第二章：认知偏差——交易者大脑里的“系统漏洞”

做量化这些年，我越来越觉得，交易最大的敌人不是市场，而是我们自己。你想想看，我们的大脑经过几万年的进化，是为了在草原上生存，而不是为了在纳斯达克交易。这就导致了一个问题——我们天生带着一堆“认知偏差”上战场。

这一章，我们来聊聊六个最常见的偏差。我敢说，每个交易者都中过招，包括我自己。

2.1 过度自信——交易者的“头号杀手”

过度自信，说白了就是觉得自己比实际水平强。我见过太多人，赚了两笔就开始觉得自己是“股神”。

为什么会这样？因为市场在大部分时间里是随机的。你连续猜对三次硬币正反面，不代表你有预测能力。但大脑不这么想——它会自动把运气归因于能力。

量化里怎么治这个病？很简单——用数据说话。我建议每个策略都做严格的统计检验：

# 过度自信检测：夏普比率显著性检验
import numpy as np
from scipy import stats

def sharpe_significance(returns, rf=0.02, n_bootstrap=10000):
    """
    检验夏普比率是否显著大于0
    如果p值 > 0.05，说明你的策略可能只是运气
    """
    sharpe_actual = (np.mean(returns) - rf/252) / np.std(returns) * np.sqrt(252)
    
    # 打乱收益率序列，破坏时间序列结构
    bootstrap_sharpes = []
    for _ in range(n_bootstrap):
        shuffled = np.random.permutation(returns)
        s = (np.mean(shuffled) - rf/252) / np.std(shuffled) * np.sqrt(252)
        bootstrap_sharpes.append(s)
    
    p_value = np.mean(np.array(bootstrap_sharpes) >= sharpe_actual)
    return sharpe_actual, p_value

# 使用示例
daily_returns = np.random.normal(0.001, 0.02, 500)  # 模拟数据
sharpe, p = sharpe_significance(daily_returns)
print(f"夏普比率: {sharpe:.2f}, p值: {p:.3f}")

2.2 代表性偏差——刻板印象的陷阱

代表性偏差，就是看到A和B有点像，就觉得A就是B。比如看到一只股票连续涨了三天，就觉得它“像”之前的牛股，然后追进去。

我曾经犯过这个错。2019年，我看到一只小盘科技股连续放量上涨，觉得它“像”当年的特斯拉。结果呢？它只是蹭了个热点，基本面一塌糊涂。我亏了15%才止损。

量化怎么解决？用统计代替直觉。我习惯做“相似度检验”：

特征	当前股票	历史牛股均值	是否显著差异
市盈率	85	35	是 (p=0.01)
营收增长率	12%	45%	是 (p=0.03)
换手率	8%	3%	是 (p=0.04)

你看，用数据一检验，所谓的“相似”根本不成立。这就是量化的力量——它不让你靠“感觉”做决定。

2.3 锚定效应——被“第一印象”绑架

锚定效应，就是太依赖第一个看到的信息。比如一只股票从100跌到80，你觉得“便宜了”。但凭什么100就是锚？也许100本来就是高估的。

我有个朋友，一直盯着某只股票的历史最高价。每次跌到那个价的60%，他就觉得“到底了”，然后抄底。结果呢？抄了三次，套了三次。

量化里怎么破锚？用动态估值模型：

# 动态锚定修正：基于基本面而非历史价格
def fair_value_anchor(eps, growth_rate, risk_free_rate, equity_premium):
    """
    用戈登增长模型计算合理估值
    替代历史价格锚定
    """
    required_return = risk_free_rate + equity_premium
    if growth_rate >= required_return:
        return float('inf')  # 高增长公司不适用此模型
    
    fair_price = eps * (1 + growth_rate) / (required_return - growth_rate)
    return fair_price

# 对比：历史锚定 vs 基本面锚定
historical_anchor = 100  # 历史最高价
fair_anchor = fair_value_anchor(eps=5.0, growth_rate=0.08, 
                                risk_free_rate=0.04, equity_premium=0.06)
print(f"历史锚定: ${historical_anchor}")
print(f"基本面锚定: ${fair_anchor:.2f}")

2.4 损失厌恶——亏1块的痛，需要赚2.5块来弥补

行为金融学有个经典发现：损失带来的痛苦，大约是同等收益带来快乐的两倍。具体数字是2.25倍左右。这意味着，你亏了10%，需要赚25%才能心理平衡。

这会导致什么？死扛亏损单，过早止盈。我见过太多人，亏了20%不卖，赚了5%就跑。结果呢？小赚大亏，账户慢慢缩水。

量化里怎么处理？用“期望效用”代替“期望收益”：

# 损失厌恶下的最优仓位计算
def kelly_with_loss_aversion(win_prob, win_loss_ratio, loss_aversion=2.25):
    """
    考虑损失厌恶的凯利公式变体
    loss_aversion: 损失厌恶系数，默认2.25
    """
    b = win_loss_ratio  # 盈亏比
    p = win_prob        # 胜率
    q = 1 - p           # 败率
    lambda_ = loss_aversion  # 损失厌恶系数
    
    # 标准凯利公式
    f_star = (p * b - q) / b
    
    # 考虑损失厌恶后的调整
    f_adjusted = (p * b - q * lambda_) / b
    
    return f_star, f_adjusted

p, b = 0.55, 1.5  # 55%胜率，1.5倍盈亏比
f_std, f_adj = kelly_with_loss_aversion(p, b)
print(f"标准凯利仓位: {f_std:.2%}")
print(f"损失厌恶调整后: {f_adj:.2%}")

2.5 确认偏差——只看到你想看到的

确认偏差，就是只找支持自己观点的证据，忽略反面信息。比如你买了某只股票，就会特别关注它的利好新闻，对利空视而不见。

我早期做策略时也犯过这个错。回测时，我反复调整参数，直到结果符合我的预期。后来才发现，那只是过拟合——我“确认”了一个根本不存在的规律。

量化里怎么防？用“对抗性检验”：

# 对抗性检验：主动寻找反面证据
def adversarial_backtest(strategy_func, data, n_permutations=1000):
    """
    打乱数据标签，看策略是否还能赚钱
    如果打乱后还能赚钱，说明策略有严重过拟合
    """
    original_return = strategy_func(data)
    
    shuffled_returns = []
    for _ in range(n_permutations):
        # 打乱收益率序列
        shuffled_data = data.copy()
        shuffled_data['return'] = np.random.permutation(shuffled_data['return'])
        shuffled_return = strategy_func(shuffled_data)
        shuffled_returns.append(shuffled_return)
    
    # 计算策略在随机数据上的表现
    mean_shuffled = np.mean(shuffled_returns)
    std_shuffled = np.std(shuffled_returns)
    
    # 如果原始收益在随机分布的2个标准差内，说明策略可能只是运气
    z_score = (original_return - mean_shuffled) / std_shuffled
    
    return original_return, z_score, mean_shuffled

2.6 后见之明——“我早就知道”的幻觉

后见之明，就是事情发生后，觉得自己“早就预料到了”。比如2020年疫情后股市暴跌，很多人说“我早就知道会跌”。但真让他们在暴跌前做空，没几个人敢。

这个偏差的危害在于——它会让你高估自己的预测能力。每次“我早就知道”之后，下次你就会更自信，然后亏更多。

量化里怎么治？用“预测日记”：

# 预测记录系统：对抗后见之明
class PredictionJournal:
    def __init__(self):
        self.records = []
    
    def record_prediction(self, date, symbol, direction, confidence, reasoning):
        """记录预测时的真实想法"""
        self.records.append({
            'date': date,
            'symbol': symbol,
            'direction': direction,  # 'long' or 'short'
            'confidence': confidence,  # 0-100%
            'reasoning': reasoning,
            'outcome': None
        })
    
    def update_outcome(self, symbol, date, actual_return):
        """事后更新结果"""
        for r in self.records:
            if r['symbol'] == symbol and r['outcome'] is None:
                # 判断预测是否正确
                if r['direction'] == 'long':
                    r['outcome'] = actual_return > 0
                else:
                    r['outcome'] = actual_return < 0
    
    def calibration_report(self):
        """校准报告：看你的自信程度和实际准确率是否匹配"""
        import pandas as pd
        df = pd.DataFrame(self.records)
        df['confidence_bin'] = pd.cut(df['confidence'], bins=[0, 30, 50, 70, 90, 100])
        report = df.groupby('confidence_bin')['outcome'].mean()
        return report

# 使用示例
journal = PredictionJournal()
journal.record_prediction('2024-01-05', 'AAPL', 'long', 80, '技术面突破')
journal.record_prediction('2024-01-05', 'TSLA', 'short', 60, '估值过高')
# ... 后续更新结果

小结：用系统对抗偏差

这六个偏差，每个都是大脑的“快捷方式”。在原始社会，它们帮我们快速决策。但在金融市场，它们只会让你亏钱。

量化交易的价值，不是让你变成“没有感情的机器”，而是给你一套系统，让你在冲动的时候停下来，用数据说话。

我个人最深的体会是：承认自己有偏差，是克服偏差的第一步。每次我发现自己“特别看好”某只股票时，我都会问自己——这是理性分析，还是认知偏差在作祟？

下一章，我们会把这些偏差量化成因子，看看怎么用数据捕捉市场的非理性行为。嗯，到时候你会发现，别人的偏差，就是你的超额收益。

---

公众号:蓝海资料掘金营，微信deep3321