【中央財經大學】行為金融學【全30課】有字幕 P12 - 12.12.[6.1.1]--5.認知偏差

大家好,這一講我們來學習和了解一些認知偏差。 首先,請你想一想,你在平時的學習、工作和生活中是怎樣接收和處理信息來形成認知的? 是拿出筆和紙根據已知信息計算出最優解,還是依照自己的經驗或直覺給出大概的判斷呢? 這實際涉及到我們認識世界形成認知以解決問題的兩類方式。 如果你是根據已有信息採用定量化的測算來形成認知的,你所採用的方法被稱之爲算法。 如果你是依照自己的經驗或直覺來形成認知的,你所採用的方法便是我們這一節所關注的啓發法。 具體而言,啓發法是我們憑藉經驗的解題方法,是解決問題的簡單籠統的規律或策略。 對應着知覺系統的直覺判斷,也被稱爲經驗規則或母指法則。 那麼算法和啓發法這兩類方法,你覺得哪種方法更科學,你平時又是採用哪種方法比較多呢? 你可能會說,從理論上來看,算法似乎更科學一些,但實際上你往往會用啓發法來形成和更新認知處理問題。 實際上這兩類方法沒有孰優孰劣,儘管算法看起來似乎更科學一些,但是在很多情境下,我們其實是不能通過算法來得到最優解的。 比如請你考慮如下的情境。 在你生活的小鎮上有一家酒吧,每週四晚上該酒吧都會有免費的音樂表演。 如果去的人不多,你就會免費地獲得一次欣賞音樂的舒適體驗。 而如果去的人多,酒吧就會很擁擠,反倒不如待在家裏讓你感到舒適。 那麼在每週四的晚上,你是如何預測去酒吧的人的多少來決定自己的行爲呢? 你會發現無論你用多麼複雜精緻的模型去預測去酒吧的人數,只要周圍的人跟你採用相似的模型,就會出現大家的預測自我毀滅的結果。 也就是說,如果大多數人預測去酒吧的人少,就都選擇去酒吧,則實際去酒吧的人反而多。 如果大多數人預測去酒吧的人多,就都會選擇待在家裏,實際去酒吧的人反而少。 這就是美國聖塔菲研究所的研究者Arthur教授提出的酒吧問題。 你會發現在該情境下,沒有一種算法給你提供一個最優解,你只能通過歷史信息歸納推理形成一個大概的判斷。 由此可見,算法和啓發法都是我們處理和加工信息形成認知的一種方式,沒有孰優孰厲。 但是在實際生活中,爲什麼在很多可以用算法解決問題的情境下,你也常常選擇啓發法來形成自己的認知呢? 是否是因爲啓發法比較容易執行呢? 實際上,啓發法在很多時候可以給你提供一種思維上的捷徑,快速地得出與算法相一致的結論,但有些時候也會產生偏差。 本小節我們就來學習和體會不同的啓發法及其可能給你帶來的認知偏差。 在1974年,卡尼曼和Tversky總結和歸納了我們在處理實際問題時常用的三類啓發法, 代表性啓發、可得性啓發和某定。 我們先來看代表性啓發,請你考慮如下的描述並進行判斷。 史蒂文是一個害羞內向的人,他樂於助人,但對人們和現實世界並沒有多大興趣。 他的性格溫順嚴謹,喜歡井井有條,對細節有強烈愛好。 請問你認爲史蒂文最可能從事下列哪種職業? 是農民,銷售員,還是飛行員,圖書管理員,或者是醫生呢? 儘管該描述並沒有涉及到具體的職業信息,是相對中性的描述, 但你是否認爲史蒂文最可能是圖書管理員呢? 那麼你爲什麼覺得史蒂文最可能是圖書管理員呢? 你是否覺得剛纔聽到的對史蒂文性格的描述與大多數圖書管理員的性格特徵是相似的呢? 如果是,那麼你在形成該認知的過程中所用到的啓發法就是代表性啓發。 具體而言,代表性啓發指的是人們傾向於根據觀察到的某種事物的模式 與其經驗中該類事物的代表性模式的相似程度來進行判斷的推理過程。 那麼我們在用代表性啓發形成認知的過程中容易產生哪些偏差呢? 請你跟隨我來體會四個情境,看一看你是否會犯錯誤。 情境一,請你判斷一下A、B兩個事件,哪個事件發生的概率大。 A事件是,小明第二天彩票中獎,他十分高興。 B事件是,小明第二天彩票中獎。 你是否認爲事件A發生的概率大於事件B發生的概率,或者兩者發生的概率一樣大呢? 從概率論的角度,事件A實際上是事件B,小明第二天彩票中獎,和另一事件,小明十分高興的交集。 但由於十分高興的情緒狀態在中了彩票之內事件中非常具有代表性, 人們自然而然地覺得中了彩票小明應該十分高興,而忽略了影響小明情緒的其他因素, 所以認爲A、B兩個事件至少發生的概率是一樣的,甚至誤認爲A事件發生的概率會更高。 這就是你在運用代表性啓發進行認知時可能出現的第一內偏差——聯合謬誤, 即無法意識到簡單概率、A發生的概率和聯合概率、A和B同時發生的概率之間的區別。 情境二 假設你再參加一場NBA籃球比賽,你們隊的隊員約翰是一箇中等水平的球員, 去年的投籃命中率爲10%,可是今晚他手感很好,命中率爲80%,也就是10投中8。 比賽進行到最後一刻,你所在的球隊落後一分,在剩下的幾秒裏有機會再投一次, 球現在在你手中,那麼你會把球傳給約翰還是弗雷迪? 弗雷迪今晚僅僅10投中3,但是他去年以60%的命中率在全隊領先。 你是否覺得要延續一下約翰的好手氣,把球傳給約翰呢? 如果是,那麼你覺得約翰接下來的真實命中率與你的判斷是一致的嗎? 極樂圍棋、瓦朗和Tverskaya收集了費城76人隊在1980到1981年在季中的數據發現, 91%的受訪者與你有類似的判斷。 他們認爲,在最近兩三次投籃命中的情況下, 再次投籃命中的概率會高於最近兩三次投籃未命中的情況。 我們稱之爲熱手現象。 但真實的情況是這樣嗎? 我們來看一下他們的統計結果。 費城隊的平均命中率爲52%, 在連續三次未命中後,球員的命中概率一般會更高,爲56%, 然而在連續命中三次後,球員的命中概率會比較低,爲46%。 作爲隊裏的最佳射手,道金斯的表現差別更明顯。 他的無條件命中率爲62%, 在連續失球三次後,他的命中率高達88%, 而連續命中三次後,他的命中率只有51%。 另外,我們也可以看到相鄰兩次命中率的相關性。 除一名球員外,他相關性都是負的。 可見,我們往往高估了像約翰這樣的熱手球員, 在連續投中幾次後,接下來投中的命中率。 如果按照貝葉斯信息更新法則, 約翰最後一次投球命中概率爲這樣一個條件概率, 當我們用代表性啓發估算這一條件概率時, 往往忽略了約翰最初的命中率。 而由於最近幾次命中率的代表性高估了約翰下一次的命中率, 這就是你在運用代表性啓發進行認知時可能出現的第二枚天差, 幾率忽視,即忽視了事件發生的基礎概率。 假設你和幾個朋友一起玩紙牌遊戲, 一直擁有不少好牌的蘇閃獲得了越來越多的獎金, 你會怎麼想呢? 你是否覺得蘇閃應該得到一些差牌, 大家的表現終究會處於平均水平呢? 從長期來看,蘇閃獲得好牌和差牌的機會相同, 這是大數定律告訴我們的, 但我們往往錯將大數定律應用在一個小項目上, 希望僅僅幾次玩牌的結果就表現出大數定律所擁有的核心隨機特徵。 這就是你在運用代表性啓發進行認知時可能出現的第三枚天差, 對樣本規模不敏感, 認爲大樣本和小樣本需有對總體同樣程度的代表性, 小樣本也可以很好地反映總體。 行徑4 已知某大學所有學生高中GPA成績的平均值爲3.44, 標準差爲0.36, 大學GPA成績的平均值爲3.08, 標準差爲0.4。 如果有個學生高中GPA成績爲2.2, 請你猜測一下他大學GPA成績爲多少。 平均而言,該名學生大學GPA成績約爲2.7, 你的猜測是否比2.7低呢? 如果是, 你實際上是高估了高中GPA成績對大學GPA成績的可預測性。 撇開隨機因素, 學生們顯然可以改變他們的學習習慣, 並且高中表現差的學生爲了能夠完成大學學業, 更有動力去努力學習。 這就是你在運用代表性啓發進行認知時可能出現的第四枚偏差, 高估可預測性, 即我們往往會高估某些因素的預測能力。 以上便是代表性啓發, 我們容易產生的偏差。 接下來我們來看第二類啓發, 可得性啓發。 請你回憶一下, 以字母R開頭的英文單詞數量 與以字母R爲第三個字母的單詞數量哪個更多呢? 儘管實際上以字母R爲第三個字母的單詞數量會更多, 但讓你回憶時, 你是否覺得以字母R開頭的英文單詞會更多一些呢? 爲什麼你會有這樣的感覺呢? 是不是因爲以字母R開頭的英文單詞 在你的腦海中更容易獲得一些呢? 如果是, 那麼你在形成該認知的過程中所用到的啓發法 就是可得性啓發。 現實中, 大概率事件比小概率事件更容易發生, 從而在記憶中更容易檢索到, 所以可得性啓發有客觀上的合理性, 尤其是當事件的記憶可得性 與客觀發生的概率相一致時, 可得性啓發是準確有用的。 但是除了事件發生的客觀概率外, 事件的先進性、顯著性、生動性 和事件發生時所伴隨的情感 都會影響事件在你腦中的記憶可得性, 導致你對事件發生概率的高估或低估。 比如剛剛發生的空難的清晰報道 可能會使部分人 至少暫時會本能地高估那次事件發生的概率, 甚至迴避航空出行。 這就是可得性啓發中我們容易產生的偏差。 最後,我們來看第三類啓發法。 錨定 首先請你在5秒內給出下示的答案, 隨後找一個你的朋友, 也考一考他, 看你們誰算得更準確一些。 不過給你朋友呈現的算式 與你剛纔看到的算式的順序剛好相反, 同樣請他在5秒內給出答案。 1到8連成的正確答案是40320。 你和朋友給出的答案誰更接近呢? 是不是你給出的數字比朋友給出的要大呢? 請你回憶一下你是怎麼計算的。 5秒鐘的時間無法計算出準確答案。 你是否是隻計算了前半部分, 然後以你得到的數爲基礎, 大概調整一下給出最終的估算結果呢? 如果是, 那麼你在形成該認知的過程中 所用到的啓發法就是錨定。 具體而言,錨定指的是, 許多情形下人們從一個初始值開始進行估計, 並不斷調整得到最終的估計值的認知過程。 而初始點的選擇可能受問題表述方式的啓發, 也可能是不完全計算的結果。 就像你剛纔的計算一樣, 由於心理形成機制的影響, 隨後的調整常常是不充分的。 不同的初值產生不同的偏向初值的最終估計值, 因而會出現錨定偏差。 甚至,有時初始點的選擇是毫無依據的。 我們來做一個實驗。 請你寫一個0到100之間你喜歡的數字。 寫好後,請你估算聯合國中非洲國家成員佔多大比例。 首先想一想是高於還是低於你喜歡的數字, 然後說出你估算的比例。 請你找一個朋友也做一下上述的實驗, 然後比較一下你們喜歡的數字的大小 及所估算的聯合國中非洲國家成員佔比的大小。 是否你喜歡的數字 與估算的聯合國中非洲國家成員佔比的大小 與你朋友的答案相比較, 是方向一致的差異呢? 也就是說, 如果你喜歡的數字比朋友喜歡的數字大, 你估算的聯合國中非洲國家成員佔比 也會比你朋友估算的要大, 反之也一樣呢? 可見,儘管你喜歡的數字 與聯合國中非洲國家成員的佔比並無關聯, 但往往也會在你腦海裏留有印象, 作爲無關的初始信息存在, 而此後的調整常常是不充分的, 這就是不相關錨定產生的偏差。 以上就是我們本小節所學習的三類啓發法, 代表性啓發、可得性啓發及錨定, 和它們可能帶來的認知偏差。 通過本小節的學習, 請你想一想, 你在實際生活中還有哪些情境 用到了以上的三類啓發法, 會產生類似的偏差嗎?