一、行为金融学导论：传统金融学的困境与行为金融学的崛起
1.1 传统金融学的“完美世界”假设
传统金融学，说白了就是一套建立在“理性人”基础上的理论大厦。它假设市场里的每个人都是理性的，信息是免费的、对称的，交易没有摩擦。你想想看，这像不像一个完美的乌托邦？
我个人习惯把传统金融学的核心假设归纳为三点：
- 理性预期：投资者能无偏地处理所有信息，形成正确的预期
- 有效市场：价格已经反映了所有可得信息，没人能持续获得超额收益
- 随机游走：价格变动是随机的，无法预测
这些假设听起来很美，但我在实际项目中遇到过太多反例。记得2015年A股股灾时，我亲眼看着一只基本面毫无变化的股票，三天内从50元跌到20元，又反弹到35元。如果市场真是有效的，这种剧烈波动怎么解释？
核心矛盾：传统金融学假设投资者是“理性人”，但现实中我们都是“正常人”——会恐惧、会贪婪、会犯系统性错误。
1.2 传统金融学解释不了的“异象”
为什么会说传统金融学陷入困境？因为它解释不了太多市场中的“怪现象”。我整理了几个最典型的：
| 异象名称 | 现象描述 | 传统理论解释 | 现实情况 |
|---|---|---|---|
| 股权溢价之谜 | 股票长期回报远高于债券 | 风险溢价补偿 | 风险溢价高到不合理 |
| 波动率之谜 | 股价波动远大于基本面波动 | 新信息冲击 | 很多波动没有信息支撑 |
| 封闭式基金折价 | 基金净值高于交易价格 | 流动性折价 | 折价率长期存在且波动 |
| 动量效应 | 过去涨的股票继续涨 | 风险因子 | 无法用风险完全解释 |
嗯，这里要注意。这些异象不是偶尔出现，而是系统性地、反复地出现。我曾经用A股数据做过回测，动量效应在2005-2020年间几乎每年都有效。传统金融学只能说这是“数据挖掘”的结果——这解释力也太弱了。
1.3 行为金融学的核心武器
行为金融学怎么破局？它引入了两个关键概念：有限理性和非标准偏好。
说白了，就是承认我们的大脑有“bug”。这些bug不是偶然的，而是有规律的、可预测的。我总结了几个最核心的认知偏差：
- 过度自信：80%的司机认为自己的驾驶水平高于平均水平——你想想看，这数学上就不可能
- 损失厌恶：亏100块的痛苦，大约是赚100块快乐的2倍
- 锚定效应：第一眼看到的价格，会成为后续判断的“锚”
- 确认偏误：只找支持自己观点的证据，忽略反面信息
实战小技巧：我个人习惯在交易系统里加一个“偏差检测模块”。比如当持仓亏损超过10%时，系统会自动弹窗问：“你现在是理性止损，还是因为损失厌恶在死扛？”这个简单的提醒，帮我避免过好几次大亏。
1.4 行为金融学的知识体系框架
为了让你更直观地理解行为金融学的整体结构，我画了一张框架图。这张图是我做课程设计时反复修改过的，希望能帮你建立全局视角。
1.5 行为资产定价模型（BAPM）的诞生
有了行为金融学的理论基础，我们就能构建更贴近现实的定价模型了。传统CAPM说：E(Ri) = Rf + βi * [E(Rm) - Rf]。但行为资产定价模型（BAPM）引入了两个关键改进：
# 传统CAPM
E(Ri) = Rf + β_traditional * (E(Rm) - Rf)
# 行为CAPM（BAPM）
E(Ri) = Rf + β_noise * (E(Rm) - Rf) + β_sentiment * SentimentFactor你看，BAPM多了一个情绪因子。这个因子捕捉的就是投资者的非理性行为。我在做量化策略时，经常用社交媒体情绪指数作为情绪因子的代理变量。效果嘛，比纯因子模型好不少。
避坑指南：我曾经犯过一个错误——直接把传统CAPM的β值套用到BAPM里。结果回测效果很差。后来才意识到，行为β和传统β的计算方法完全不同。行为β需要剔除情绪波动的影响，计算起来更复杂。
1.6 为什么你需要学行为金融学？
你可能要问：我学传统金融学就够了，为什么还要学行为金融学？
我的回答是：因为市场是由人组成的。而人，是不理性的。
举个例子。2020年疫情初期，我管理的一个量化策略突然失效了。传统因子模型完全失灵。后来我加入了一个“恐慌指数”作为行为因子，策略才重新跑起来。你想想看，如果我只懂传统金融学，可能到现在还在纠结为什么模型不work。
行为金融学不是要推翻传统金融学，而是给它打上补丁。就像爱因斯坦的相对论没有否定牛顿力学，只是扩展了它的适用范围。行为金融学也一样——它在传统金融学解释不了的地方，给出了更合理的答案。
一句话总结：传统金融学告诉我们“市场应该怎样”，行为金融学告诉我们“市场实际怎样”。做量化交易，两者缺一不可。