12：从众与服从

🧭 本章学习目标

🚀 引子：一场集体的狂欢

🤔 这个选择为何如此艰难？

因为我们面临着两种强大力量的冲突：

🏛️ 传统经济学：完美的“理性人”

传统经济学假设了一个理想化的决策者：经济人 (Homo Economicus)。

• 决策完全基于逻辑和私利。
• 能获取并处理所有相关信息。
• 不受情绪或社会因素影响。

🤷 现实世界：复杂的“社会人”

行为金融学认为，现实中的投资者更像是“社会人”。

• 认知能力有限 (有限理性)。
• 决策常受情绪驱动。
• 深受社会网络和群体行为影响。

🧠 双系统思维：决策的底层逻辑

诺贝尔奖得主丹尼尔·卡尼曼提出，我们的大脑有两套思维系统。社会影响主要通过系统1发挥作用。

关键概念：’从众’是一个总称

从众 (Conformity)

因真实或想象的群体压力，而改变个人行为或信念的倾向。

💡 一个简单的从众场景：餐厅选择

想象你要在两条陌生的美食街里选一家餐厅…

🧠 餐厅选择背后的心理学

谱系视角：’从众’的影响有好有坏

在金融服务业，’从众’存在于一个光谱中，其影响有好有坏。我们将重点讨论三种典型情况。

✅ 积极从众：行业稳定的基石

积极从众，即遵守公认的最佳实践、法规和道德规范，对于维护金融市场的信任和稳定至关重要。

案例：CFA协会的《道德操守和专业行为准则》

• 要求成员将客户利益置于首位（忠诚、审慎和勤勉）。
• 这种从众行为保护了投资者，提升了整个行业的信誉。

这是有益的、被社会鼓励的从众。

↔︎️ 中性从众：遵循市场惯例

中性从众指遵循行业通行的做法和标准，这本身没有好坏之分，是提高效率的必要方式。

案例：使用行业通用的估值模型

• 分析师普遍使用DCF（现金流折现）或P/E（市盈率）模型为公司估值。
• 遵循这些惯例，可以方便地进行横向比较和沟通。
• 风险: 当所有人都使用相同的模型和假设时，可能导致集体性的误判。

❌ 有害从众：羊群效应的起源

当从众行为变得非理性，脱离基本面分析，就会演变成羊群效应。

羊群效应指投资者在信息不对称或不确定的情况下，通过模仿他人的决策来决策，而非依赖自己的独立分析。

这种行为常常导致资产泡沫的形成与破裂。

🎭 从众的两种核心形式

从众主要表现为两种形式，其关键区别在于内心是否真正认同。

形式一：💡 接纳 (Acceptance)

定义：发自内心地相信并采纳群体的行为和信念。这是一种真诚的改变。

• 行为: 买入ESG主题基金。
• 信念: “我真正相信可持续发展能为投资带来长期超额回报。”

特点：

• 通常由信息性社会影响驱动（相信他人掌握更准确的信息）。
• 一旦形成，这种信念是持久的，即使群体不在场也会坚持。

形式二：🎭 遵从 (Compliance)

定义：为了获得奖励或避免惩罚而公开顺从，但内心并不同意。这是一种策略性的伪装。

• 行为: 基金销售人员向客户推销一只自己并不看好的高佣金产品。
• 内心独白: “我知道这产品很一般，但为了完成这个月的KPI，我只能这么说。”

特点：

• 通常由规范性社会影响驱动（渴望被接纳，害怕被惩罚）。
• 是暂时的，一旦外部压力消失，行为可能就会改变。

特殊的遵从：👮‍♂️ 服从权威指令

服从 (Obedience)

对直接命令的遵从，是遵从的一种特殊形式。

其核心特征是存在一个明确的权威 figure 和一个明确的指令。

金融案例: 中国证监会 (CSRC) 要求所有上市公司在特定日期前披露年报。

• 权威: CSRC
• 指令: 按时披露年报
• 行为: 公司遵从指令，即使这可能暴露不利信息。

概念关系图：层层递进

这几个概念之间存在清晰的层级与包含关系。

实验一：谢里夫与“光点移动”

💡 在模糊中形成的市场共识

• 研究者: 穆扎弗·谢里夫 (Muzafer Sherif)
• 核心问题: 在不确定、模棱两可的环境中，社会规范 (Social Norm) 是如何形成的？

谢里夫实验：巧妙的设计

实验道具: 利用“似动效应”(Autokinetic Effect)。

在一个完全黑暗的房间里，一个静止的光点会看似在移动。因为缺乏参照物，大脑无法判断其真实位置。

实验任务: 请参与者估计光点移动的距离。这是一个没有正确答案的模糊任务。

谢里夫实验流程 (1/3)

阶段1: 独自判断

谢里夫实验流程 (2/3)

阶段2: 群体讨论

谢里夫实验流程 (3/3)

阶段3: 再次独自判断

谢里夫实验的金融应用 📈

分析师如何达成’共识’

谢里夫的实验完美模拟了金融市场在信息模糊环境下的’共识形成’过程。

场景: 一家全新商业模式的科技公司上市，初期缺乏历史数据，估值模型差异巨大。

过程: 分析师们通过路演、行业会议、研究报告相互交流、辩论，他们的估值假设和关键参数（如增长率、利润率）逐渐趋于一致。

结果: 形成一个相对集中的’市场共识’目标价。

📊 分析师观点的趋同过程（模拟）

Code

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

# --- 创建模拟数据 ---
# 设定随机种子以保证结果可复现
np.random.seed(42)
days = ['首次覆盖', '第1个月', '第2个月', '第3个月']
# 分析师A: 初始非常乐观，逐渐向均值回归
analyst_a = [250, 220, 180, 165]
# 分析师B: 初始中性，微调
analyst_b = [160, 158, 162, 163]
# 分析师C: 初始非常悲观，显著上调
analyst_c = [120, 140, 155, 160]
# 最终形成的市场共识价
consensus_price = 162

df_convergence = pd.DataFrame({
    '分析师 A (激进派)': analyst_a,
    '分析师 B (稳健派)': analyst_b,
    '分析师 C (保守派)': analyst_c
}, index=days)

# --- 绘图 ---
plt.style.use('seaborn-v0_8-whitegrid')
fig, ax = plt.subplots(figsize=(10, 6))
df_convergence.plot(marker='o', linestyle='--', ax=ax)

# --- 美化图表元素 ---
ax.set_title('分析师目标价的趋同过程', fontsize=18, pad=20)
ax.set_ylabel('目标价 (元)', fontsize=14)
ax.set_xlabel('时间', fontsize=14)
ax.legend(title='分析师', fontsize=11)
ax.set_ylim(100, 270)

# 绘制市场共识线并添加注释
ax.axhline(y=consensus_price, color='crimson', linestyle='-', linewidth=2, label=f'市场共识价 ({consensus_price}元)')
ax.text(len(days)-0.9, consensus_price + 5, '市场共识形成', color='crimson', fontsize=14)

plt.tight_layout()
plt.show()

实验二：阿施与“线条判断”

🎭 当事实与群体意见冲突

• 研究者: 所罗门·阿施 (Solomon Asch)
• 核心问题: 当个体面对与客观事实明显不符的群体意见时，会如何反应？群体压力能否扭曲认知？

阿施实验：简单的视觉任务

实验任务: 判断三条比较线中，哪一条与标准线等长。

答案显而易见。

阿施实验的巧妙骗局

实验设置： 你（真正的参与者）和一群人（伪装的演员）一起回答。

关键时刻： 在某些轮次，所有伪装者都一致地、故意地选择一个明显错误的答案。

轮到你回答时，你会怎么选？

阿施实验的惊人发现

核心结论

即使内心知道正确答案，很多人也会为了避免与众不同而选择遵从 (Compliance)。

这揭示了规范性社会影响的强大力量。 :::

::::

实验三：米尔格拉姆与“电击实验”

👮‍♂️ 权威的力量有多大？

• 研究者: 斯坦利·米尔格拉姆 (Stanley Milgram)
• 历史背景: 对二战期间纳粹军官”只是在执行命令”的辩护感到震惊。
• 核心问题: 普通人在多大程度上会服从权威，即使命令要求他们做出违背自身道德和良知的事情？

米尔格拉姆实验流程

米尔格拉姆实验的惊人结果

📊 服从的“渐进陷阱” 可视化

在这个’渐进陷阱’ (Slippery Slope) 中，人们从一个微小的偏离开始，一步步被引向严重违规，最终难以自拔。

Code

import matplotlib.pyplot as plt
import numpy as np

# --- 模拟米尔格拉姆实验数据 ---
# 创建电压等级
voltages = np.arange(0, 451, 15)
# 模拟不同电压等级下的服从百分比（基于经典研究结果）
obedience_levels = np.array([
    100, 100, 100, 100, 100, 100, 100, 100, 100, 100, 
    92.5, 90, 85, 82.5, 80, 80, 77.5, 75, 70, 67.5, 
    65, 65, 65, 65, 65, 65, 65, 65, 65, 65, 65
])
# 使用插值法平滑曲线
full_obedience = np.interp(voltages, np.arange(0, len(obedience_levels)) * 15, obedience_levels)

# --- 绘图 ---
plt.style.use('seaborn-v0_8-whitegrid')
fig, ax = plt.subplots(figsize=(10, 6))

ax.plot(voltages, full_obedience, marker='', linestyle='-', color='crimson', lw=3)
ax.fill_between(voltages, full_obedience, color='crimson', alpha=0.1)

# --- 美化图表元素 ---
ax.set_title('权威服从的“渐进陷阱”：从合规到不当销售', fontsize=18, pad=20)
ax.set_xlabel('指令的风险/道德偏离程度 (模拟电压)', fontsize=14)
ax.set_ylabel('服从指令的理财经理百分比 (%)', fontsize=14)
ax.set_xticks(np.arange(0, 451, 75))
ax.set_yticks(np.arange(0, 101, 20))

# --- 添加关键点注释 ---
critical_point_v = 150
critical_point_p_index = np.where(voltages == critical_point_v)[0][0]
critical_point_p = full_obedience[critical_point_p_index]
ax.axvline(x=critical_point_v, color='gray', linestyle='--')
ax.plot(critical_point_v, critical_point_p, 'ko', markersize=8)
ax.annotate('关键转折:\n首次出现\n显著风险错配', 
            xy=(critical_point_v, critical_point_p), 
            xytext=(critical_point_v + 15, 90),
            arrowprops=dict(facecolor='black', shrink=0.05, width=1, headwidth=8),
            ha='left', fontsize=12, color='black', 
            bbox=dict(boxstyle="round,pad=0.3", fc="white", ec="none", alpha=0.7))

ax.set_ylim(0, 105)
ax.set_xlim(-10, 460)

plt.tight_layout()
plt.show()

因素一 👥：群体规模 (3-5人时压力最大)

• 1-2人施加的压力很小。
• 3到5人能引发最强的从众效应。
• 超过5人后，新增成员的边际影响递减。

金融应用: 一个分析师的评级影响有限，但当3-5位明星分析师一致看好某股票时，就会形成一股强大的市场力量，足以引发羊群效应。

📊 群体规模与投资者从众行为的关系

Code

import numpy as np
import matplotlib.pyplot as plt

# --- 创建模拟数据 ---
group_size = np.arange(0, 16)

# 使用逻辑函数模拟这种关系，显示边际效用递减
def conformity_prob(x):
    L = 85  # 最大从众概率
    k = 1.5 # 曲线陡峭度
    x0 = 3.5 # 中点
    return L / (1 + np.exp(-k * (x - x0)))

prob = conformity_prob(group_size)

# --- 绘图 ---
plt.style.use('seaborn-v0_8-whitegrid')
fig, ax = plt.subplots(figsize=(10, 6))
ax.plot(group_size, prob, marker='o', linestyle='-', color='dodgerblue', lw=2)

# --- 美化图表元素 ---
ax.set_title('分析师群体规模对投资者跟风概率的影响', fontsize=16, pad=20)
ax.set_xlabel('发布一致“买入”评级的影响力分析师数量', fontsize=12)
ax.set_ylabel('投资者跟风买入的概率 (%)', fontsize=12)
ax.set_xticks(np.arange(0, 16, 1))
ax.set_yticks(np.arange(0, 101, 20))

# 高亮关键区域
ax.axvspan(3, 5, color='gold', alpha=0.3, label='最大边际影响区间')
ax.legend()
ax.grid(True, which='both', linestyle='--', linewidth=0.5)

plt.tight_layout()
plt.show()

因素二 🤝：意见一致性是关键

当群体意见高度一致时，其社会影响力最大。

但哪怕只有一个人打破统一阵线，从众压力就会被极大削弱。

阿施的实验发现，如果有一个“同盟者”也给出了正确答案，从众率会从37%骤降至5%。

🛡️ ’魔鬼代言人’的力量：打破一致意见

在投决会中，有意识地设置’魔鬼代言人’ (Devil’s Advocate) 角色，其职责就是挑战主流意见，从而强制性地打破一致性幻觉，促进审慎决策。

因素三 ❤️：群体凝聚力

凝聚力 (Cohesion): 指群体成员之间的紧密程度，或“我们感”。凝聚力越强，群体对成员的影响力越大。

金融应用: 当基金经理们都重仓持有某些股票时，他们会形成一个无形的“抱团”群体。卖出这些股票不仅是投资决策，更像是对这个“圈子”的背叛，会带来巨大的心理压力。

因素四 👑：权威与地位

地位更高的人影响力更强。人们会更倾向于听从他们认为是专家或权威的意见。

金融市场中的地位象征:

• 明星投资者: 沃伦·巴菲特、瑞·达利欧等。
• 明星分析师: “新财富”上榜分析师。
• 监管机构: 央行行长、证监会主席。

这种现象有时是有效的，但有时也会导致盲从。

因素五 🎤：公开回应

在公开场合表态比私下作答更容易从众。因为公开回应让我们更在意他人的评价。

金融应用 (举手表决): 在投决会上进行公开的“举手表决”可能会压制不同意见。

改进措施: 采用“匿名投票”或“会前提交书面意见”的方式，能鼓励成员更自由地表达真实想法。

因素六 ✍️：事先承诺

一旦公开承诺某个立场，就很难再屈服于后来的社会压力。因为人们有保持言行一致的强烈动机。

金融应用: 一位长期、高调推荐某只股票的分析师，即使后来发现公司基本面恶化，也很难“打自己脸”去迅速、果断地下调评级。这种先前承诺会成为决策的巨大阻力。

我们为什么会从众？两种核心动机

我们已经探讨了何时从众，现在来剖析更深层次的为什么。

社会心理学家提出两种核心动机，这两种动机分别对应了我们在阿施和谢里夫实验中看到的现象。

规范性影响：害怕错过 (FOMO)

规范性影响的核心是害怕被社会排斥，在金融市场则具体表现为害怕错过行情 (Fear of Missing Out, FOMO)。

金融案例：2020-2021年’抱团股’现象 - 困境: 许多基金经理即使内心认为估值过高，仍被迫买入。 - 动机 (规范性影响): - 相对业绩压力: 如果不买，短期内业绩排名会垫底。 - 职业声誉风险: 在牛市中“踏空”比“买错”的职业生涯风险更大。

🔄 FOMO驱动的“抱团股”正反馈循环

规范性影响创造了一个危险的正反馈循环，最终导致估值泡沫。

信息性影响：在不确定中寻找方向

信息性影响的核心是渴望正确，尤其是在信息模糊、情况紧急或他人是专家时。

金融案例: - 新兴行业估值 (信息模糊): 面对元宇宙、AI大模型等全新行业，市场会密切关注并跟随权威机构的估值框架。这与谢里夫实验如出一辙。 - 散户’抄作业’ (他人是专家): 个人投资者关注财经大V，是因为他们相信这些’意见领袖’掌握了自己所不了解的、更准确的信息。

动机对比：规范性 vs. 信息性

因素一：人格特质

虽然情境的力量通常大于人格，但某些人格特质确实与从众倾向相关，特别是“大五人格”模型中的：

• 高宜人性 (Agreeableness): 追求和谐、信任他人的人，更易从众。
• 高尽责性 (Conscientiousness): 遵守规则、自律的人，更易遵守规范。
• 高开放性 (Openness to Experience): 对新事物持开放态度、思想独立的人，最不容易从众。

因素二：文化背景

文化背景深刻地影响着从众行为的普遍性和社会可接受度。

📊 个人主义 vs. 集体主义文化下的金融行为

import pandas as pd

# 创建表格数据
data = {
    '维度': ['对从众的态度', '决策动机', '权威来源', '金融行为案例'],
    '个人主义文化 (例如: 美国)': [
        '负面，强调独立思考、打破常规',
        '追求个人Alpha收益，超越市场',
        '基于个人成就和能力的专家权威',
        '鼓励并推崇特立独行的“逆向投资者”'
    ],
    '集体主义文化 (例如: 中国)': [
        '中性或正面，强调集体和谐、顺势而为',
        '除个人收益外，也考虑与群体/政策的一致性',
        '机构和政策权威 (如“国家队”、产业政策)',
        '“抱团股”现象更普遍，对市场共识的依赖更强'
    ]
}
df_culture = pd.DataFrame(data)

# 在Quarto中，代码块的最后一行是DataFrame会自动渲染成表格
df_culture

因素三：社会角色的力量

我们都在扮演不同的社会角色（如学生、员工、父母），每个角色都附带一套被社会期望的行为规范。

金融应用: - 合规官 vs. 销售经理: 同一个人在不同角色下，行为模式会截然不同。 - 卖方分析师 vs. 买方分析师: 从卖方（需要吸引眼球）转到买方（对盈亏负责），其决策逻辑会发生根本性变化。

角色的力量在于，它能让行为在特定情境下变得自动化。

逆反心理：我们并非总是从众

当社会压力过大，威胁到我们的自由感和自主性时，我们可能会产生逆反心理 (Reactance)。

这是一种为保护或恢复个人自由感而产生的反抗动机。

金融应用：’逆向投资’的心理基础

• 当市场陷入极度狂热，一些投资者会感到自己的独立判断受到了威胁，从而产生强烈的怀疑，并开始主动寻找反向的交易机会。

💎 对独特性的追求

尤其是在个人主义文化中，人们不希望自己“泯然众人”，而是希望自己是“适度独特”的。

金融应用 (品牌定位): 这种对独特性的追求，解释了为何一些小众、精品、有独特投资哲学的资产管理公司能吸引到忠实的客户。这些客户在表达一种身份认同：‘我不是追逐规模的普通投资者，我更看重独特的投资哲学’。

课程总结：关键 Takeaways ✅

• 从众是人的天性，关键在于区分其积极（遵守规范）与有害（羊群效应）的形态。
• 驱动非理性从众的两大引擎是：规范性影响 (渴望归属/FOMO) 和 信息性影响 (渴望正确/规避不确定性)。
• 情境 (群体规模、一致性、地位等) 的力量远比我们想象的要强大，它往往能压倒个人理性和品德。
• 理解从众机制，是构建有效投资决策流程和强大风控体系的关键。

最终思考：在社群中成为独立的个体

作为未来的金融专业人士，我们既需要融入社群、学习规则、尊重共识，也必须在关键时刻保持独立的思考和专业的判断力。

这要求我们在对社群的归属感和对个体独立性的追求之间，找到一种审慎的平衡。

最终，这不仅是金融技能，更是一种在压力下坚守理性与道德的智慧。

Q & A