过度自信与交易频率的实证检验（LSV模型）.docxVIP

过度自信与交易频率的实证检验（LSV模型）

一、引言

在金融市场中，投资者的决策行为始终是学术界和实务界关注的焦点。传统金融学假设投资者是“理性经济人”，但现实中大量异常现象（如频繁交易、收益低于市场平均水平）表明，投资者的行为往往受到心理偏差的影响。其中，过度自信作为最典型的认知偏差之一，被行为金融学者广泛研究——它描述了人们高估自身判断准确性、低估风险的心理倾向。例如，有调查显示，超过七成的投资者认为自己的投资能力高于平均水平，这种认知偏差直接影响着交易决策。

交易频率是衡量投资者行为的核心指标之一，指一定时间内投资者买卖证券的次数。理论上，理性投资者会基于信息成本和收益的权衡进行交易，但现实中许多投资者的交易频率远超最优水平。这种“过度交易”现象是否由过度自信驱动？如何通过实证方法验证二者的因果关系？这正是本文的研究重点。

LSV模型（由Lakonishok、Shleifer、Vishny三位学者提出）是行为金融领域常用的分析工具，原用于检验机构投资者的“羊群行为”（即投资者跟随他人交易的倾向）。其核心思想是通过分析交易行为的集中程度，判断是否存在系统性偏差。本文将对LSV模型进行适应性调整，聚焦个体投资者的过度自信特征，探索其与交易频率的内在联系。通过这一研究，不仅能深化对投资者行为规律的理解，也能为投资者教育、投资顾问服务提供实践参考。

二、理论基础与研究假设

（一）过度自信的内涵与表现

过度自信是一种普遍存在的认知偏差，表现为对自身能力、知识或判断准确性的高估。在投资场景中，其具体形式包括：

第一，高估私有信息的价值。投资者常认为自己通过调研、分析获取的“内部信息”比公开信息更可靠，甚至忽视市场已反映的公开信息。例如，某投资者通过朋友了解到某公司即将发布新产品，便认为这是“独家消息”，急于买入，却未考虑市场可能已提前定价。

第二，低估预测误差。即使投资结果与预期不符，投资者也倾向于将失败归因于“运气不好”或“外部干扰”，而非自身判断错误，这种“自我归因偏差”会强化过度自信。例如，某投资者因追涨杀跌导致亏损，却认为是“市场突然暴跌”而非自身策略问题。

第三，控制幻觉。部分投资者认为自己能通过频繁操作“控制”投资结果，即使在随机波动的市场中，也相信“多交易就能多盈利”。

（二）过度自信影响交易频率的理论逻辑

行为金融理论中，Odean（1998）的经典研究指出，过度自信的投资者会高估交易的净收益：一方面，他们认为自己能通过交易获取超额收益；另一方面，低估了交易成本（如佣金、印花税）和错误决策的概率。这种认知偏差会直接推高交易频率。具体机制包括：

信息处理偏差：过度自信者更倾向于主动搜索信息，甚至对噪声信息过度反应。例如，看到某股票短期上涨，便认为是“趋势启动”，立即买入；若后续下跌，又迅速卖出，导致交易次数增加。

情绪驱动：过度自信常伴随乐观情绪，投资者会因“看好后市”而频繁调仓，试图抓住每一个“机会”。

反馈强化：即使短期盈利（可能是运气），投资者也会将成功归因于自身能力，进一步增强自信，形成“过度自信→高频交易→短期盈利（或亏损）→更自信”的循环。

（三）研究假设的提出

基于上述理论，本文提出核心假设：过度自信程度越高的投资者，交易频率越高。为验证这一假设，需解决两个关键问题：如何量化过度自信？如何构建模型检验二者关系？LSV模型的灵活性为解决这两个问题提供了工具——通过调整模型变量，可将过度自信的代理指标与交易频率纳入同一分析框架。

三、LSV模型的适应性调整与数据处理

（一）LSV模型的核心思想与原应用场景

原LSV模型用于检测羊群行为，其核心指标是“羊群行为度”（HS指标），计算逻辑为：首先统计某一时期内买入某只股票的投资者比例（B），若该比例显著偏离市场平均买入比例（E[B]），则认为存在羊群行为。HS指标的公式（文字描述）为：羊群行为度等于实际买入比例与预期买入比例的绝对差，减去市场波动导致的预期偏差。该模型的优势在于通过对比个体行为与市场平均水平，捕捉系统性偏差。

（二）模型调整：从羊群行为到过度自信

本文研究目标是过度自信与交易频率的关系，因此需对LSV模型进行两方面调整：

被解释变量调整：原模型关注“交易方向的一致性”（买入或卖出），本文则关注“交易频率”，即一定时间内的交易次数。

解释变量引入：原模型无明确的心理变量，本文需引入过度自信的代理指标。常见的代理指标包括：

历史绩效偏差：投资者过去实际收益与市场基准收益的差值。若投资者收益低于基准但仍认为自己能力突出，说明过度自信。

交易经验：研究表明，新手投资者更易过度自信（“无知者无畏”效应），可将投资年限作为反向代理指标（年限越短，过度自信可能越高）。

性别：大量研究发现，男性投资者比女性更易过度自信，可作为分组变量。

（三）数据来源与变量定义