行为金融学解释投资者的认知局限

本文探讨了投资者决策中的代表性偏差、锚定效应、易得性偏差、框架效应和确认偏差,揭示了人性如何影响投资决策,并强调了直面不确定性的重要性。

来源微信公众号:阿N量化

心理学研究表明,人类的知觉和记忆并不像照相机那样,能够精确捕捉外界的信息并准确记录。对事物的感知和记忆方式会受到已有的经验、信念以及所处情境的影响。

投资者的决策受限于信息处理能力和心理因素,有以下常见表现:
在这里插入图片描述

代表性偏差

投资者通过复盘历史走势,总结出可重复的模式,作为自己的决策依据。但是,资本市场是复杂系统,投资者总结的经验一定是片面的。另一方面,资本市场也在进化,投资者的经验会过时。
在这里插入图片描述
历史不会简单的重复,面对失败是每一个投资者的必修课,意外甚至无法预测的事情会发生,小心安排的计划会失败。投资技术就是在不断失败的过程中逐渐发展的,从单根K线到K线组合,从均线、MACD到纷繁复杂的指标,到现在的量化交易,无一不是如此。

锚定效应

投资者通常会有意或者无意的以成本价、历史走势中出现的的最高和最低价、盘整区间的价格等为参考制定自己的交易计划。
在这里插入图片描述
例如,上涨趋势中,因被底部4元的价格所锚定,投资者认为股价在5元、6元等向上突破时太贵而错过了涨至9.6元的机会。当股价回调至6.5时,因被9.6元的高价所锚定,投资者反而认为此价格便宜而决定买入。
在这里插入图片描述

易得性偏差

信息的传播时间越长、传播范围越广、共识度越高,越容易被投资者获取,其中的价值就可能越低。投资者需要发掘藏在水面下更有价值的信息,而不是那些显而易见的表象。
在这里插入图片描述
例如,投资者倾向于认为好公司就是好股票。但是,作为长期存在的共识,白马股标签的信息价值早已被市场消耗。投资决策需要分析当下的收益风险比。好如茅台,可能因为被过度追捧,潜在风险大于预期收益,成为不好的股票。差如ST,可能因为被过度低估,预期收益大于潜在风险,成为好的股票。

框架效应

投资者容易被信息的表述形式影响,而忽略信息的内容。积极的表述框架带来积极的结论,投资者愿意承担风险。消极的表述框架带来消极的结论,投资者回避风险。

在这里插入图片描述
损失带来的痛苦感比相同数量获利带来的满足感更强烈。所以,投资者在亏损情境中寄希望于股价反弹,倾向于采取激进策略持股待涨,在盈利情景中更担心获利回撤,倾向于采取保守策略锁定盈利。

确认偏差

一旦形成某种信念,投资者就会表现出对它的忠诚,从证实该信念的角度解读信息,并忽略与该信念相矛盾的信息。
在这里插入图片描述
例如,投资者总是在为所持有的股票寻找上涨的理由:强势市场中,持仓股票弱于市场,投资者解释说,这是主力洗盘;弱势市场中,持仓股票同步于市场,投资者解释说,这是技术性调整;弱势市场中,持仓股票强于市场,投资者解释说,这是有主力控盘……

控制错觉

因为缺乏知识、错误归因等而过度自信,投资者容易高估自己的能力,错误地认为自己能预测未来的价格走势,承担过高的风险而不自知。
在这里插入图片描述
例如,投资者认为在人口老龄化大背景下医疗行业将进入加速发展期,经研究后买入一只股票,最终获得了可观的收益。投资者将此归因于自己的选股能力强,而该股的上涨是因新冠疫情导致的防疫用品需求激增。当遇到损失时,投资者又将其归咎于“心态不好”、“运气不佳”等因素。

总之,没有任何事像投资一样需要时刻与人性的贪婪、恐惧和希望为伴。虽然无法做到完全客观理性,投资者仍需努力战胜自己,以战战兢兢、如临深渊、如履薄冰的态度,防范失控的风险。同时,投资者也不必为自己的局限而过度担忧,选择了投资就意味着要直面不确定性,成为一流的输家,这一点使你成为第一流的投资者。

本课题设计了一种利用Matlab平台开发的植物叶片健康状态识别方案,重点融合了色彩与纹理双重特征以实现对叶片病害的自动化判别。该系统构建了直观的图形操作界面,便于用户提交叶片影像并快速获得分析结论。Matlab作为具备高效数值计算与数据处理能力的工具,在图像分析与模式分类领域应用广泛,本项目正是借助其功能解决农业病害监测的实际问题。 在色彩特征分析方面,叶片影像的颜色分布常与其生理状态密切相关。通常,健康的叶片呈现绿色,而出现黄化、褐变等异常色彩往往指示病害或虫害的发生。Matlab提供了一系列图像处理函数,例如可通过色彩空间转换与直方图统计来量化颜色属性。通过计算各颜色通道的统计参数(如均值、标准差及主成分等),能够提取具有判别力的色彩特征,从而为不同病害类别的区分提供依据。 纹理特征则用于描述叶片表面的微观结构与形态变化,如病斑、皱缩或裂纹等。Matlab中的灰度共生矩阵计算函数可用于提取对比度、均匀性、相关性等纹理指标。此外,局部二值模式与Gabor滤波等方法也能从多尺度刻画纹理细节,进一步增强病害识别的鲁棒性。 系统的人机交互界面基于Matlab的图形用户界面开发环境实现。用户可通过该界面上传待检图像,系统将自动执行图像预处理、特征抽取与分类判断。采用的分类模型包括支持向量机、决策树等机器学习方法,通过对已标注样本的训练,模型能够依据新图像的特征向量预测其所属的病害类别。 此类课题设计有助于深化对Matlab编程、图像处理技术与模式识别原理的理解。通过完整实现从特征提取到分类决策的流程,学生能够将理论知识与实际应用相结合,提升解决复杂工程问题的能力。总体而言,该叶片病害检测系统涵盖了图像分析、特征融合、分类算法及界面开发等多个技术环节,为学习与掌握基于Matlab的智能检测技术提供了综合性实践案例。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值