |
| 局限 | (1) 学生样本，投资经验有限；(2) 样本量可能不足以检测投资行为的差异；(3) 信念中的home bias未转化为投资中的home bias，机制不清 |
维度2：理论模型
基准理论
Equity Home Bias（股权本国偏好）： 投资者不成比例地持有本国/本地资产（French and Poterba, 1991; Coval and Moskowitz, 1999）。传统解释包括交易成本和信息摩擦（Lewis, 1999; Tesar and Werner, 1995），行为解释包括：
- 信念扭曲： 对本地股票的收益更乐观、风险感知更低（Kilka and Weber, 2000; Strong and Xu, 2003）
- 熟悉性偏好（Huberman, 2001; Massa and Simonov, 2006）
- 信息不对称/理性忽视（Van Nieuwerburgh and Veldkamp, 2009）
- 情感效用（Morse and Shive, 2011）
行为偏差形式化
本文未建立正式数学模型，但实证框架的核心回归为：
Y_{ij} = \beta_1 \cdot GeoTie_{ij} + \beta_2 \cdot GeoInfo_i + \beta_3 \cdot (GeoInfo_i \times GeoTie_{ij}) + \gamma X_i + \delta_s + \delta_o + \varepsilon_{ij}
其中 Y 为预期收益、风险感知或损失概率；GeoTie 为是否与股票所在省份有地理联系；GeoInfo 为是否提供地理信息；\delta_s 和 \delta_o 为股票和顺序固定效应。
信念引出方面，将100个token在10个收益区间的分配拟合为Beta分布，计算均值（预期收益）、标准差、偏度、峰度和损失概率。
关键假设
- 地理信息的提供是外生的（随机分配保证）。
- 被试的地理联系（GeoTie）在GeoInfo和NoGeoInfo条件间平衡。
- QSR方法能激励被试真实报告信念。
可检验预测
- 在GeoInfo条件下，有地理联系的被试对本地股预期更高收益、更低风险。
- 损失概率是风险感知的关键预测因素。
- 信念中的home bias应转化为投资中的home bias。
维度3：核心发现
主要结论
发现1：地理信息因果性地塑造信念（信念中存在Home Bias）
- 在GeoInfo条件下，GeoTie被试对本地股的预期收益显著更高（系数 = 0.953**, Table 3 Reg 2）。
- 在GeoInfo条件下，GeoTie被试对本地股的风险感知显著更低（系数 = -0.196**, Table 3 Reg 5）。
- 在GeoInfo条件下，GeoTie被试对本地股的损失概率显著更低（系数 = -5.057**, Table 3 Reg 8）。
- 在NoGeoInfo条件下，上述效应均不显著（Table 3 Reg 1, 4, 7），证明因果性。
- 交互项 GeoInfo x GeoTie 在所有三个指标上显著（系数分别为 1.156**, -0.303**, -6.690**）。
发现2：损失概率是风险感知和投资行为的最强预测因素
- 损失概率显著正向预测风险感知（系数 = 0.011***, Table 2 Reg 3）。
- 损失概率显著负向预测投资额（系数 = -2.751***, Table 2 Reg 6）。
- 但损失概率对风险感知的预测力在GeoInfo条件下减弱（NoGeoInfo: 0.015** vs. GeoInfo: 0.008 n.s.）。
发现3：投资行为中未发现显著的Home Bias
- 虽然GeoTie被试在GeoInfo条件下投资略多、要求的风险补偿略低，但差异不显著。
- 信念中的乐观偏差未转化为实际投资行为的差异。
发现4：提供地理信息本身增加风险感知和损失概率
- GeoInfo的主效应显著增加风险感知（0.225**, Table 3 Reg 6）和损失概率（3.691*, Table 3 Reg 9），暗示一种"外国偏见"（foreign bias）。
Effect Size
| 指标 | 效应 | 具体数值 |
|---|---|---|
| 预期收益（GeoTie在GeoInfo条件） | +0.953 百分点 | p < 0.05 |
| 风险感知（GeoTie在GeoInfo条件） | -0.196（7点量表） | p < 0.05 |
| 损失概率（GeoTie在GeoInfo条件） | -5.057 百分点 | p < 0.05 |
| 交互项对预期收益 | +1.156 百分点 | p < 0.05 |
| 交互项对损失概率 | -6.690 百分点 | p < 0.05 |
| 损失概率 -> 投资（全样本） | -2.751 ECU/百分点 | p < 0.01 |
| 信念分布均值：损失概率 | 38.54%（SD=25.33） | N=1058 |
| 信念分布均值：预期收益 | 3.07%（SD=4.83） | N=1058 |
稳健性
- 控制了风险态度和人口统计变量。
- 包含股票固定效应和顺序固定效应。
- 聚类稳健标准误（个体层面）。
- 多重共线性检验表明影响较小。
- 使用两套不同股票以减少选择偏差。
- 附录中包含额外稳健性分析（异质性分析等）。
与其他研究比较
- 与Kilka and Weber (2000)和Strong and Xu (2003)的调查发现一致（本地投资者更乐观），但本文建立了因果关系。
- 与Holzmeister et al. (2020)和Zeisberger (2022)一致，发现损失概率显著影响风险感知和投资。
- 与Merkle and Weber (2014)一致，发现信念与投资行为之间存在脱节。
- 创新之处在于使用前瞻性的主观信念分布（而非事后的实现收益）来研究风险感知。
维度6：与其他文献的关系
领域位置
本文位于行为金融学与实验经济学的交叉领域，具体聚焦于equity home bias的信念机制。属于将实验方法引入传统金融谜题研究的方向。
对话论文
| 论文 | 关系 |
|---|---|
| Kilka & Weber (2000); Strong & Xu (2003) | 调查研究发现本地投资者更乐观，本文用实验建立因果 |
| Coval & Moskowitz (1999) | Home bias经典文献 |
| French & Poterba (1991) | Home bias开创性文献 |
| Harrison_2017_ScoringRules_SubjectiveProbability | QSR信念引出方法的方法学基础 |
| Harrison_BeliefDistributions_BayesianOverconfidence | 完整信念分布引出与过度自信 |
| Holzmeister et al. (2020) | 风险感知度量，损失概率的重要性 |
| Grosshans_Zeisberger_2025_InvestorBeliefs_TradingActions | 投资者信念与交易行为之间的关联 |
| Van Nieuwerburgh & Veldkamp (2009) | 信息不对称的理性忽视模型 |
| Huberman (2001) | 熟悉性偏好解释 |
| Merkle & Weber (2014) | 信念与投资行为的脱节 |
| Jiao_2020_PayoffBased_BeliefDistortion | 收益经验导致的信念扭曲（同作者团队相关方法） |
| Jiao_Li_2021_LosingFaith_PayoffExperiences_Ambiguity | 收益经验对模糊态度与信念的影响 |
| Bhui_Jiao_2023_AttentionConstraints_CategoryLearning | 注意力约束与类别学习（同作者理论框架） |
| Godker_Jiao_2025_InvestorMemory | 投资者记忆与信念形成 |
新贡献
- 因果识别： 首次通过外生操控地理信息建立地理接近性对投资者信念的因果效应，超越了以往依赖自然变异的调查研究。
- 完整信念分布： 首次在home bias研究中使用激励相容方法引出完整的主观概率分布（而非点估计或Likert量表），发现损失概率是信念分布中最关键的维度。
- 前瞻性风险感知： 区分了对未来风险的主观感知（通过信念分布的损失概率捕捉）和基于历史实现收益的风险度量，前者在预测投资行为方面更有效。
- 信念-行为脱节： 发现信念中存在显著的home bias但投资行为中不显著，提出了信念与行为之间传导机制的开放问题。
Tags: #home_bias #belief_elicitation #subjective_beliefs #risk_perception #loss_probability #experiment #behavioral_finance #QSR #geographical_proximity
维度4：变量概览
操控变量（Treatments）
| 变量 | 类型 | 取值 | 操作化 |
|---|---|---|---|
| GeoInfo | Between-subjects 二元 | 1=揭示公司省份；0=不揭示 | 在bar chart下方是否显示"公司总部位于X省" |
| GeoTie | Within-subjects 二元 | 1=股票省份与被试所在大学省份相同；0=不同 | 由被试就读大学（DUFE/ZUFE）与股票总部省份匹配决定 |
核心结果变量
| 变量 | 定义 | 测量方法 |
|---|---|---|
| 预期收益（Expected Return） | 信念分布均值 | 100 token分10区间分配拟合Beta分布 |
| 标准差（SD） | 信念分布二阶矩 | Beta分布参数 |
| 偏度（Skewness） | 信念分布三阶矩 | Beta分布参数 |
| 损失概率（Loss Probability） | P(收益<0)的token比例 | 直接由负收益区间token加总 |
| 风险感知（Risk Perception） | 主观风险感受 | Holzmeister et al. (2020) 7点Likert |
| 投资额（Investment） | 投入股票的金额 | 1000 ECU在股票/现金间分配 |
| 确定性等价（CE） | 风险与无风险的折算价 | Holt-Laury MPL (-20%到+30%) |
控制变量
- 风险态度（Holt & Laury 2002 lottery任务）
- 金融素养（Lusardi & Mitchell 2014 标准3题）
- 性别、年龄、专业、投资经验、家庭收入
- 股票固定效应（2套不同股票交叉随机）
- 顺序固定效应（任务/股票呈现顺序）
关键交互项
- GeoInfo × GeoTie：识别地理信息对本地股的差异化效应（DiD逻辑）
维度5：局限性
- 样本代表性：529名中国大学生（DUFE+ZUFE财经类），投资经验有限，可能不代表机构投资者或中老年个人投资者；中国语境下home bias可能与发达市场存在差异
- 激励规模：平均收入仅12 RMB（约$1.7），远低于真实投资金额，可能低估行为偏差强度
- 信念-行为脱节的机制不明：信念中GeoTie效应显著但投资行为不显著，是因为样本量不足（统计功效问题）还是真实存在脱节（如risk preference异质性、心理账户）尚未识别
- 股票选择偏差：仅使用2套股票，外部效度有限；股票虽匿名但收益模式可能引导被试形成特定信念
- GeoInfo操控的复合性：揭示地理信息既提供了真实信息也可能触发情绪/熟悉性反应，二者机制难以分离
- 跨期决策缺失：仅single-period投资决策，未考察重复决策、再平衡和学习
- 信念分布的Beta拟合假设：将10区间token分布拟合Beta分布可能损失分布形状信息（如双峰、尖峰）
- 缺乏实际持仓数据：无法验证实验信念与真实组合配置的相关性
- 无理论模型：未提供home bias信念形成的微观结构模型，仅做reduced-form估计
- 文化/地区因素未控制：南北方文化差异、城市发展差异可能干扰GeoTie的纯粹地理效应
维度7：可拓展的研究方向
- 结构化信念-行为传导模型：建立structural model将主观信念分布映射到投资决策（如rank-dependent utility, prospect theory），估计风险偏好与信念扭曲的相对贡献
- 真实投资者样本：扩展到机构投资者、零售投资者样本，使用实际券商账户数据验证实验信念与真实持仓的相关性（与Grosshans_Zeisberger_2025_InvestorBeliefs_TradingActions衔接）
- 跨国/跨文化扩展：在欧美、日本等市场重复实验，检验东西方文化对GeoTie效应的调节作用
- 动态信念更新：引入信号更新阶段，研究地理熟悉性如何影响Bayesian updating的速率（与Jiao_2020_PayoffBased_BeliefDistortion、Godker_Jiao_2025_InvestorMemory衔接）
- 信念分布维度的进一步分解：除了损失概率，研究尾部风险（tail risk）、偏度感知如何独立影响投资
- 机制实验：随机化"地理信息"vs"虚假地理信息"vs"任意标签信息"，识别熟悉性、信任、信息可信度等不同心理机制的相对作用
- AI/Robo-advisor对地理偏见的影响：检验AI推荐能否纠正信念中的home bias（与Bianchi_2026_HumanRobot_InvestmentDecisions、Hashimoto_Takayanagi_2026_LLMAgents_HumanBias_MarketDynamics衔接）
- 信念-行为脱节的边界条件：何时信念中的偏差转化为行为偏差？流动性约束、注意力分配、自我控制？
- 场域实验：与中国券商合作，在交易App中A/B测试是否显示地理信息，检验真实交易行为变化
- 信念分布与组合分散化：扩展到多股票组合，检验地理信念差异如何驱动组合层面的本地偏好
- 与disposition effect的联动：地理熟悉度是否影响处置效应？（与Jiao_2017_MeanReversion_DispositionEffect、Jiao_2013_Disposition_Effect_Closed_End衔接）
关键结论
- 地理信息因果性塑造主观信念：在GeoInfo条件下，本地股的预期收益显著抬高+0.953百分点（p<0.05），风险感知显著降低-0.196（7点量表，p<0.05），损失概率显著下降-5.057百分点（p<0.05）；NoGeoInfo条件下所有效应消失，证明因果机制
- 损失概率是信念分布的关键维度：在均值、SD、偏度、损失概率等众多统计量中，损失概率最稳健地预测风险感知（系数=0.011, p<0.001）和投资额（系数=-2.751, p<0.01），主张未来研究和实务应优先测度损失概率
- 信念中的Home Bias未传导到投资行为：信念维度的GeoTie效应显著，但投资额、确定性等价的差异不显著，揭示信念-行为脱节这一开放谜题——可能与样本量、风险偏好异质性、心理账户有关
- 存在"外国偏见"现象：GeoInfo主效应显著提升整体风险感知（+0.225, p<0.05）和损失概率（+3.691, p<0.10），即一旦知道是非本地公司，被试整体认为更危险，而非仅对本地股偏好
- 方法学贡献：证明了QSR + 100 token + 10区间的图形界面信念引出方法在跨文化（中国学生）线上实验中可行有效，为后续行为金融实验提供了模板