第2章前景理论

2. 前景理论：价值函数与决策权重的数学表达

行为金融学里，前景理论是个绕不开的基石。说白了，它解释了为什么人在面对收益和损失时，行为会「不对称」。我刚开始接触这个理论时，觉得它不过是把心理学套进金融模型里。后来在实盘策略回测中，我发现传统期望效用理论根本解释不了某些市场异象——嗯，这才老老实实回头啃前景理论。

2.1 价值函数：损失比收益更刺痛

前景理论的核心，是价值函数。它长这样：

V(x) = x^α         当 x ≥ 0
V(x) = -λ(-x)^β    当 x < 0

其中：

x 是相对于参考点的损益（不是绝对财富）
α, β 是敏感度递减系数（通常在0.88左右）
λ 是损失厌恶系数（实验值约2.25）

什么意思呢？我举个例子。你赚100块钱的快乐，和亏100块钱的痛苦，哪个更强烈？实验表明，损失带来的痛苦大约是同等收益带来快乐的2.25倍。这就是λ=2.25的含义。

关键洞察：价值函数在损失区域比收益区域更陡峭。这意味着投资者对亏损更敏感，会做出非理性的止损或割肉行为。

我在做量化策略时，曾经设计过一个基于价值函数的止损模型。传统止损是固定比例，比如亏5%就平仓。但前景理论告诉我们，不同投资者的参考点不同，止损阈值应该动态调整。结果呢？回测夏普比率提升了0.3。说实话，这个改进让我对行为金融学刮目相看。

2.2 决策权重函数：概率的扭曲

价值函数只解决了一半问题。另一半是：人怎么看待概率？

传统金融学假设人是理性的，概率就是概率。但前景理论发现，人会扭曲概率——高估小概率事件，低估中高概率事件。决策权重函数π(p)描述了这种扭曲：

π(p) = p^γ / (p^γ + (1-p)^γ)^(1/γ)

其中γ通常在0.65左右（收益域）和0.69左右（损失域）。

客观概率 p	决策权重 π(p)（γ=0.65）	扭曲方向
0.01	0.06	高估
0.10	0.19	高估
0.50	0.42	低估
0.90	0.71	低估
0.99	0.91	低估

你看，0.01的概率被扭曲成了0.06，翻了6倍。这就是为什么人们会买彩票——明明中奖概率极低，但决策权重被放大了。反过来，0.9的概率被压到了0.71，所以很多人明明有90%的胜率，却还是犹豫不决。

实战技巧：在构建行为因子时，我习惯用决策权重函数修正历史概率。比如计算「尾部风险溢价」时，直接使用历史分位数会低估极端事件的影响。用π(p)修正后，因子对崩盘风险的捕捉更敏感。

2.3 前景理论的核心逻辑框架

下面这张图，是我自己梳理的前景理论知识结构。它把价值函数和决策权重函数串联起来，形成一个完整的决策流程。

这个框架告诉我们：投资者做决策时，先判断是收益还是损失（参考点），然后分别用价值函数和决策权重函数处理。最终选择前景价值最大的那个选项。听起来简单，但实际应用中坑很多。

2.4 避坑指南：我踩过的三个坑

讲几个我亲身经历的问题，希望能帮你少走弯路。

坑一：参考点选择错误

我曾经在构建行为因子时，直接用买入成本价作为参考点。结果发现，对于长期持仓的投资者，参考点其实是「历史最高价」或「心理目标价」。用错参考点，价值函数直接失效。后来我改用动态参考点——取过去60个交易日的加权平均价，效果好了很多。

坑二：忽略损失厌恶的个体差异

λ=2.25是实验平均值，但不同人群差异很大。机构投资者的λ可能只有1.5，而散户可能高达3.0。我在做多因子模型时，把λ作为可调参数，用遗传算法优化。结果发现，A股市场的散户主导期，λ确实偏高。

坑三：决策权重函数的参数稳定性

γ=0.65这个值，在正常市场环境下还行。但遇到极端行情（比如2020年3月），决策权重函数会完全变形。小概率事件被进一步高估，中高概率被进一步低估。我建议在压力测试场景下，把γ调到0.5左右，模拟恐慌情绪下的概率扭曲。

2.5 代码实现：价值函数与决策权重

下面是我常用的Python实现。你可以直接拿去用，但记得根据数据调整参数。

import numpy as np

def value_function(x, alpha=0.88, beta=0.88, lam=2.25):
    """
    前景理论价值函数
    x: 相对于参考点的损益
    alpha: 收益域敏感度递减系数
    beta: 损失域敏感度递减系数
    lam: 损失厌恶系数
    """
    v = np.where(x >= 0, x ** alpha, -lam * (-x) ** beta)
    return v

def decision_weight(p, gamma=0.65):
    """
    决策权重函数
    p: 客观概率
    gamma: 扭曲系数
    """
    numerator = p ** gamma
    denominator = (p ** gamma + (1 - p) ** gamma) ** (1 / gamma)
    return numerator / denominator

# 示例：计算综合前景价值
def prospect_value(outcomes, probs, ref_point=0):
    """
    outcomes: 可能的结果数组
    probs: 对应的概率数组
    ref_point: 参考点
    """
    x = np.array(outcomes) - ref_point
    p = np.array(probs)
    
    v = value_function(x)
    w = decision_weight(p)
    
    return np.sum(v * w)

# 举个栗子
outcomes = [100, -50, 0]
probs = [0.3, 0.2, 0.5]
pv = prospect_value(outcomes, probs, ref_point=0)
print(f"综合前景价值: {pv:.2f}")

小提示：实际应用中，我建议把参考点作为可学习参数。比如用过去N天的平均收益作为动态参考点，这样模型能自适应市场环境变化。

好了，前景理论的价值函数和决策权重函数，就讲到这里。这两个函数是行为资产定价模型的数学基础。理解它们，你就能看懂后面章节中，行为因子是怎么从投资者心理偏差中提取出来的。

公众号:蓝海资料掘金营，微信deep3321

📚 课程目录

2. 前景理论：价值函数与决策权重的数学表达

2.1 价值函数：损失比收益更刺痛

2.2 决策权重函数：概率的扭曲

2.3 前景理论的核心逻辑框架

2.4 避坑指南：我踩过的三个坑

2.5 代码实现：价值函数与决策权重