第1章行为金融学导论

一、行为金融学导论：传统金融学与行为金融学的区别、市场异象概述、行为金融学在量化投资中的价值

做量化这些年，我经常被问到同一个问题：“市场到底是不是有效的？”

传统金融学告诉你：是的。有效市场假说（EMH）认为，所有信息都已经反映在价格里了。投资者是理性的，套利是完美的，市场永远是对的。

嗯，听起来很完美。但我在2015年A股股灾时亲眼看到，一只基本面没问题的股票，三天跌了40%。这合理吗？

行为金融学给出了不同的答案：市场参与者是人，人不是完全理性的。

说白了，传统金融学研究的是“应该怎样”，行为金融学研究的是“实际怎样”。

核心区别一览：

你想想看，如果市场真的完全有效，那量化投资还有什么超额收益可赚？

我刚开始做量化时，特别喜欢跑一些“经典因子”。结果发现，有些现象传统金融学根本解释不了。

举个例子：“一月效应”。每年1月份，小盘股的表现明显好于大盘股。为什么？传统金融学只能说“这是统计噪声”。但行为金融学告诉我们：年底投资者为了避税卖出亏损股票，1月份再买回来，加上新年新气象的乐观情绪，共同推动了这一现象。

再比如：“动量效应”。过去3-12个月表现好的股票，未来还会继续好；表现差的还会继续差。传统金融学认为这是风险溢价，但行为金融学指出：这是投资者反应不足和羊群效应共同作用的结果。

我整理了几个常见的市场异象，你在量化策略里大概率会遇到：

我的经验： 这些异象不是永远有效的。2010年之前动量因子在美股上表现极好，但2010-2020年期间出现了明显的回撤。为什么？因为知道的人太多了，套利资金把收益吃掉了。所以做量化一定要动态跟踪因子的“拥挤度”。

说了这么多理论，咱们聊聊实际的。行为金融学到底能给量化投资带来什么？

我个人认为，最大的价值在于：它提供了传统因子之外的“另类信号”来源。

传统量化因子（价值、动量、质量等）已经被挖掘得差不多了。但行为金融学相关的因子，比如：

这些因子与传统因子的相关性很低，能提供真正的分散化收益。

我曾经做过一个策略：利用Twitter上的情绪数据构建“恐慌买入”信号。当某只股票的负面情绪突然飙升但价格没有充分反应时，我们做多。这个策略在2020年3月疫情暴跌期间表现极好——因为市场过度恐慌了。

注意： 行为金融学因子也有坑。最大的坑是“样本外失效”。很多行为金融学论文用的是几十年前的数据，那时候市场结构和投资者行为跟现在完全不同。我建议你至少用近5年的数据做回测，并且做严格的“样本外测试”。

下面这张图是我自己画的，帮你理清本章的核心逻辑：

这张图的核心逻辑很简单：传统金融学解释不了的市场异象，恰恰是行为金融学可以解释的，而这些异象又为我们提供了量化投资的超额收益来源。

最后，分享几个我踩过的坑：

不要迷信论文里的结论。 很多行为金融学论文用的是几十年前的数据，那时候的交易机制、信息传播速度和现在完全不同。我建议你拿到一个因子后，先用近5年的数据做验证。
注意因子衰减。 行为金融学因子一旦被广泛认知，套利资金就会迅速抹平收益。我见过太多人拿着2010年之前表现极好的因子，在2020年亏得底朝天。
情绪因子要结合基本面。 纯粹的情绪因子噪音太大。我习惯的做法是：先用基本面筛选出优质股票池，再在池子里用情绪因子做择时。
回测时考虑交易成本。 行为金融学策略往往换手率较高，如果不考虑滑点和佣金，回测结果会非常好看，但实盘会很难看。

我的一个小习惯： 每次发现一个新的行为金融学因子，我都会先问自己三个问题：

三个问题都回答“是”，我才会开始做回测。

好了，这一章就到这里。行为金融学不是要推翻传统金融学，而是给它打上补丁。下一章我们会深入探讨具体的认知偏差，看看它们如何在市场中制造定价错误。

公众号:蓝海资料掘金营，微信deep3321