金融算法采纳的权衡研究：基于三周人工股市实验的行为经济学分析

《Journal of Biomedical Informatics》：Advancing healthcare analytics: a thematic review of machine learning, health informatics, and real-world data applications

本文通过三周人工股市实验，系统研究投资者在算法交易中的三重权衡：性能控制困境（Soft/Hard算法）、性能偏好困境（Bayes/Block策略）及绩效评估偏差。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，且受短期记忆效应和过度自信心理影响显著。

　　

¹ 相关文献

我们实验中的金融算法旨在对抗个体处置效应（Disposition Effect）——交易中最受广泛记录的行为偏差之一（Ple?ner, 2017; Cheung, 2024）。这种偏差表现为过早卖出上涨股票而长期持有下跌股票，导致投资组合非最优化和收益降低（Shefrin and Statman, 1985）。后悔情绪在其中扮演核心角色，交易者在事后会意识到该行为的非理性（Frydman and Camerer, 2016）。

² 实验设计

我们在高度受控的实验环境中测试罗宾顾问的设计差异：参与者通过个性化链接进入在线人工股市，在三周内每日最多三次交易三种独立股票。实验采用oTree平台编程，通过GMass每8小时发送交易提醒。第一周自主交易，第二周算法辅助交易，第三周自由选择是否采纳算法。

³ 最优交易、处置效应与绩效衡量

参照Frydman等人（2014）的实验设定，我们诱导股价变化的正自相关性，使得风险中性理性交易者应卖出下跌股、买入上涨股，即表现出与处置效应相反的行为。定义股票i在t轮的价格为p_it，贝叶斯投资者视角下股票处于"好状态"的概率为q_it = Pr(s_it = good | z_i,t)。

⁴ 模型与假设

基于文献和实验设计，我们建立离散选择模型：算法采纳取决于（i）交易者行为偏差（以处置效应衡量）；（ii）自主交易与算法表现的相对成功率；（iii）交易者对算法决策的控制权。假设H1a：可干预算法（Soft）采纳率更高；H1b：主动型贝叶斯算法（Bayes）更受欢迎；H2：自主交易表现越差者越倾向采纳算法。

⁵ 参与者与实验流程

数据收集于2020年6月至8月（意大利疫情间歇期），409名完成全阶段的参与者中以比萨大学工程专业学生为主。实验通过动态价格序列模拟市场波动，参与者需在价格跳转前后做出交易决策。

⁶ 结果分析

数据显示算法交易显著降低处置效应（p < 0.01），但总体采纳率仅37%。Soft-Bayes组合采纳率最高（52%），而Hard-Block组合最低（18%。短期记忆效应显著：近期使用算法者更关注策略差异，而刚自主交易者更依赖个人交易风格。绩效评估存在自我服务偏差——非采纳者普遍低估算法实际收益。

⁷ 讨论与结论

本研究揭示算法设计需平衡三重矛盾：控制权与性能的张力、偏好匹配与效率的冲突、以及主观评估与客观表现的认知偏差。尽管贝叶斯算法在理论上最优，但用户更倾向保留最终控制权的"温和"算法。实践启示在于：算法推广需注重用户心理适应，通过渐进式交互设计缓解责任厌恶（Responsibility Aversion）和现状偏见（Status-Quo Bias）。