投資者行為與AI
投資市場一直很「人性」。價格看似由資訊決定，實際上常被恐懼、貪婪、從眾與自我合理化推著走。行為金融學過去三十多年做的事，是用一套更貼近真實世界的心理機制，去補齊傳統理性模型的盲點；但到了今天，AI與大數據把「人性」變成可量化、可追蹤、可即時更新的訊號來源，行為金融學也被迫重新定義：不再只是解釋市場為何偏離理性，而是要回答——在數據密度暴增、訊息傳播加速、演算法參與交易的時代，偏差如何生成、如何擴散、又如何被反向利用？
早期行為金融研究投資者情緒，常靠問卷、實驗、或較粗的代理變數（例如封閉式基金折價、換手率、或少數媒體指標）。這些方法能抓到方向，卻很難描述情緒的「節奏」：它是突然爆發，還是逐步升溫？是少數人帶頭，還是集體同步？更難的是，情緒本身會被敘事包裝，投資者未必能準確說出自己的真實動機。
AI讓研究者可以把「數位足跡」納入分析：社群貼文、新聞標題、財經節目逐字稿、論壇留言、搜尋趨勢、APP點擊行為，甚至客服對話與券商的匿名行為資料。情緒不再只有「高或低」的結果，而是能被拆成多維特徵：正負向、強度、確定性、焦慮程度、攻擊性、以及是否帶有「群體認同」的語氣。更重要的是頻率提高了——情緒可以被做到接近即時（near real-time）的追蹤，研究者不必再用低頻資料去推測高頻心理變化。
但這也帶來一個新問題：當情緒被量化並即時可見，它就不只是研究對象，也會變成交易訊號。市場參與者開始「交易情緒」本身，於是情緒與價格之間的關係不再單向，而是互相回饋、互相放大。
AI怎麼「測量」偏差
用AI研究投資者偏差，最容易被誤解成「做情緒分析」就結束了。事實上，行為偏差往往不是情緒，而是一種穩定的決策習慣。AI的價值，在於把偏差從概念落到可觀測的模式，並把「偏差」拆解成可驗證的特徵集合。
以幾個典型偏差為例：
損失厭惡：不只表現在「虧損不願賣」，還可能表現在下單修改頻率、停損設定距離、或在虧損時改用更冒險標的「想賺回來」。AI可以把交易紀錄轉成序列資料，找出「在虧損區間行為如何改變」的統計規律。
過度自信：可能反映在過高換手率、低分散、或對某種敘事過度集中下注。自然語言模型還能從投資者文字（研究筆記、社群發文）裡抓「確定性用語」與「忽略反證」的語氣特徵。
代表性偏誤與敘事偏誤：投資者容易用少數案例推論趨勢，或被故事牽著走。AI對文本的主題聚類與事件抽取，能把「市場在講什麼故事」結構化，並追蹤故事如何擴散到不同社群與媒體層。
從眾行為：過去常用成交量或資金流推測，現在可把轉發網絡、KOL影響力、留言互動結構納入，研究「訊息傳播拓樸」如何對價格衝擊產生非線性效果。
重點在於：AI不是替行為金融學「找新名詞」，而是讓偏差具備更精細的操作化定義（operationalization）。偏差不再只是一句理論描述，而是一套可以被模型反覆驗證、可跨市場比較、可隨時間漂移更新的指標系統。
在數據時代，行為金融學最值得重新思考的一點是：偏差不像視力不良那樣固定，它更像肌肉記憶——會被回饋機制訓練、被平台設計誘發、被資訊分發系統放大或抑制。
內容支持：華通證券國際（WTF.US）
