正如生态系统中物种演化受周围环境影响一样，金融市场参与者的想法和行为也受到各种文化特征的塑造，包括国家和政治信仰，以及信息和金融策略等。金融特征在人群中为生存而竞争，并在传播过程中被改变。这些文化演化过程塑造了市场结果，如市场价格和交易利润，而市场结果又反馈到竞争性特征的演化成果中。
2021年6月，发表于PNAS的一篇论文主张采用一种新的范式——社会金融（social finance），来理解金融市场。社会金融研究金融特征的文化演变，形成这一过程的传播偏差，以及由此产生的市场动力学。它借鉴了古典金融学、行为金融学、演化金融学和文化演化理论中的概念。
文章回顾了在社会网络结构和制度环境背景下，金融市场中信念、投资和价格制定的文化演变，强调了一般演化理论和金融应用之间的联系，并提出了社会金融未来研究的方向。
本文来自微信公众号：集智俱乐部 （ID：swarma_org），作者：Erol Akçayaa、David Hirshleiferbb，译者：张旭，编辑：邓一雪，原文标题：《社会金融：金融市场如何随文化演变？》，题图来源：视觉中国
金融市场参与者的思想和行为取决于所采用的文化特征，包括信息信号、信念、战略和民间经济模式。金融特征在人类群体中为生存而竞争，并在从一个媒介传播到另一个媒介的过程中被改变。这些文化演化过程塑造了市场结果，而市场结果反过来又反馈到竞争性特征的成功之中。
这种演化系统在一个新兴的范式——社会金融中得到了研究。在这个范式中，社会传播偏差决定了投资者群体中金融特征的演变。它涉及一套丰富的文化特征，包括对特征的选择和突变压力，以及不同频率下的市场均衡。该范式的其他关键成分包括心理上的偏差、社会网络结构、信息不对称和制度环境。
一、引言
金融市场参与者采用各种学习策略和启发式方法，并在判断和决策中受到不同的偏见影响。这些倾向性是由人们从外界所吸收的文化特征所塑造的。这些包括宏观特征，如国家、宗教、种族和政治信仰，以及更具体的信息信号、信念、金融策略和经济或金融市场运作的民间模式。
随着金融特征在人与人之间的传播，它们的竞争力不断增强。金融特征在传播过程中也会被改变——加强、减少或发生质变。
由此产生的投资者特征的群体分布决定了金融结果，如项目选择、市场价格和交易利润。这些市场结果反馈到竞争性文化特征的演化成果中。因此，金融市场和特征是双向的文化演化和市场系统的一部分。
我们在此主张采用一种不同的范式来理解金融市场，我们称之为社会金融（social finance）。社会金融研究金融特征的文化演变，形成这一过程的传播偏差，以及由此产生的市场动力学。它借鉴了古典金融学、行为金融学、演化金融学和文化演化理论中的概念。
我们回顾了在社会网络结构和制度环境的背景下，金融市场中信念、投资和价格制定的文化演变。我们还强调了一般演化理论和金融应用之间的联系，并提出了未来研究的方向。
文化演化（cultural evolution）是指文化特征在人群中的分布随着时间的推移而发生变化。文化特征（cultural traits）在频率方面增加或减少是通过个人和社会学习而改变的。金融经济学长期以来一直通过观察市场价格来研究学习。
演化金融学认识到，信念和行为也是通过社会互动和观察来传播的。社会金融学的显著特征是对社会传播过程、文化特征和演化动力进行了明确和更广泛的研究。
越来越多的证据表明，文化上传播的投资者想法或民间模式会影响交易行为和价格结果。这包括上面提到的宏观文化特征和微观文化特征，如相信比特币是一个交易机会。市场参与者，如经理和投资者，获得并传播关于经济和市场如何运作的认识。Hirshleifer[2]称之为民间经济和金融模式（folk economic and financial models）。
民间金模式往往反映了浅薄的认知，就像华尔街的口头禅一样，如“死猫反弹”和“不要和美联储作对”。民间模式有时还附着在生动的叙述中，帮助它们在人与人之间传播[3]。
尽管经济学和金融学的演化路径由来已久[4]，但演化金融学，包括“经济物理学”[5]，在很大程度上仍然与金融领域的其他领域保持着独立的知识体系。然而，越来越多的“呼吁”支持对社会互动的研究，以及在某些情况下对金融市场演化过程的研究[2， 3， 6， 7]。
现有的基于演化和基于主体的金融市场方法，包括经济物理学文献，通常对主体行为零智能规则的总体后果进行推导或模拟。这些方法提供了有价值的见解，但没有处理主体深思熟虑地寻求优化（即使是不完美的）所带来的影响。
社会金融学包含了传播偏差的基于主体的建模，但更进一步考虑到主体在形成信念和选择行动时传播偏差的影响。
在演化金融学和其他学科以往的进展的基础上，社会金融学提供了几个不同的特点和潜在的贡献。
（1）社会金融将经典金融和行为金融作为特例，并将通常被认为是既定的特征内生化。
社会传播有助于解释私人信号是如何在投资者之间分布的；在经典金融学中，这种分布往往被认为是既定的。此外，金融特征的社会传播，包括金融民间模式，形成了行为金融学中的启发式方法和偏差[8]，并塑造了这些特征如何在主体之间和随时间变化。
例如，在行为金融学中，投资者对价格趋势的延续或逆转的信念被认为是既定的，就像关于正反馈交易文献[9]描述的那样。我们提出的演化观点试图解释投资者如何开始持有这种信念或决策规则。在这个过程中，投资者在文化传播的过程中从他人那里获得追逐趋势或逆向思维的特征。
回报趋势趋于持续的民间模式，与回报趋于逆转的“逢低买入”民间模式竞争投资者的注意力和信念。同样地，实证金融学的重新搜索常常把投资者的情绪当作行为的外生驱动力[10，11]。社会金融学认为情绪的变化是微观演化文化过程的内生性结果。
行为金融学考虑的是社会金融学的特殊情况，即心理偏差实际上是与生俱来的（为了分析目的）。同样，经典金融学考虑的是投资者特征（如贴现率和风险容忍度）固定的特殊情况。在社会金融学中，金融特征在人与人之间传播，因此，这些特征在人群中的分布是不断变化的。
经济物理学和演化金融学模型假设机械性的交易规则，并没有将经典金融学的信念形成或偏好内生化。其他模型只允许给定的或机械地产生的信念。社会金融学既允许信念的社会传播，也允许决策者主动思考的可能性。
（2）社会金融考虑了更广泛的投资者信念和策略。
以前关于演化金融学的文献通常集中在追逐趋势和基本面交易行为，或乐观与悲观信念之间的竞争[12，13]。基于这些进展，社会金融学将演化的观点扩大到实际金融特征和民间经济模型的丰富多样性。这方面的例子包括人们对价值投资与增长投资理念的信念，或对管理项目决策中使用回报标准的信念。
（3）社会金融学研究的是交叉投资者的特征分布的演变，而不仅仅是财富。
第2点中提到的大多数研究都是探讨具有特定投资策略的投资者的财富分布随时间推移的变化。社会金融学强调，投资者采用并改变他们的金融特征，如储蓄倾向、交易策略或对不同投资者理念的信念。
因此，投资者群体中的特征分布，而不仅仅是财富的分布，会发生变化。
（4）社会金融学认识到：投资者深思熟虑的分析替代方案尽管不够完美，但这种行为仍会影响市场结果。
经济物理学和其他开创性的演化金融模型经常采用关于投资者行为或价格决定的机械性假设。这可能是一种富有成效的建模策略。社会金融学认识到，投资者作为积极的信息处理者，经常以合理的方式分析替代品。
（5）社会金融研究更丰富的社会传播偏差。
演化金融模型的一个子集考虑社会互动。现有的演化金融的一个重要成分，就像许多文化演化模型一样，是以回报为导向的传播——复制表现良好的特征[14，15，16]。社会金融学试图系统地划分和探索广泛的相关社会传播偏差[14]。
这些偏差包括：对他人来说更容易观察和突出的行动、更容易理解的思想、环境中更多提示的民间模式，以及持有者有动力向他人传播的特征等，更容易传播。
（6）社会金融学考虑到突变压力，而不仅仅是复制和选择。
社会金融学认识到，新的金融特征经常出现，并且在从一个主体传播到另一个主体时经常被系统地修改。在遗传演化中，这种新产生的或修改过的遗传被称为突变压力（mutation pressure）。
在文化演化的应用中，突变压力是很常见的。例如，当投资者拥有关于一只股票的有利信息时，他们经常向其他人传播积极的“信息旋涡”，希望能推动其价格上涨。
（7）与过去的大部分演化金融学相比，社会金融学考虑更广泛的应用和时间尺度范围。
经济物理学和演化模型经常被应用于高频交易和市场微观结构、金融幂律、波动率和协方差的时间衰减以及混沌动力学[17]。社会金融扩大了要解决的金融现象和实证谜题的范围。其中包括交易和资产定价的中低频模式，长期的资本市场均衡，以及对金融市场的影响，泡沫和崩溃、资产定价异常以及管理和监管政策。
由于金融经济学家和从业人员对这些应用非常感兴趣，因此，对这些主题的更多关注有望与在很大程度上与经济物理学和演化金融学领域之外的知识脉络建立联系。
二、金融市场是文化演变系统
金融市场包含这样一群主体，他们根据自己的偏好、信念和市场运作的民间模式进行交易。这些文化特征，以及由此产生的金融策略，在彼此之间传播时有可能经过修改。
这方面的例子包括交易策略，如美元成本平均法、技术策略，以及分散投资和选股。投资者对这些策略和民间模式进行复制、辩论、修改，并相互劝说。
有一种遗传是从一个投资者到另一个的特征传播——一个主体（或一组主体）与一个主体（或一组主体）之间在特征上具有相似性，在某些社会交易中，其中一个主体被指定为文化上的祖先，另一个被指定为传承人。
在文化演化中，选择和突变压力往往是变化的方向性驱动因素。一个关于选择的例子是，比特币是一个美妙的投资机会这一观点的高度传播性。支持比特币的想法有很高的适应性——有许多文化传承人。前面提到的突变压力的一个例子是关于购买股票的信息旋涡。
分析来看，这些文化演化的力量可以被精确量化。使用普莱斯方程（Price equation），可以将这类特征在一代的演变分解为选择因素和非选择因素（反映突变压力）[18，19，20]。
三、以金融为例，从文化演化中得到的基本启示
对文化演化的研究是高度跨学科的。我们在文献中强调了与金融市场特别相关的一些理论和经验见解。
文化传播是有“偏差”的。
传播偏差（transmission bias）既影响传播特征的强度（突变压力），也影响特征从一个人传播到另一个人的可行性（选择）。Shennan[21]区分了文化特征传播过程中三种类型的偏差。在结果偏差下，传播取决于邻居特征的结果，如有回报倾向的模仿。
另一种类型的结果偏差是可见性偏差，即一些行为的后果比其他行为更引人注意。这可能导致储蓄不足[22]。
内容偏差是特征的内容对传播的直接影响。例如，生动、有趣、有用或容易理解的想法是很容易传播的[23]。简单的想法容易传播，会导致非常幼稚的金融策略占主导地位。
语境偏差是指互动背景的影响，如发送者的可信度或威望，以及接收者的唤醒程度[24]。这些都是主体的特征（信号的发送者与接收者的特征）。语境也包括环境的特征（资产市场的类型或当前的市场条件）。
关于主体特征，传播偏差可以来自于发送者（或观察目标）、接收者，或两者。例如，发送者可能会偏向于某个金融产品的报告，因为发送者正试图销售该产品。
在顺应者偏向的传播下[14]，观察者复制最受欢迎的特征。在金融背景下，这表明一旦一个民间模式或活动（如对比特币、高科技创业公司或企业多元化的信念）变得足够流行，它将一直持续，直到新的重大事件改变人们的想法。
回报偏向性传播具有有益的影响，例如促进投资于低收费的共同基金而不是类似的高收费的共同基金。然而，对回报偏向性传播的显式建模揭示了可能的功能障碍，如投资者对随机的短期价格趋势的追逐。
四、文化演化既可能促进功能性特征，也可能促进功能障碍性特征
生物学中的达尔文选择促进了适应性，即生物体在某些环境中表现良好。选择和适应是 Lo[7]所说的适应性市场假说（adaptive markets hypothesis）的关键前提之一。在文化演化中，适应是关于文化特征而不是基因的差异繁殖成功率。
金融特征的适应并不总是能促进承载这些特征的载体（如投资者或管理者）在福利或复制方面的成功。即使是错误的民间金融模式，也经常在业余爱好者和专业人士群体中持续存在。
然而，有无数的例子表明，文化特征的传播是由于赋予了其持有者利益。这方面的例子包括股票市场参与者的信念和专业投资者使用的各种量化方法。最重要的是，持有者不需要正确理解所赋予的利益[25]。
例如，流行书籍和网站几乎一致地建议借款人在固定利率抵押贷款的现值变为正数时，就提前进行再融资。但听从这些建议将确保借款人从再融资中获得的收益几乎为零！然而，这一经验法则的简单使其具有很强的传播性。
此外，它实际上可能有助于借款人，因为许多人容易过度拖延和懒惰。“美元成本平均法”是另一种由于投资者没有正确理解而可能有益的策略[26]。
对持有者不利的金融信念也可能高度传播。例如，Rantala[27]提供的证据表明，参与芬兰一个大型庞氏骗局是以参与者之间的社会互动为中介的。项目折现的回报标准由于忽视了资源的时间价值而导致了错误的投资决策，但仍然留存下来。
特征的可传播性往往取决于它有多普遍，原因之一是对持有者的回报与频率有关。例如，投资策略中的拥挤成本是无处不在的——采用一种策略将减少竞争对手相同行为的收益。因此，证券交易是不同类型投资者之间的生态互动，他们的行为通过市场价格影响彼此的盈利能力[28]。由于对频率的依赖性，特征（或投资策略）多样性可以在一个群体中得到保持。
由于频率的依赖性和回报的相互作用，多种多样的民间模式可以在人群中共存，适应不同的生态位。在金融市场上，这些生态位由散户投资者和各种金融机构和参与者填补。事实上，Lo[7]把对冲基金的各种专业适应性称为“金融的加拉帕戈斯岛”。
战略互补性既可以是积极的，也可以是消极的，并且可以诱发多种均衡，比如流动性或非流动性金融市场的例子。社会可以在非常不同的金融均衡之间经历关键转变（critical transition）。
从历史上看，一些社会已经演化到获得了繁荣的金融市场，支撑这些市场的法律体系，以及对商业创新的广泛资助。这涉及到金融主体和监管者的信念和期望的协调转变。为从金融自给自足到金融发展的关键转变的文化演化决定因素建立模型将是很有价值的。
金融特征累积性地演变。
文化演化可以巩固性状的集合，使之相互补充，促进共同成功。这是一个异位显性（epistasis）的例子，即遗传单元之间的互动决定了传播的成功。
例如，价值投资理念是几种不同思想的共同适应组合：最好是投资相对于基本价值衡量标准而言价格较低的股票，最好是不频繁交易（“买入并持有”），最好是避免被其他投资者所左右（逆向主义）。这些观点的联系在逻辑上是没有说服力的。
如果股票的错误定价是波动的，那么从高价股到低价股的交易就与买入并持有相冲突。但这些想法在情感上是互补的。
金融特征的集合往往通过浅显的推理，以及情感动机，包括道德态度[3，29]联系在一起。例如，价值哲学推崇节俭、长期规划和独立思考的个人美德。然而，逻辑也是联系的一个重要来源，如经验丰富的专业人员定量建模所依据的概念结构。
从经验上看，各种文化特征（如独木舟的设计特征）的演化史都是用系统发育方法追踪出来的[30]。这些方法甚至适用于文化演化中常见的跨体系借用现象。演化金融的一个有希望的深入研究方向是通过对投资讨论的文本分析，从经验上追踪民间经济模式的演变。
文化演化在多个时间尺度上运作。
金融特征的演化动力学在多个时间尺度上发挥作用。在高频率下，对特定证券、策略和哲学（如对加密货币的乐观态度）的信念会有微观演化的兴衰。在快速到中等的频率下，法规和金融组织不断演变，专门的顾问和中介机构为零售投资者或金融机构定制产品和服务（有用或其他），投资方法不断发展，如基本面分析和量化投资。
在更长的时间范围内，金融从业者的偏好和心态（风险偏好、时间偏好、关于世界如何运作的信念）受到宗教、种族和民族文化等缓慢变化特征的影响[31]。累积演化形成了民间经济模式的组合，如投资哲学。最后，在更长的时间尺度上，文化和基因可以共同演化，影响经济态度和偏好[32]。
大多数文化演化模型都是基于上述最快和最慢的时间尺度。在最高频率下，人们对行为的传播如何受到传播偏差和社会网络结构的影响进行了广泛的建模[33]。在较低频率下，跨代行为变化的文化演化模型已经捕捉到文化和遗传选择之间的相互作用[20， 34， 35]。这为进一步研究演化金融中的中间时间尺度开辟了道路。
五、金融中的演化动力模型
我们现在讨论金融市场的演化模型。我们从文化特征的偏向性传播开始，然后转向区隔模型（compartmental model）和实证检验方法。
金融特征的偏向性传播。
回报偏向的特征传播。经济物理学模型和演化金融学的早期模型着重于投资人更新信念、交易和市场价格设定规则的机械性规则的影响。这样的模型可以产生有趣的系统动力学，如泡沫和周期、自回归的第二收益模态[36]，以及收益和波动的幂律[37]。
有几篇论文研究了投资者在不同的启发式信念更新函数之间，根据每个启发式的过去表现进行选择的情况[38， 39]。这可能会导致不稳定和复杂的动态变化。
这类模型通常假设关于策略回报的信息是无偏差地传播。然而，有证据表明，个人投资者和职业投资者更多谈论他们的高回报经验，而不是低回报经验[40，41，42]——自我增强的传播偏差。这是一种特殊的有回报偏差的传播，其中回报报告受到选择偏差的影响。
在参考文献43中，投资者采取两种策略中的一种：“主动”（A）或“被动”（P），其中A具有较高的方差（variance）或较高的偏度（skewness）。投资者被随机选择，在一段时间内成对交流。
在每次会面中，发送者向接收者报告发送者的策略和收益的概率随着收益的增加而增加。这种自我强化的传播方式在投资者所看到的收益中产生了一种向上的选择偏差，特别是对于高方差策略。
接受者未能对这种选择偏差进行调整，还认为报告的过去业绩是未来业绩的指示。因此，高方差策略在人群中传播，即使它的回报分布是较差的。这种对A策略的演化压力使其变得价格过高。这就为散户投资者不分散投资和主动投资的难题，以及一些众所周知的收益预测性异常现象提供了可能的解释。
此外，如果极端收益是高度显著的，正偏度策略也倾向于在人群中传播。这是因为正偏度策略产生的高回报结果会大量地传播给接收者，受到关注，并对接收者产生说服力。这一含义与投资者对正偏度的偏好和“彩票股”明显定价过高的证据是一致的。 而且，这些效应被预测为对社会关系较好的投资者更有力。
发送和接收函数的乘法互动意味着向A的演变率是过去收益的递增凸函数。有证据表明，股票市场的进入，投资者流入共同基金，以及投资者从安全资产到风险资产的重新组合，都是投资组合收益的增加[44， 45]。
与选择更高风险的策略相对应的，是一个众所周知的有利于低方差策略的演化效应，即赌注对冲[46]。Brennan 和 Lo[47]发现，演化的赌注对冲可以解释一系列的心理效应，如损失厌恶、风险厌恶和概率匹配。这些金融特征可以抵消上面讨论的对风险策略的传播偏差。
显著性偏向的特征传播。主体通常需要观察和关注到他人的行为才能受其影响。因此，对他人来说更明显、更突出的行为往往会传播。Han 等人[22]认为，这种可见性偏差减少了储蓄，因为消费活动，如携带可穿戴的电子产品，产生的感官线索比不消费事件更突出。
人们忽略了这种观察选择偏差，认为别人在大量消费，这导致他们推断出别人掌握有利于高消费的信息。因此，高消费的特征倾向于在一个正反馈循环中传播。
在这一理论中，过度消费是一种涌现的社会结果；它并不是来自于对即时消费的直接偏好[48]。因此，其经验和政策含义与行为经济学方法不同。例如，在可见性偏差模型中，过度消费是由错误的信念更新驱动的，所以准确地披露他人的消费情况可以减少过度消费，而在直接偏好方法中则不是这样。有证据表明，这种披露确实有帮助[49]。
在 Hirshleifer 和 Plotkin[50]的模型中，成功的投资项目比不成功的项目更能引起观察者的注意。每个人都熟悉微软和谷歌，而许多失败的初创企业则被遗忘。观察者没有考虑到这种观察选择偏差。
因此，有风险的项目被观察者们过度采用，特别是事先成功概率低、成功后回报率高的“登月”项目（moonshot projects）。
私人信息、特征改变和强化。金融主体经常交换意见，他们用这些意见来更新他们的信念和选择行为。这通常是假设理性贝叶斯主体的模型[51， 52]。演化的方法进一步考虑到文化传播的金融特征，如信号或信念，可以“突变”，即在传播过程中被修改、强化或减弱的可能性。
即使在理性贝叶斯更新下，信念也会受到突变压力。例如，由于传播噪声或接收者的怀疑态度，信号接收者的信念可能是发送者信念的弱化版本。不完善的传播性会诱发进一步的传播偏差，并可能导致种群演化为系统性的错误评估[53]。
谈到行动，关于信息级联（information cascade，也称为“herding”）的研究探索主体如何从他人的行动中学习[54， 55]。这诱发了模仿性传播偏差——采用观察对象的特征，以及在某种程度上采用其信念的倾向。
由于行动是观察目标信念的粗略指标，即使主体是理性的，信息的汇总也很差。由于信息级联，社会经常会固定在错误的行为上，尽管有大量私人可用的信息。
此外，对系统的小冲击常常导致群体从一种特征摇摆到另一种特征（“脆弱性”）。投资级联也会出现突然的繁荣，因为主体在等着看别人会怎么做[56]。在其他几个模型中，信息级联和相关现象会引起信息聚集的失败和市场的突然崩溃[57]。
有几个模型研究了私人信息通过证券市场投资者的社会网络的合理扩散，以及网络地位和网络结构如何影响投资绩效、流动性、交易量、投资者福利和市场价格的信息性[52， 58]。信息渗流（information percolation）模型考虑当主体被随机地从人群中挑选出来见面并分享他们的信号时，信息的序列共享[51]。
在金融市场的应用中[59]，如果投资者是理性的，积累信号往往会导致信念和价格对应世界的真实状态。因此，社会传播偏差会诱发一种有益于正确信念的突变压力。然而，如果投资者是不完全理性的，或者，如果信号在传播过程中被扭曲，就会出现有害的突变压力。
在任何一种情况下，社会学习模型中的突变压力都有可能被 Price 方程[18， 50]中的非选择项所捕获。
有偏差的信息传播和突变压力也会导致市场泡沫和崩溃。在参考文献2的有偏差渗流模型中，每次信号从一个投资者传播给另一个投资者时，关于资产回报的每个私人信号都会增加一个恒定的偏差b。随着重复分享，每个投资者的信号数量呈指数级增长。偏差会递归地累加，有偏差的平均信号输入，会导致一个有额外偏差的平均信号输出。
如果缺乏经验的接收者未能考虑传播偏差，那么随着信号偏差的积累，价格泡沫会开始增长。平均来说，这些泡沫开始时很缓慢，然后加速；偏差的影响起初按指数增长。然而，在每个离散的日期，信息量越来越大的公共信号到来，它们反对并最终纠正行动的繁荣或价格泡沫。
这导致了在泡沫高峰期最为明显的振荡动力学。因此，该模型可能有助于解释短期负收益自关联这一实证谜题[60]。此外，由于其他平滑和驼峰形的预期价格路径，该模型还可以产生动量和长期反转的回报模式，与低频回报可预测性的证据相一致[61， 62]。
这种动力学说明了文化演化的方法如何解释许多泡沫事件的“毫无理由”的味道，例如近年来比特币价格的波动。投机性投资者的交易也会随着泡沫的出现而上升和下降。这是一种文化演化效应；投资者没有任何直接的偏差，如过度自信，“积极地”交易。
特征传播的区隔模型。
越来越多的证据表明，广泛的经济行为通过社会互动进行扩散[63]。这包括散户和专业投资者的信念和行为的扩散[64]，如退休储蓄、市场参与和个人股票购买[65-70]。一般的交易策略也会在人与人之间传播，比如投资者倾向于卖出赢家多于卖出输家[71]。
这种离散文化特征的偏向性传播可以用疾病传播的流行病学模型（通常称为区隔模型，compartmental model）来体现（72）。在这种模型中，主体通常被视为随时间随机相遇，在混合的一对中，一个传染性主体有一定概率，将最初罕见的文化特征传播给伙伴。通常也有一个自发的文化特征感染率。
在最有名的区隔模型——SIR 模型中，有可能被感染的易感者（S），可以恢复的感染者（I），以及从未改变的恢复者或“消除”者（R）。
Shiller（3）建议应用SIR模型来解释投资者想法和泡沫的传播。在几篇论文中，感染被视为对金融资产的前景持乐观态度。在 SIR 和相关模型中，感染率包含一个与人口中具有传染性和易感性的部分的乘积成正比的项。这就产生了一个正反馈效应。Shive（69）提供了与芬兰投资者的交易行为中的这种乘法效应相一致的证据。
SIR 相关模型中的上升和下降的流行曲线可以诱发价格超调和泡沫。Burnside， Eichenbaum 和Rebelo (73) 将一个修改过的区隔模型应用于房地产市场的泡沫。
在他们的模型中，有乐观主义者、怀疑者和易感者。乐观主义者期待基本面的改善；怀疑者和易感者则不然。在相遇时，每一种类型都有可能转换为相遇伙伴的类型。易感者具有最高的转换概率，而且传染性最弱。
随着时间推移，在没有确凿消息的情况下，人群会演变为最具传染性的类型的信念。如果乐观主义者具有第二高的传染性，那么他们的比例就会暂时上升（通过说服易感者），然后崩溃（由于怀疑者的说服）。这就导致了泡沫和崩溃。
在区隔模型的基本版本中，传染参数是外生的，它反映了一次会面产生新感染的概率。Hirshleifer[2] 描述了一个改良的 SIRS 设置（最后的S表示恢复的主体可以再次成为易感者），其中“嗡嗡声”，即对民间模式的兴奋程度，使民间模式更具传染性。
嗡嗡声与民间模式的追随者数量的增长速度成正比。当许多人跳上支持比特币的行列时，比特币就会变得“炙手可热”，与比特币采用者的会面就更有说服力。当一个民间模式的受欢迎程度下降时，就会出现负面的嗡嗡声，所以交流会引发对比特币的放弃——一个内生的负面传染参数。
嗡嗡声效应（Buzz effect）会加剧价格的繁荣或崩溃模式。该模型中的超调（类似于流行病）意味着当泡沫崩溃时，受感染的部分会低于其长期平均值，并在此后表现出阻尼周期波动。因此，区隔方法有可能与资产收益在不同滞后期的丰富序列关联模式一致。
Chinco[74]估计了一个社会互动诱发股票市场泡沫的区隔模型，发现社会互动强度高的行业有更频繁的泡沫。
泡沫和恐慌一再与“新时代”民间投资模式的突然流行同时发生，区隔方法为此提供了一种可能的解释[75]。新时代的民间模式偶尔会发生突变，成为高度传染性的模式。当突变引起高传染性参数时，民间投资模式的流行在一段时间内爆炸性地增长，诱发市场泡沫。
社会金融的实证途径。
社会金融的基本实证含义之一是，结果取决于不同策略的传播性，而这些策略又取决于金融特征、投资者作为发送者和接收者的特征，以及社会互动的结构（社会网络结构和社会互动的强度）。下面，我们分别讨论这些因素。
金融特征的特点包括：是否容易被他人观察到，是否生动或有趣容易被谈论，容易被观察或沟通，有很高的相关环境线索普遍性，以及它的潜在发送者或接收者有讨论它的动机。对博客、传统媒体和社交媒体中的民间经济模式进行文本分析，可以用来衡量此类特征。
相关的投资者特征包括沟通动机、心理沟通倾向，以及在社会网络中的地位。例如，投资者的社交能力不同，他们的动机或个性在多大程度上倾向于审查或歪曲发送给他人的信息。投资者在对他人的口头报告持怀疑态度以及调整报告选择偏差的倾向方面也有不同。
来自社交媒体的数据集，以及调查证据，已经被用来估算个人的社会网络地位和社交能力[67， 76]。这样的网络位置数据也可以提供洞察力，了解不同投资者是否被锁定在“回声室”中，从而导致金融特征中的跨投资者的巨大差异。
随着时间推移，通信技术的变化（如印刷术和大众传媒的兴起；电子通信；以及后来的互联网、博客和社交媒体）也提供了自然实验，可以用来测试社会传播结构如何影响金融行为。相关的特征包括社会网络的连通性，它的亲和力如何（亲和力是指具有相似特征的投资者被联系起来的趋势），以及投资者对他们的投资策略或业绩进行交流的强度如何。
许多文化演化模型预测，对于社交更活跃的主体和那些在社会网络中更核心的人来说，效果会更强。同样，在联系更紧密的网络中，传播偏差对市场结果的影响也会更强。与此形成鲜明对比的是，在理性信息共享模型中[51， 52， 58]，更强烈的社会互动会使系统更迅速地向着更高的市场效率发展。
在 Han 等人[43]的模型中，如用方差和偏度来衡量，社会性和连接性与更积极的投资有关。与此相一致的是，Heimer[77]记录了社会互动在主动投资者（购买或出售股票）中，比持有美国储蓄债券的被动投资者更盛行。
此外，社会性或连接性的代理指标与更大的股票市场参与度[45， 67， 78]和投资于波动性或倾斜性更高的股票[79]有关。该模型还意味着投资流量的凸性来自于社会互动，这与芬兰社会影响股市参与的证据一致[45]。
六、政策和监督
监管会随着决策者对不同监管体系有效性的了解而发生变化。不同地区的监管体系有极大的异质性，可以通过实验形式的突变和对优秀结果的选择来促进有效监管[80]。现有法规的效力削减也能促进实验，并能防止在罕见的危机发生时以大规模突变的形式出现监管漏洞[81]。
异质性和效力削减都有可能帮助监管层适应快速变化的环境，避免有益的政策因随机漏洞而消亡，并在与投资者的演化军备竞赛中更有效地竞争（投资者的策略演变很快）。
文化演化方法也为促进金融知识和谨慎的投资者行为提出了额外的方向。演化设计可以用来提高准确的或功能性的投资者信念和行为的传播。
例如，帮助人们更多储蓄的一个方法可以是，增加对他人储蓄（或低支出）的提示[49]。这是因为受环境影响较大的想法往往更容易传播[82]。关于储蓄的提示可以帮助抵消许多关于他人新购买的日常提示（如社交媒体帖子）。
七、结论和社会金融的进一步发展方向
向他人学习是金融市场的核心，正如经典金融学和行为金融学早已认识到的那样。然而，为了充分理解金融特征的学习和传播，我们需要一个演化的视角来澄清传播偏差的性质，以及文化特征和金融结果的共同演化。
我们提出的观点，即社会金融，提供了这样一个范式的转变。它超越了行为金融学（心理学在市场中的应用），明确地关注社会互动如何塑造思想和行为，以及这些特征演变的选择、突变压力和漂移过程。社会金融学研究这些问题时，采用了一套更广泛的金融特征、传播偏差和焦点应用。
社会金融学有希望帮助解释重要的金融现象，如泡沫和不同时间范围内的股票回报率预测异常现象。例如，评论家们长期以来一直认为，市场泡沫、崩盘和市场情绪波动是社会现象，反映了情绪和观念的传染。
这种观点与古典金融学的观点形成鲜明对比，即（除了高度限制性的理论情景）泡沫并不存在。它也与行为理论形成对比，在行为理论中，泡沫是由个人层面的误解导致的，社会互动只通过对市场价格的观察发生。
相反，在社会金融学中，泡沫来自于通过谈话、大众媒体和社交媒体以及个人服务的金融思想、感觉和行为的传播，并明确分析了这种传播过程中的偏差。因此，这种方法可以捕捉到错误观念的极端放大。
此外，对于解决金融研究中交易和收益方面的经验性异常现象的日益动态性质，社会金融学提供了一个自然的路线。例如，有关于动量异常的行为模型[62]，但近年来，进一步的谜题是，为什么动量有时特别强，而在其他时期有预先决定的“动量崩溃”，即动量反转[83]。
价值型股票与成长型股票的回报也有明显的波动。例如，在新千年科技泡沫时期和最近的大流行时期，价值型股票相对于成长型股票的高回报率[84]被强烈地逆转。公司财务行为的繁荣和萧条的动力学，如收购和重组浪潮，是社会金融方法的另一个自然领域。
另一个未被充分探讨的话题是，投资者的兴趣如何以及为何转向不同类型的投资基金，如共同基金、交易所交易基金和对冲基金。鉴于基金投资相对于单个股票的效率，基金投资的历史上升速度缓慢，这是一个需要解释的主要现象。
最后，社会金融学特别适合于研究狭义的投资理念的发展和传播，比如建议逢低买入，以及更广泛的投资理念的组合，比如价值和成长的投资理念。
金融学者们对投资者如何从市场价格中学习的关注，远远多于对他们如何通过相互交谈（包括文本交流）来更新信念的关注。研究也更多关注理性的而不是有偏见的社会更新。对私人信号的有偏差的传播进行演化建模是一个很有前途的方向。
演化生物学的一个主要课题，是研究适应性作为功能系统，如眼睛，如何通过性状的连续积累而演化。社会金融学中一个鲜有人涉足的方向，是模拟民间模式的共同适应组合，如价值投资或增长投资理念，如何演变。研究这一点需要注意金融理念之间的互补性，这可能是由于各种原因造成的。
投资组合理论的基础思想由于其逻辑性和实用性，在成熟的投资者中得到了传播。其他金融理念通过吸引相同的道德情感，如价值哲学，而有效地结合在一起。道德直觉也可以解释为什么宏观文化特征，如宗教，会影响金融行为[31]。
社会金融学提出的另一个丰富的方向，是研究情绪如何影响不同种类的投资叙述和行为的传播[3， 7]，以及这如何影响泡沫和市场情绪的波动。例如，当泡沫开始感到不稳定时，恐惧是否会导致投资者开始传播与危险相关的叙述而不是与机会相关的叙述？
最后，金融应用具有广泛的价格和行动数据集的优势，以及来自商业新闻和社交媒体的文本和社交网络数据。金融市场也有一个非常明确的、可衡量的回报分数，即交易利润，它影响着投资者特征的传播。因此，金融市场是一个有吸引力的领域，可用于测试和重新定义一般的文化演化假说。
参考文献
1 A. Mesoudi， A. Whiten， K. N. Laland， Towards a unified science of cultural evolution. Behav. Brain Sci. 29， 329–347 (2006).
2 D. Hirshleifer， Presidential address: Social transmission bias in economics and finance. J. Finance 75， 1779– 1831 (2020).
3 R. J. Shiller， Narrative economics. Am. Econ. Rev. 107， 967– 1004 (2017).
4 A. A. Alchian， Uncertainty， evolution and economic theory. J. Polit. Econ. 58， 211–221 (1950).
5 F. Slanina， Essentials of Econophysics Modelling (Oxford University Press， 2014).
6 J. D. Farmer， A. W. Lo， Frontiers of finance: Evolution and efficient markets. Proc. Natl. Acad. Sci. U.S.A. 96， 9991–9992 (1999).
7 A. W. Lo， Adaptive Markets: Financial Evolution at the Speed of Thought (Princeton University Press， Princeton， NJ， 2017).
8 D. Hirshleifer， Behavioral finance. Annu. Rev. Financial Econ. 7， 133– 159 (2015).
9 J. B. DeLong， A. Shleifer， L. Summers， R. J. Waldmann， Positive feedback investment strategies and destabilizing rational speculation. J. Finance 45， 375–395(1990).
10 C. Lee， A. Shleifer， R. Thaler， Investor sentiment and the closed-end fund puzzle. J. Finance 46， 75– 109 (1991).
11 M. Baker， J. Wurgler， Investor sentiment in the stock market. J. Econ. Perspect. 21， 129– 151 (2007).
12 I. V. Evstigneev， T. Hens， K. R. Schenk-Hoppe´，“ Evolutionary finance”in Handbook of Financial Markets: Dynamics and Evolution， T.Hens， K.R.S.Hoppe´， Eds. (Elsevier， Amsterdam， The Netherlands， 2009)， pp. 507–566.
13 L. Blume， D. Easley， Heterogeneity， selection， and wealth dynamics. Annu. Rev. Econ. 2， 425–450 (2010).
14 R. Boyd， P. J. Richerson， Culture and the Evolutionary Process (University of Chicago Press， Chicago， IL， 1985).
15 B. LeBaron，“Agent-based computational finance”in Handbook of Computational Economics， L. Tesfatsion， K. L. Judd， Eds. (Elsevier， Amsterdam， The Netherlands， 2006)， vol. 2， pp. 1187– 1233.
16 C. H. Hommes， F. O. Wagener，“Complex evolutionary systems in behavioral finance”in Handbook of Financial Markets: Dynamics and Evolution， T. Hens，
K. R. Schenk-Hopp， Eds. (Elsevier， Oxford， UK， 2009)， pp. 217–276.
17 T. Lux， S. Alfarano， Financial power laws: Empirical evidence， models， and mechanisms. Chaos Solit. Fractals 88， 3– 18 (2016).
18 G. R. Price， Selection and covariance. Nature 227， 520–521 (1970).
19 C. el Mouden， J. B. Andre´， O. Morin， D. Nettle， Cultural transmission and the evolution of human behaviour: A general approach based on the Price equation. J. Evol. Biol. 27， 231–241 (2014).
20 E. G. Aguilar， E. Akçay， Gene-culture co-inheritance of a behavioral trait. Am. Nat. 192， 311–320 (2018).
21 S. Shennan， Descent with modification and the archaeological record. Philos. Trans. Biol. Sci. 366， 1070– 1079 (2011).
22 B. Han， D. A. Hirshleifer， J. Walden， Visibility bias in the transmission of consumption beliefs and undersaving. Rotman School of Management Working Paper No. 2798638 (2020). https://papers.ssrn.com/sol3/papers.cfm?abstract_id=2798638. Accessed 8 February 2021.
23 C. Heath， Do people prefer to pass along good or bad news? Valence and relevance as predictors of transmission propensity. Organ. Behav. Hum. Decis. Process. 68， 79–94 (1996).
24 J. Berger， Arousal increases social transmission of information. Psychol. Sci. 22， 891–893 (2011).
25 J. Henrich， The Secret of Our Success: How Culture Is Driving Human Evolution， Domesticating Our Species, and Making Us Smarter (Princeton University Press， Princeton， NJ， 2015).
26 M. J. Brennan， F. Li， W. N. Torous， Dollar cost averaging. Rev. Finance 9， 509–535 (2005).
27 V. Rantala， How do investment ideas spread through social interaction? Evidence from a Ponzi scheme. J. Finance 74， 2349–2389 (2019).
28 J. D. Farmer， Market force， ecology， and evolution. Ind. Corp. Change 11， 895–953 (2002).
29 D. Hirshleifer， Psychological bias as a driver of financial regulation. Eur. Financ. Manag. 14， 856–874 (2008).
30 R. Mace， C. J. Holden， A phylogenetic approach to cultural evolution. Trends Ecol. Evol. 20， 116– 121 (2005).
31 L. Guiso， P. Sapienza， L. Zingales， Does culture affect economic outcomes? J. Econ. Perspect. 20， 23–48 (2006).
32 A. Barnea， H. Cronqvist， S. Siegel， Nature or nurture: What determines investor behavior?. J. Financ. Econ. 98， 583–604 (2010).
33 M. O. Jackson， Networks and economic behavior. Annu. Rev. Econ. 1， 489–511 (2009).
34 P. J. Richerson， R. Boyd， A dual inheritance model of the human evolutionary process I: Basic postulates and a simple model. J. Soc. Biol. Struct. 1， 127– 154 (1978).
35 A. Bisin， T. Verdier， The economics of cultural transmission and the dynamics of preferences. J. Econ. Theor. 97， 298–319 (2001).
36 T. Lux， Time variation of second moments from a noise trader/infection model. J. Econ. Dynam. Contr. 22， 1–38 (1997).
37 S. Alfarano， T. Lux， A noise trader model as a generator of apparent financial power laws and long memory. Macroecon. Dyn. 11， 80– 101 (2007).
38 W. A. Brock， C. H. Hommes，“Models of complexity in economics and finance”in System Dynamics in Economic and Financial Models， C. Heij， H. Schumacher，
B. Hanzon， K. Praagman， Eds. (Wiley， Hoboken， NJ， 1997)， pp. 3–41.
39 C. Chiarella， R. Dieci， X. Z. He， K. Li， An evolutionary CAPM under heterogeneous beliefs. Ann. Finance 9， 185–215 (2013).
40 R. Z. Heimer， D. Simon， Facebook finance: How social interaction propagates active investing. Working paper， Federal Reserve Bank of Cleveland (2015). https:// www.clevelandfed.org/en/newsroom-and-events/publications/working-papers/2015-working-papers/wp-1522-facebook-finance-social-interaction-investing. aspx. Accessed 8 February 2021.
41 L. M. Escobar Pradilla， A. Pedraza， Active trading and (poor) performance. Working paper， World Bank (2019). https://ssrn.com/abstract=3348770 Accessed 8 February 2021.
42 J. N. Lane， S. S. Lim， B. Uzzi， Biased information transmission in investor social networks: Evidence from professional traders. Working paper， Harvard University
(2020). https://www.aeaweb.org/conference/2021/preliminary/paper/NEaz28nz. Accessed 8 February 2021.
43 B. Han， D. Hirshleifer， J. Walden， Social transmission bias and investor behavior. J. Financ. Quant. Anal.， 10.1017/S0022109021000077 (2021).
44 J. Chevalier， G. Ellison， Risk taking by mutual funds as a response to incentives. J. Polit. Econ. 105， 1167– 1200 (1997).
45 M. Kaustia， S. Knüpfer， Peer performance and stock market entry. J. Financ. Econ. 104， 321–338 (2012).
46 J. Gillespie， Polymorphism in random environments. Theor. Popul. Biol. 4， 193– 195 (1973).
47 T. J. Brennan， A. W. Lo， The origin of behavior. Q. J. Finance. 1， 55– 108 (2011).
48 D. Laibson， Golden eggs and hyperbolic discounting. Q. J. Econ. 112， 443–477 (1997).
49 F. D’Acunto， A. G. Rossi， M. Weber， Crowdsourcing peer information to change spending behavior. Working paper， Boston College (2020). https://ssrn.com/ abstract=3339335. Accessed 8 February 2021.
50 D. A. Hirshleifer， J. Plotkin， Moonshots， investment booms， and selection bias in the transmission of cultural traits. Working paper， University of California， Irvine
(2020). https://ssrn.com/abstract=3683611. Accessed 8 February 2021.
51 D. Duffie， G. Manso， Information percolation in large markets. Am. Econ. Rev. 97， 203–209 (2007).
52 H. N. Özsöylev， J. Walden， Asset pricing in large information networks. J. Econ. Theor. 146， 2252–2280 (2011).
53 J. A. Bohren， Informational herding with model misspecification. J. Econ. Theor. 163， 222–247 (2016).
54 A. Banerjee， A simple model of herd behavior. Q. J. Econ. 107， 797–817 (1992).
55 S. Bikhchandani， D. Hirshleifer， I. Welch， A theory of fads， fashion， custom， and cultural change as informational cascades. J. Polit. Econ. 100， 992– 1026 (1992).
56 C. Chamley， D. Gale， Information revelation and strategic delay in irreversible decisions. Econometrica 62， 1065– 1085 (1994).
57 I. H. Lee， Market crashes and informational avalanches. Rev. Econ. Stud. 65， 741–759 (1998).
58 J. Walden， Trading， profits， and volatility in a dynamic information network model. Rev. Econ. Stud. 86， 2248–2283 (2019).
59 D. Andrei， J. Cujean， Information percolation， momentum and reversal. J. Financ. Econ. 123， 617–645 (2017).
60 N. Jegadeesh， Evidence of predictable behavior of security returns. J. Finance 45， 881–898 (1990).
61 W. F. M. DeBondt， R. H. Thaler， Does the stock market overreact? J. Finance 40， 793–808 (1985).
62 N. Jegadeesh， S. Titman， Returns to buying winners and selling losers: Implications for stock market efficiency. J. Finance 48， 65–91 (1993).
63 E. L. Glaeser， J. A. Scheinkman，“Nonmarket interactions”in Advances in Economics and Econometrics: Theory and Applications， Eighth World Congress，
M. Dewatripont， L. P. Hansen， S. J. Turnovsky， Eds. (Cambridge University Press， Cambridge， UK， 2003)， vol. 1， pp. 339–365.
64 D. Hirshleifer， S. H. Teoh，“Thought and behavior contagion in capital markets”in Handbook of Financial Markets: Dynamics and Evolution， Handbooks in Finance， T. Hens， K. Schenk-Hoppe， Eds. (North-Holland， Amsterdam， The Netherlands， 2009)， pp. 1–46.
65 M. Kelly， C. O. O’Grada， Market contagion: Evidence from the panics of 1854 and 1857. Am. Econ. Rev. 90， 1110– 1124 (2000).
66 E. Duflo， E. Saez， Participation and investment decisions in a retirement plan: The influence of colleagues’choices. J. Publ. Econ. 85， 121– 148 (2002).
67 H. G. Hong， J. D. Kubik， J. C. Stein， Social interaction and stock market participation. J. Finance 59， 137– 163 (2004).
68 J. R. Brown， Z. Ivkovic´， P. A. Smith， S. Weisbenner， Neighbors matter: Causal community effects and stock market participation. J. Finance 63， 1509– 1531 (2008).
69 S. Shive， An epidemic model of investor behavior. J. Financ. Quant. Anal. 45， 169– 198 (2010).
70 M. Massa， A. Simonov， Is college a focal point of investor life? Rev. Finance 15， 757–797 (2011).
71 R. Heimer， Peer pressure: Social interaction and the disposition effect. Rev. Financ. Stud. 29， 3177–3209 (2016).
72 W. O. Kermack， A. G. McKendrick， A contribution to the mathematical theory of epidemics. Proc. Math. Phys. Eng. Sci. 115， 700–721 (1927).
73 C. Burnside， M. Eichenbaum， S. T. Rebelo， Understanding booms and busts in housing markets. J. Polit. Econ. 124， 1088– 1147 (2016).
74 A. Chinco， The madness of crowds and the likelihood of bubbles. Working paper， University of Chicago (2020). https://ssrn.com/abstract=3518021. Accessed 8 February 2021.
75 R. J. Shiller， Irrational Exuberance (Princeton University Press， Princeton， NJ， 2000).
76 M. Bailey， R. Cao， T. Kuchler， J. Stroebel， A. Wong， Social connectedness: Measurement， determinants， and effects. J. Econ. Perspect. 32， 259–280 (2018).
77 R. Z. Heimer， Friends do let friends buy stocks actively. J. Econ. Behav. Organ. 107， 527–540 (2014).
78 D. Georgarakos， G. Pasini， Trust， sociability， and stock market participation. Rev. Finance 15， 693–725 (2011).
79 A. Kumar， Who gambles in the stock market? J. Finance 64， 1889– 1933 (2009).
80 R. Romano， For diversity in the international regulation of financial institutions: Critiquing and recalibrating the Basel architecture. Yale J. Regul. 31， 1–76 (2014).
81 R. Romano， S. Levin， Sunsetting as an adaptive strategy. Working paper， Yale University (2020). https://ssrn.com/abstract=3655900. Accessed 8 February 2021.
82 J. A. Berger， C. Heath， Idea habitats: How the prevalence of environmental cues influences the success of ideas. Cognit. Sci. 29， 195–221 (2005).
83 K. D. Daniel， T. J. Moskowitz， Momentum crashes. J. Financ. Econ. 122， 221–247 (2016).
84 E. F. Fama， K. R. French， The cross-section of expected stock returns. J. Finance 47， 427–465 (1992).
本文来自微信公众号：集智俱乐部 （ID：swarma_org），作者：Erol Akçayaa、David Hirshleiferbb，译者：张旭，编辑：邓一雪