投资者过度自信与股票交易频率的实证研究.docxVIP

投资者过度自信与股票交易频率的实证研究

一、引言

在传统金融理论中，“理性人”假设是核心基石——投资者被认为能客观评估信息、计算风险收益，并做出最优决策。但现实的股票市场中，“追涨杀跌”“频繁换手”等现象屡见不鲜，传统理论难以解释这些“非理性”行为。20世纪80年代兴起的行为金融学打破了这一假设，指出投资者的决策会受到心理偏差的显著影响，其中过度自信是最普遍且影响深远的偏差之一。

过度自信表现为投资者高估自身判断的准确性、低估风险，或盲目相信自己能“击败市场”。而股票交易频率作为衡量投资者活跃度的核心指标，不仅关系到市场流动性，更直接影响投资者的实际收益——频繁交易往往带来高额佣金与印花税，侵蚀盈利空间。那么，过度自信是否会驱动投资者更频繁地交易？两者之间的关系是偶然还是必然？这些问题既需要理论支撑，更需要实证检验。

从理论意义看，本研究可补充行为金融领域关于“过度自信—交易行为”的实证证据，深化对投资者心理偏差与市场行为互动机制的理解；从实践意义看，明确两者的关系能帮助投资者认识自身偏差、减少盲目交易，也能为监管者制定投资者教育政策、券商优化服务提供参考。基于此，本研究以个人投资者为样本，通过系统的实证分析，揭示投资者过度自信与股票交易频率的内在联系。

二、核心概念与理论基础

要深入研究两者的关系，首先需要明确“过度自信”与“股票交易频率”的核心内涵，再梳理支撑两者关联的理论框架。

（一）核心概念的定义与测量

投资者过度自信

过度自信是一种认知偏差，指个体对自身能力、知识或判断的准确性存在高估，同时低估不确定性与风险。在股票投资场景中，过度自信的投资者通常有三个特征：高估盈利概率（比如认为自己选的股票“肯定涨”）、低估亏损风险（觉得“自己不会踩雷”）、夸大自身对结果的控制能力（将盈利归为“自己厉害”，亏损归为“运气不好”）。

由于过度自信是内在心理状态，无法直接测量，现有研究多采用间接代理变量：常见的有“盈利预测偏差”（投资者预测盈利与实际盈利的差值，偏差越大越自信）、“交易频率滞后项”（过去频繁交易的投资者更可能自信）、“自我评估问卷”（通过问卷询问投资者对自身能力的评价）。本研究选择“过去6个月的盈利预测偏差”作为过度自信的测量指标——投资者若持续高估自己的盈利水平，说明其过度自信程度越高。

股票交易频率

股票交易频率指投资者在单位时间内（如每月、每年）进行股票买卖的次数，是衡量投资者交易活跃度的关键指标。实践中，交易频率通常用“月均交易次数”或“换手率”（交易量与持仓量的比值）表示。本研究采用“月均交易次数”，因为它更直观反映投资者的交易行为——每月交易3次的投资者，显然比每月交易1次的更活跃。

（二）过度自信影响交易频率的理论框架

过度自信为何会提高交易频率？三个经典行为金融理论能解释这一机制：

自我归因理论

自我归因理论由韦纳（Weiner）提出，核心观点是个体倾向于将成功归为自身能力，将失败归为外部因素。在股票投资中，当投资者盈利时，会认为是“自己选对了股票”“时机把握得好”；当亏损时，则归咎于“市场暴跌”“政策利空”或“庄家操控”。这种偏差会不断强化投资者的“能力幻觉”——即使多次亏损，他们仍相信“下一次能赢”，最终变得更自信，更愿意通过频繁交易验证自己的判断。

控制幻觉理论

兰格（Langer）的控制幻觉理论指出，当个体面临随机事件时，会错误地认为自己能控制结果。股票市场充满不确定性，但投资者的决策过程（如选股票、定价格、择时机）会让他们产生“我能控制收益”的错觉。过度自信的投资者尤其容易陷入这种幻觉：他们相信通过频繁买卖，可以“调整组合”“规避风险”或“抓住机会”，甚至将随机的盈利视为“自己控制的结果”，进而更频繁地交易。

信息过载理论

信息过载理论认为，当信息数量超过个体处理能力时，决策质量会下降。但过度自信的投资者高估自己的信息处理能力——他们认为自己能从海量新闻、研报、股吧评论中筛选出“关键信号”，并据此做出正确决策。这种认知偏差会促使他们不断寻找新信息、频繁调整仓位，试图“利用信息优势获利”。但实际上，信息过载会导致决策疲劳，反而增加交易的盲目性，进一步推高交易频率。

三、实证研究设计

基于上述理论假设，本研究通过“数据来源—变量选择—样本筛选—模型构建”的流程，设计实证方案检验过度自信与交易频率的关系。

（一）数据来源

本研究的数据来自某全国性证券交易所的个人投资者交易数据库，涵盖几年内的账户信息、交易记录与投资者特征。数据库包含以下关键信息：

投资者特征：性别、年龄、开户时间（用于计算投资经验）；

账户信息：账户总资产（衡量资金规模）、每月持仓量；

交易行为：每月交易次数、交易量、交易时间；

心理偏差：投资者每月自行填写的“盈利预测值”（用于计算盈利预测偏差）。

为保证数据可靠性，我们对原始数据