市场模仿和盈亏转换策略的出现是无意的

我们将很快更新网站，解释整个项目，并为收集的所有数据提供可视化界面。原始数据可用athttps://github.com/opensystemsUB/MrBanks.RESULTS283志愿者被招募参加巴塞罗那道艺术节的实验。参与者做出了18436个有效的决定（89次时间用完），并在屏幕上点击了44703次。这个弹出式实验的性质使我们能够研究广泛的人口统计学[36]。因此，在283名受试者中，99名（35%）为女性，184名（65%）为男性。按年龄划分的参与者人数分布如下：15岁以下84人（y.o.），16至25岁之间36人。o、 其中78人年龄在26岁至35岁之间，51人年龄在36岁至45岁之间，25人年龄在46岁至55岁之间，9人年龄超过55岁。o、 此外，他们还将自己完成的学业水平分为六组：无（7）、小学（53）、中学（37）、高中（34）、大学（148）和无（4）。参与者在金融市场方面没有特别的专业知识。我们已经进行了补充信息中仔细讨论的短期分析，在大多数情况下，我们可以汇总收集的数据。时间、信息和专家建议时间、信息和专家建议很容易量化大小，以表征我们实验参与者的行为。在每一轮中花费的时间分布在持续时间上，比实验中可用的30秒要短得多。参与者样本中最快的四分之一在不到1.614秒的时间内做出自己的决定，一半的参与者最多需要3.431秒，而第三个也是最慢的四分之一的样本花费超过6.075秒（参见左上图2）。

此外，这些值在5轮之后变得相当稳定，因此与沉浸式和更复杂的体验相比，这表明了一条快速而稳健的学习曲线[35]。咨询的平均信息量（小组）为2.083±0.011 perround。此外，所花费的时间随着参考信息的数量呈线性增长，斜率为1.96±0.12秒（见图2）。该实验还旨在测量金融市场中众所周知的行为偏差：专家建议的影响[8,37–42]。其中一个标签提供了咨询专家的可能性，该专家正在预测下一步市场是“上涨”还是“下跌”。我们有点武断地修正了专家浪费真相，因此猜测正确的次数只有60%。因此，参与者相信他们的观点是0。69±0.03的概率，这是一个显著高于专家预测可靠性的值（置信度为99.87%）。这种过度反应现象（也可以在所谓的小量定律[37]的背景下理解）强化了金融分析师的建议如何能够产生异常价格变化的机制[40]。类似的现象在其他情况下也可以观察到，比如赛马场比赛任务[41]。我们实验中的性别队列分析表明，男性参考的信息明显多于女性（因此，他们花更多的时间来做决定），而儿童比成年人消耗的信息少得多（因此，他们花更少的时间来做决定）。这些发现补充了最近研究内源性激素对交易行为影响的结果[43]，也适用于参与者的教育水平（水平越高，做出决定的时间就越长），因为年龄和教育水平之间存在相关性。

表四。补充信息的第4部分提供了同居分析的进一步细节。表现、乐观偏见和重复根据参与者对价格变化的预测程度，我们在8557次错误猜测之前获得了9879次正确猜测，因此志愿者的全球成功经验概率为0.536±0.004。这一结果略高于完全随机过程的50%成功率。我们可以假设，通过考虑所提供的所有信息并利用可用时间来思考，可以实现更高的成功率。然而，下图2显示，查阅更多信息屏幕，或花费更多时间查看信息，并不能提高绩效——在其他情况下，如体育预测[42]中也观察到了这一点。在信息受限或时间缩短的情况下（参见材料和方法），参与者的成功率没有显著差异。此外，在牛市（0.550±0.011）、波动市场（0.533±0.011）和熊市（0.503±0.011）中，成功率不同，这一事实导致人们认为参与者背后可能存在复杂的行为偏见。队列分析没有显示出性别和年龄方面的显著差异，尽管如上所述，在做出决策所花费的时间和信息量方面存在差异05101525300 1 2 4 5 5 6时间信息时间4 Q4Q1Q2024681012145 10 15 20 2545%50%55%60%65%0 1 3 4 5 6成功信息图。2.时间、信息和性能统计。（左上）参与者在每一轮中花费的时间迅速增加，这可以从中位数（实线）和四分位数（虚线）的演变中看出。

当考虑到所有25轮时，图中的阴影也显示了不同的四分位区域（Q1=1.614，Q2=3.431，Q3=6.075）。（右上角）做出决定所需时间的方框图，该方框图是除主屏幕上显示的价格表外，还参考了其他信息的数量的函数。该图显示线性增长，斜率为1.96±0.12，原点坐标为1.89。（底部）当参考更多信息时，参与者猜测的成功率不会提高。误差条对应于二项分布的标准偏差。正在咨询。表一显示了参与者选择“向上”的概率（p(↑) = 0.606±0.004）不仅与纯随机值（0.5）相差甚远，而且显著高于市场“上涨”的经验概率（p(↑M） =0.533±0.004）。这种乐观的偏见在行为金融文献[44]中也是众所周知的，我们的实验使这种影响清晰可见。在所有研究对象中，这种偏见是普遍存在的；年龄、性别和教育水平（见补充信息表SI.1）。众所周知，人类往往会重复同样的决定[8]。表一显示，在我们的实验中，这种趋势的概率为0.561±0.004。该值明显高于随机行为的0.5。有人可能会说，参与者认为市场有一种趋势，所以他们会相应地采取行动。然而，这种概率明显高于市场重复相同结果的概率（0.536±0.004），因此这种行为特征可以被解释为另一种依赖于信念坚持的偏差（也称为确认偏差）[8]。

队列分析见表SI。补充信息中的2只显示了一个例外：众所周知，孩子们的决定更不稳定[45]。市场模仿和输赢转移出现策略在处理某些类型的信息时，头脑不好的人倾向于引入偏见。此外，他们还通过一致的行动创造出意料之外的模式，即：新兴战略[33,46]。市场模仿（MI），也被神经干学家称为自动模仿[47]，是一种可能的新兴策略。它基于一种刺激反应，不等待结果，只是模仿外部输入。在我们的案例中，这意味着参与者的决定对上一轮市场的表现有很大影响。例如，在石头剪纸游戏[48]和个体生成随机序列[49]中，已经仔细研究了MI策略。我们实验的S-RO设计[31]还允许我们研究上一轮的表现（“正确”或“错误”猜测）是否影响参与者的决策。另一个可能出现的策略是“赢-留-输”转换（W-S L-S），它依赖于刺激反应，与MI策略相反，它考虑了之前行动的结果。在这种情况下，参与者在正确的时候重复上一个决定，在错误的时候改变决定。这种胜负可转移I.与市场动态相关的行为偏差。第一列表示对我们的实验参与者（第二列和第三列）和市场数据（第四列和第五列）进行单轮“上升”或“下降”，或相对于前一列“重复”或“改变”的决定。

最后一列直接（第六列）或根据补充信息（第七列）中定义的标准偏差单位计算人力和市场之间的差异。受试者市场差异决定概率眼现概率SD单位概率“上升”11137 0.606±0.004 10382 0.533±0.004+0.073+8.37“下降”7299 0.394±0.004 8143 0.467±0.004-0.073-8.37“重复”9889 0.561±0.004 9445 0.536±0.004+0.025+4.77“改变”7732 0.439±0.004 8176 0.464±0.004-0.025-4.77在几种情况下也发现了这种模式[50–52]。为了在我们的实验中量化这两种应急策略的重要性，我们计算了交互信息[53]（即：相互依赖），以衡量两种不同应急策略对参与者行为的影响。互信息定义为i（X，Y）=Xx，yp（X，Y）logp（X，Y）p（X）p（Y）=Xx，yp（Y | X）p（X）logp（Y | X）p（Y），（1），其中X和Y是两个随机变量。它被定义为正值，取值范围在0到1之间，这意味着这两个随机变量完全独立，或者它们分别完全相关。互信息值是以位为单位给出的，因为我们使用了以2为底的对数。首先，关于MI策略，我们计算参与者决策序列（“上升”和“下降”）与之前市场走势（“上升”或“下降”）之间的互信息：0.045±0.010位。其次，关于W-S L-S策略，我们计算了参与者决策序列（“向上”或“向下”）和之前动作结果（“正确”和“错误”）之间的交互信息：0.050±0.010位。

在这两种情况下，相互信息可能看起来很小，但它不仅显著高于市场自我信息情况（即：市场变化方向系列之间的相互信息一天移动了0.003±0.010bit），而且显著高于参与者的自我反映行为情况（即：猜测系列之间的相互信息一步移动了0.005±0.010 bit）。补充信息有一个专门的章节讨论所有这些结果。事实上，我们可以通过观察与这两种应急策略相关的条件概率来进一步研究。图3证实了我们实验中错误策略的存在，并显示了在市场上涨后选择“上涨”的经验概率之间的显著差异（p(↑ | ↑M） =0.714±0.005），以及在市场下跌后这样做的概率（p(↑ | ↓M） =0.469±0.006）。这两种条件概率不同于选择“向上”的无条件概率（p(↑) = 0.606±0.004）乘以18.59标准偏差（SD）单位，分别高于和低于18.59标准偏差（SD）单位。这种模仿也与“down”案有关。当市场下跌时，选择“下跌”的概率为p(↓ | ↓M） =0.531±0.006，比无条件概率p高20.37 SD单位(↓) = 表I中的0.394±0.004，而p(↓ | ↑M） =0.286±0.005是低于该值的16.86 SD单位。值得一提的是，MI策略描述了一种向上的市场方向的行为偏差，这可能与金融市场的乐观行为和过度自信有关[44]，甚至与金融泡沫有关[20,54]。图4重点介绍了W-S L-S战略。在这种情况下，重复成功决策的概率为0.682，即比重复任何决策的概率0.561高0.121（19.92 SD单位），如表I所示。

同样，改变错误决策的概率为0.579，比改变任何决策的概率大0.140（21.18 SD单位）。我们再次观察到，与错误猜测后改变决定相比，行为偏差在成功猜测后更可能持续。在这种情况下，当猜测是“错误”时，转移范围也可能与负偏态风险[55]有关，也可能与非对称风险（以及因意外价格下跌而增加的市场波动性[56,57]）有关。一个显而易见的问题是，在我们的实验中，哪一个是主要的新兴策略。测量可能差异的一种方法是计算条件互信息（参见整个分析的补充信息）。参与者的行为和之前的市场运动之间的互信息取决于之前的结果是0.05±0.04位，而参与者的行为和之前的结果之间的互信息取决于之前的市场运动是0.07±0.04位。这两个条件信息值告诉我们存在非冗余信息。然而，市场方向（及其随后的MI策略）似乎更具相关性，因为了解市场所需的相互信息更高。另一种评估主导新兴战略的可能方法如图5所示。在这张图中，我们用两步链展示了所有可能的场景，其中出现了MI和W-S L-S策略，因此可以进行比较。因此，例如，“向上成功向上”的概率为0.729，而与MI策略相关的概率（仅以市场之前的行为为条件，不考虑绩效）为0。714，因此比与W-S L-S策略相关的概率（0.682）更接近。

图5显示了MIS如何比W-S L-S策略更系统地接近两步条件概率。因此，分析表明，MI策略的影响比W-S L-S策略更大，并强化了条件互信息结果。新兴策略与信息、时间和专家建议我们测试MI策略的条件概率是否也受到其他变量的影响，如决策所用的时间、检查的信息量或参与者是否参考了专家的建议。如图3左下角所示，一般来说，做出决策所花费的时间越多，p值越低(↑ | ↑M） 和p(↓ | ↓M） 关于参考值。然而，在未咨询任何信息的情况下做出决策时，此类概率高于参考值，在未咨询任何额外小组时，此类概率低于参考值（右下角图3）。专家的建议也会影响p的值(↑ | ↑M） 安德普(↓ | ↓M） 分别减少0.077和0.017。WS L-S策略也同样容易受到时间、大量信息和专家建议的影响。关于专家的建议，成功咨询专家后重复的概率降低了0.072(-6.80 SD单位），而在市场下跌且咨询专家后选择“下跌”的情况为0.037(-2.92标准差单位）低于参考值。接下来，我们执行一种粗粒度的方法，其中使用两个可能的标签来标记参与者的所有决策：如果他们“遵循（新兴）战略”或如果他们不遵循（新兴）战略。因此，MI案例中的“跟进策略”意味着在市场上涨后选择“上涨”，在市场下跌后选择“下跌”（见图3）。

图3树形图中其他两个分支的值将被聚合，以符合“不遵循策略”的概率。我们可以用同样的方法处理W-S L-S，在成功后“重复”或错误猜测后“改变”将意味着“遵循策略”。有趣的是，我们在补充信息中显示，对于我们的二元模型，MI和W-S L-S策略的条件概率的聚合过程导致了“跟随策略”和“不跟随策略”的相同事件。如果决策是随机的，遵循两种应急策略中任何一种的概率为0.634±0.004，即在0.5参考值上为0.134（25.70 SD单位）。如图6所示，“遵循策略”的可能性也受到时间、信息和专家建议的影响，但现在这种影响似乎比单独处理这两种策略的情况更明显。很明显，遵循任何策略的倾向都会随着做出决定的时间而衰减。此外，没有额外信息的参与者将更多地遵循新出现的策略，这与只有一条额外信息的情况形成鲜明对比（中间图6）。令人惊讶的是，更多的信息并没有促使参与者放弃这些直观的策略，因为在咨询了超过一个小组后，遵循策略的概率增加，并且保持相当稳定，接近于未咨询额外信息的情况下的相同值。一种可能的解释是，两条或更多不同的信息也是两种不同类型的刺激，它们可能会导致两种不同的反应（可能是矛盾反应）。由于信息过载[28]，行动将主要再次受到新兴战略的控制。然后，专家建议的影响在图6的右面板中变得非常明显。