本研究《交易与资产市场中的认知：一项眼动追踪实验》(Trading and cognition in asset markets: an eye-tracking experiment) 由Camille Cornand（法国国家科学研究中心，里昂大学，GATE UMR 5824）、María Alejandra Erazo Diaz（里昂第二大学，GATE UMR 5824）和Adam Zylbersztejn（里昂第二大学，GATE UMR 5824；维斯图拉大学）合作完成，并于2023年发表在《Journal of Economic Behavior and Organization》第216卷上。

研究背景 本研究隶属于实验经济学与行为金融学交叉领域。在资产价格动态中，预期（expectations）的形成机制至关重要。标准经济理论假设代理人形成理性预期（Rational Expectations, RE），但大量实验证据表明这一假设难以成立。为了更贴切地描述现实中的行为数据，研究者们发展出了多种基于启发式（heuristics）的预期形成模型。其中，DeLong等人在1990年提出，并由Haruvy和Noussair在2006年应用于资产市场实验的“交易者分类法”将市场参与者分为三类：反馈交易者（Feedback Traders）、被动交易者（Passive Traders）和投机者（Speculators）。这三类交易者依赖不同的信息源做出决策：反馈交易者关注过去的价格动量（momentum），被动交易者关注资产的基础价值（fundamental value），而投机者则关注对未来价格变动的市场预期。

传统研究主要基于交易行为的事后拟合优度（goodness of fit）来评估这种分类法的描述准确性。然而，该研究指出，一个更深层次的问题是：这种基于行为的分类法是否具有认知上的有效性（cognitive validity）？即，被归类为某种交易策略的个体，其信息获取模式是否与理论预测的该策略所需信息一致？为了探索这个问题，本研究采用了自上而下（top-down）的认知过程假设，并引入眼动追踪（eye-tracking）技术，在实验性资产市场中实时记录参与者的信息获取过程，从而将交易策略与认知过程联系起来。

研究目标 本研究的主要目标是：利用眼动追踪数据，对经典的异质交易者分类法进行新颖的认知有效性检验。具体而言，研究旨在验证以下三个假设：假设1：与其它类型相比，反馈交易者会更关注关于过去价格的信息。假设2：与其它类型相比，被动交易者会更关注关于基础价值的信息。假设3：与其它类型相比，投机者会更关注关于价格变动的市场预期的信息。

研究方法与详细流程 本研究采用了实验室实验方法，结合了资产市场交易任务和眼动追踪技术。整个流程包含以下几个主要步骤：

1. 参与者与实验设计：研究招募了186名学生，共进行了31场实验。每场实验有6名参与者，其中1名被随机分配使用眼动仪。实验平均持续约2小时，参与者平均获得29欧元报酬。实验在GATE-Lab进行，使用z-Tree软件平台。
2. 资产市场环境：实验采用集合竞价市场（Call Market），类似于Van Boening等人（1993）的设计，而非连续双向拍卖市场。采用这种设计是因为在每个交易期（period）内只产生一个统一的市场出清价格（market clearing price），这有助于标准化交易条件，并更清晰地定义净资产需求，便于后续的交易者类型分类。
3. 市场结构与参数：每个实验包含两个独立的、各持续8期的市场（市场1和市场2）。两个市场的校准（calibration）参数有所不同（例如股息分布、预期股息、初始资产和现金），以避免参与者因经验积累而导致价格趋同于基础价值，从而丧失行为异质性。市场1的参数直接取自Smith等人的经典研究（1988）。
4. 实验任务：每个交易期包含两个任务：
   • 价格预测任务：在每个交易期（除最后一期）开始时，参与者需要预测当前期和下一期的市场出清价格。预测准确（误差在±25实验货币单位内）可获得奖励。
   • 资产交易任务：参与者可以提交一个买入订单和一个卖出订单。订单汇总后通过集合竞价机制决定单一的市场出清价格。资产的价值来源于每期随机发放的股息。参与者的利润来自买卖差价和股息收入。
5. 信息结构：在做出交易决策时，参与者屏幕上会显示三列关键信息，其位置在参与者间随机排列以避免视觉偏差：
   • 反馈信息：包括过去各期的已实现价格、总利润和上一期已实现股息。
   • 基础价值信息：显示资产在未来各期的基础价值（预期未来股息流的现值）。
   • 市场预期信息：显示所有六名参与者价格预测的中位数（median forecast）。作者指出，使用中位数而非平均值是为了最小化单个参与者操纵整体预期的能力，这与近期学习预测文献的做法一致。
6. 眼动追踪设置与数据处理：
   • 使用SR Research EyeLink 1000 Plus眼动仪，采样率高达2000 Hz。参与者使用下巴托和额托以保证数据质量。实验过程中进行了两次校准。
   • 根据三列信息，研究者定义了三个非重叠的矩形兴趣区（Areas of Interest, AOI），分别对应“已实现价格”、“基础价值”和“中位数预测”。随着实验期数增加，AOI中的信息条目会扩充，但其形状和基本位置不变。
   • 分析采用的标准指标是注视点（fixations）位置和持续时间。研究者计算了“注视停留时间”（dwell time），即落在特定AOI内所有注视点的总时长。为了比较不同信息类型的关注度，他们将绝对停留时间转化为相对停留时间（relative dwell time），即观察某一信息AOI的时间占总AOI观察时间的比例。研究者主要聚焦于自上而下的认知过程（即策略驱动的信息搜寻），并通过平衡、标准化的屏幕设计来尽量减少自下而上（刺激驱动）因素的影响。
7. 交易者类型分类：在实验结束后，根据参与者在两个市场中的交易决策数据（共10期，剔除第1、2、8期），研究者为每个参与者拟合了三个线性回归模型，分别对应三种交易者的需求函数：
   • 反馈交易者：净需求 = 常数 + β * (p{t-1} - p{t-2})
   • 被动交易者：净需求 = 常数 - α * (p{t-1} - fv{t-1})
   • 投机者：净需求 = 常数 + γ * (median forecast_{t+1} - median forecast_t) 通过比较三个模型的R²（拟合优度），将参与者归类为R²最高的模型所对应的类型。如果所有模型的R²均为零，则归类为“其他”。该方法与Haruvy和Noussair（2006）基于“决策一致性期数”的方法不同，旨在提供一个基于整体拟合度的、明确的分类。
8. 数据分析策略：将参与者分类后，研究者比较了不同交易者类型在三类信息（价格、基础价值、预测）上的相对注视停留时间。由于样本量较小（30名眼动追踪参与者），主要采用非参数检验（威尔科克森秩和检验，Wilcoxon ranksum test）来检验假设1-3，并进行了两项稳健性检验：一是对注视停留时间根据每期AOI数量进行归一化处理；二是使用“相对注视点数量”（relative number of fixations）替代“相对注视停留时间”作为信息获取模式的度量。

主要研究结果 1. 交易者类型分布：在182名参与者（剔除4名数据不完整者）中，46.15%被分类为反馈交易者，29.12%为被动交易者，17.03%为投机者，7.69%为“其他”。这一分布与Haruvy和Noussair（2006）的结果相近。对眼动追踪子样本（30人）的分析显示，其类型分布与总体样本无显著差异，表明随机化成功，子样本具有代表性。 2. 整体信息获取动态：在不同信息类型的相对注视停留时间上，观察到了持续性的动态模式。对过去价格的关注度呈倒U型；对预测的关注度则呈现相反的趋势；对基础价值的关注度在第一期最高（约0.45），之后下降并围绕0.3波动。这些模式在两个市场中基本一致。 3. 交易者类型与信息获取模式的关联： * 假设1（反馈交易者更关注过去价格）：未得到支持。描述性数据显示，反而是被动交易者（均值0.381）比反馈交易者（均值0.259）花费更多时间关注过去价格。非参数检验也表明，反馈交易者在过去价格上的中位数相对停留时间（0.259）并未显著高于被动交易者（0.381, p=0.965）或投机者（0.251, p=0.368）。 * 假设2（被动交易者更关注基础价值）：未得到支持。描述性数据显示，反馈交易者（均值0.316）比被动交易者（均值0.244）更关注基础价值。非参数检验同样不显著：被动交易者在基础价值上的中位数相对停留时间（0.244）并未显著高于反馈交易者（0.316, p=0.969）或投机者（0.179, p=0.227）。 * 假设3（投机者更关注市场预期）：得到支持。描述性数据显示，投机者（均值0.584）在中位数预测上花费的时间明显多于反馈交易者（均值0.399）和被动交易者（均值0.405）。非参数检验证实了这一差异：投机者的中位数相对停留时间（0.584）显著高于反馈交易者（0.399, p=0.040），且与被动交易者（0.405, p=0.071）的差异在10%水平上边缘显著。 * 稳健性检验：使用归一化的注视停留时间以及“相对注视点数量”作为替代指标进行检验，主要结论保持不变：假设1和假设2依然不被支持；对于假设3，投机者仍显示出关注预测的更强倾向，尽管在某些检验中统计显著性水平略有变化。

结论与意义 本研究首次结合眼动追踪技术，为经典的DeLong et al. (1990) 和 Haruvy and Noussair (2006) 异质交易者分类法提供了认知有效性方面的实证证据，但仅得到了部分支持。 * 主要结论：研究发现，投机者的信息获取模式与其理论策略一致，他们确实更多地基于关于市场预期的信息（价格预测）做出决策。然而，反馈交易者和被动交易者的信息获取模式与预期相反：反馈交易者表现出了理论上被动交易者应有的信息获取模式（更关注基础价值），而被动交易者则表现出了理论上反馈交易者应有的模式（更关注过去价格）。 * 科学价值：本研究的价值在于超越了传统的行为拟合检验，深入探索了行为分类背后的认知基础。它表明，仅凭事后交易行为进行的分类，可能无法完全捕捉决策者实时的认知过程。交易行为与信息获取模式之间的脱节提示我们，实际决策中可能存在更复杂的机制，例如策略的混合、转换（heuristic switching），或存在未被纳入分类的其他策略。此外，它也展示了眼动追踪等过程追踪（process-tracing）技术在经济决策研究，特别是金融市场研究中的强大潜力。 * 应用与政策启示：积累此类关于交易者如何实际使用信息的证据，可以为金融从业者和监管机构提供参考，帮助他们理解交易平台上信息的可能使用和误用方式，从而设计更有效的信息披露和投资者教育方案。

研究亮点 1. 方法创新：将眼动追踪技术系统性地应用于实验室资产市场环境，以实时、客观的数据探究交易策略的认知基础，这在相关领域属于开创性研究。与仅有的另一项类似研究（Powell, 2010）相比，本研究的设计更直接地将信息获取模式与特定的交易者类型联系起来。 2. 问题深度：研究问题从“描述是否准确”推进到“认知是否一致”，提升了理论检验的深度，对行为金融和实验经济学中理论模型的微观基础构建有重要意义。 3. 严谨的设计：实验采用了集合竞价市场、两个独立校准的市场、随机化的信息布局、严格的眼动数据采集协议以及基于拟合优度的交易者分类方法，确保了研究结果的内在效度和可靠性。 4. 重要的发现：明确证实了投机者策略在认知层面的有效性，同时揭示了反馈和被动交易者分类在认知层面存在的“错配”现象，为后续理论修正和模型拓展提供了关键的实证切入点。

其他有价值内容 研究还报告了一些补充性发现：交易者类型与认知反思测试（CRT）分数、性别、年龄或专业领域没有系统性关联。然而，发现CRT分数与关注过去价格的相对时间呈正相关。此外，在预测任务中的表现与对预测信息的关注时间之间没有显著相关性，表明关注度并非直接转化为预测准确性。这些分析增加了研究的全面性。作者也坦诚地指出了研究的局限性，例如预定义的分类法可能无法涵盖所有策略异质性、可能存在自下而上的注意力过程干扰、以及因分类内生性导致稀有类型（如投机者）样本量较小等，这些都为未来研究指明了方向。