超越绩效：金融算法设计中的权衡探索及其对行为偏见的干预意义

《Journal of Cardiac Failure》：Beyond Performance: Exploring trade-offs in the design of financial algorithms

本文通过为期三周的人工股市实验，深入探讨了金融算法（如Robo-advisers）在提升交易绩效与控制权让渡之间的核心权衡。研究发现，尽管算法能有效降低处置效应（Disposition Effect），但采纳率普遍较低；用户更倾向选择可干预（Soft）及主动交易（Bayes）的算法。研究揭示了算法设计中的绩效-偏好（Performance-Preference）与绩效-控制（Performance-Control）两大困境，为行为金融干预工具优化提供了关键实证依据。

　　

Section snippets

Related literature

我们实验中的金融算法旨在对抗个体处置效应（Disposition Effect）——交易中最具代表性的偏见之一（Ple?ner, 2017; Cheung, 2024）。这种偏见表现为过早卖出上涨股票而长期持有下跌股票，导致投资组合表现不佳（Shefrin和Statman, 1985）。后悔情绪在其中扮演核心角色，因为交易者事后常意识到此类行为的非理性（Frydman和Camerer, 2016）。

The experiment

我们在高度受控的实验环境中测试了Robo-advisers的设计差异：参与者通过在线人工股市进行为期三周的交易，每日最多交易三次三种独立股票。实验基于oTree（Chen等, 2016）搭建，参与者通过个性化链接管理投资组合，并每8小时收到GMass交易提醒。

Optimal trading, disposition effect, and measures of performance

与Frydman等（2014, 2016）的研究设定一致，我们的实验诱导了股价变动的正自相关性。这意味着理性交易者应卖出下跌股票、买入上涨股票，表现出与处置效应相反的行为。精确定义最优交易：设p_it为股票i在t轮的价格，q_it=Pr(s_it=good|z_i,t)为理性投资者视角下股票处于"好状态"的概率。

Model and hypotheses

基于文献与实验设计，我们构建了一个简约模型：算法采纳取决于三大因素：（1）交易者的行为偏见（以处置效应衡量）；（2）其自身交易与算法表现的相对成功率；（3）交易者对算法决策的控制权。借鉴离散选择模型（Greene, 2009）思路，我们将算法采纳决策建模为个体在权衡性能与主观偏好后的效用最大化选择。

Participants and experimental protocol

数据收集于2020年6月（意大利新冠封锁刚结束）至8月中旬（新一轮限制前）进行。超450名参与者加入在线实验，流失率约9%，最终409人完成全部三周实验并领取报酬。绝大多数参与者为比萨大学工程类学生，实验通过线上平台开展。

Results

数据显示，参与者使用算法时表现更优（处置效应显著降低），但多数人仍在第三周拒绝采纳算法。用户明显偏好可干预的Soft算法及主动型Bayes策略。短期记忆效应显著：近期使用算法的个体更关注算法差异，而刚自主交易者则更受自身交易风格影响——有趣的是，处置效应较低者反而更易采纳算法，即最不需要帮助的人最愿尝试帮助。

Discussion and conclusion

本研究揭示了金融算法在纠正行为偏差（如处置效应）时，需平衡用户偏好与算法效率的矛盾。实验表明，算法设计需兼顾控制权自主性（Soft vs Hard）、交易策略活性（Bayes vs Block）及实际绩效对比三大维度。未来行为金融工具开发应注重"人性化交互"，而非单纯追求理论最优解。