2. 认知偏差与决策：启发式简化、代表性偏差、可得性偏差、锚定效应

做量化策略这些年，我越来越觉得：市场不是数学题，而是心理学题。

你想想看，同样的数据，不同的人能得出完全相反的结论。为什么？因为我们的脑子天生就带“偷懒”模式。这就是所谓的启发式简化——大脑为了节省能量，会走捷径做判断。

说白了，我们不是理性的机器人。我们是带着各种偏见做决策的普通人。搞量化的人如果不理解这些，策略写得再漂亮，也容易在实盘里翻车。

2.1 启发式简化：大脑的“快捷键”

什么叫启发式简化？我举个例子你就明白了。

你看到一只股票连续涨了三天，脑子里立刻蹦出一个念头：“这票要起飞了。” 然后你就买了。你并没有去查它的基本面、资金流向、行业周期。你只是用了“连续涨=好股票”这个快捷方式。

这就是启发式简化。它帮我们快速决策，但也经常带我们掉坑里。

我在做CTA策略回测时遇到过一件事。有个策略在历史数据上表现特别好，年化收益30%+。我当时差点就上线实盘了。但冷静下来仔细一看——这个策略本质上就是“追涨杀跌”的简化版，遇到震荡行情必死。果然，后来在样本外测试中直接腰斩。

2.2 代表性偏差：看见“模式”就当真

代表性偏差，说白了就是“以貌取人”。

你看到一家公司连续五个季度利润增长，就觉得它是下一个茅台。你看到某个基金经理连续三年跑赢大盘，就觉得他是股神。但事实呢？可能只是运气，可能只是周期。

我记得有个经典的实验：让一群人判断一个人是工程师还是律师。描述是“他喜欢组装模型、听古典音乐”。大部分人猜他是工程师。但问题是，样本里工程师和律师的比例是50:50吗？不是。大家完全忽略了基础概率。

在量化里，代表性偏差最常见的坑就是过度拟合。

# 一个典型的“代表性偏差”策略代码
# 看到过去3个月涨得好的股票，就认为它会继续涨
def representative_bias_strategy(data):
    top_performers = data.nlargest(10, '3m_return')
    # 这里隐含的假设：过去表现代表未来表现
    return top_performers.index.tolist()

# 实际上，你应该加入均值回归或动量衰减的判断
def better_strategy(data):
    momentum = data['3m_return']
    volatility = data['20d_volatility']
    # 考虑风险调整后的动量
    score = momentum / volatility
    return score.nlargest(10).index.tolist()

2.3 可得性偏差：最近发生的，就是最重要的

可得性偏差，意思是：我们更容易被最近发生的事、或者印象深的事影响判断。

比如，你刚看到一条新闻说“某科技股暴跌30%”，接下来几天你就会特别关注科技股的风险。但你可能忽略了，过去十年科技股的年化收益是15%。

在量化策略里，可得性偏差会导致过度反应。

• 现象：市场大跌后，策略模型会过度看空
• 原因：最近的下跌数据在模型里权重过高
• 后果：错过反弹，或者频繁止损

我个人的习惯是，在回测时故意把最近3个月的数据“降权”处理。不是不重视，而是防止被短期情绪带偏。

2.4 锚定效应：第一印象，决定一切

锚定效应，就是“先入为主”。

你第一次看到某只股票的价格是100元，后来它跌到80元，你觉得“便宜了”。但它的合理估值可能只有50元。那个100元就是你的锚。

在量化交易里，锚定效应最危险的地方是参数优化。

我记得有一次做策略优化，我一开始设了一个参数范围：移动平均线周期从10到60。结果优化出来最优参数是45。我特别高兴，觉得找到了“圣杯”。但后来换了个数据区间，最优参数变成了20。为什么？因为我一开始的“锚”设错了——那个10到60的范围本身就是主观的。

# 锚定效应的典型表现：参数优化时被初始范围限制
# 错误做法
param_range = range(10, 60)  # 这个范围本身就是锚
best_param = optimize(data, param_range)

# 正确做法：多尺度搜索，打破锚定
param_range_1 = range(5, 30)
param_range_2 = range(20, 80)
param_range_3 = range(50, 200)

results = []
for r in [param_range_1, param_range_2, param_range_3]:
    best = optimize(data, r)
    results.append(best)

# 取多个范围的共识，而不是单一最优

2.5 四种偏差的关系与应对

这四种偏差不是孤立的。它们经常一起出现，互相强化。

比如：你看到某只股票最近涨了很多（可得性偏差），你觉得它还会涨（代表性偏差），然后你参考它过去的高点来设定目标价（锚定效应），最后用“这票基本面不错”来合理化你的决策（启发式简化）。

一套组合拳下来，你亏钱是大概率事件。

2.6 量化策略中的应对框架

说了这么多问题，那怎么解决？我总结了一套自己的方法：

偏差类型	在策略中的表现	我的应对方法
启发式简化	用简单规则代替复杂分析	多因子验证，不依赖单一信号
代表性偏差	过度拟合历史模式	样本外测试、交叉验证
可得性偏差	对近期数据过度敏感	使用衰减权重、长周期参考
锚定效应	参数优化被初始范围限制	多尺度搜索、随机初始化