论文链接：Mental Models of the Stock Market, QJE 2026 复现数据：Harvard Dataverse（数据+代码）；调查材料 OSF 发表时间：2026 年 7 月（The Quarterly Journal of Economics, 141(4), 2925–2978，编辑 Andrei Shleifer） 机构：Peter Andre（莱布尼茨金融研究所 SAFE 与法兰克福歌德大学，行为金融教授）、Philipp Schirmer（波恩大学）、Johannes Wohlfart（科隆大学 / ECONtribute，ERC Starting Grant 获得者）——三位作者均为德国高校研究者，属纯学术合作；论文另与两家德国大型资管公司合作发放基金经理问卷（数据通道，非合著） 领域标签：行为金融 / 实验经济学（JEL: D83, D84, G11, G12, G41, G51, G53） 规模：26 项调查与实验，29,180 名受访者；全部预注册（AEA RCT Registry AEARCTR-0011505）
一、论文背景：股市预期从哪里来？
1.1 股票市场围着"预期收益率"转
股票投资的本质是一场关于未来的交易：你今天付一笔钱，换一份对未来现金流的索取权。你愿意付多少钱、愿意持有多久、何时卖出，全都取决于你对未来收益率（return expectations）的预期。正因为如此，收益率预期是整个资产定价理论的中心变量——预期决定了谁买谁卖，预期的分歧产生交易量，预期的系统性偏差则被用来解释超额波动、泡沫、动量与反转等一系列市场层面的"异象"（Barberis et al. 2015; Giglio et al. 2021a; Adam & Nagel 2023）。
但这里有一个长期悬而未决的问题：这些预期是怎么被"想"出来的？ 价格数据、交易数据只能看到预期的结果；即便调研直接问"你预期未来一年股市涨多少"，也只能看到预期的数值，看不到得出这个数字的推理过程。论文把这种推理过程称为心理模型（mental model）——即当事人相信"是什么驱动了股票收益"的主观视角。心理模型可以是严谨的学术理论，也可以是不完整甚至内部不一致的朴素观念。作者引用 Hirshleifer (2020) 的判断：理解金融市场语境下的心理模型是一个关键研究目标。
1.2 一个天然能把各派理论"撕开"的实验场景：过期新闻
论文的巧思在于选了一个能把不同理论逼出原形的场景——过期（stale）新闻。设想：
四周前，耐克宣布与一家再生聚酯供应商达成战略合作，原料成本预计降低 20%，业内视为"意外的成功"。消息是公开的、备受关注。今天，你来投资 1,000 美元买耐克股票并持有一年。
对比另一个平行世界：耐克只是维持了原有供应商关系（中性消息，成本结构不变）。
问：哪个世界里你未来一年的预期收益率更高？
这条"旧闻"同时改变了投资的两面：
- 投资者收益端（investor benefits）：公司未来盈利和分红流变高了——这是消息最直白、最显眼的含义；
- 投资者成本端（investor costs）：消息公开四周，市场早已反应，股价理应已上涨——你今天要花更贵的价格去买这份现金流。
三大理论流派对此给出截然不同的预测：
| 心理模型 | 核心逻辑 | 对"过期好消息"的预测 |
|---|---|---|
| 市场有效（Fama 1970） | 价格已充分反映公开信息，收益只补偿风险；收益端与成本端同步移动、相互抵消 | 两场景预期收益相同（除非风险暴露变化） |
| 暂时错误定价 | 市场对消息反应不足（动量，Jegadeesh & Titman 1993）或反应过度（反转，De Bondt & Thaler 1985） | 好消息后收益更高（反应不足）或更低（反应过度） |
| 预期盈利推理 EER（本文命名） | 只注意收益端：公司更赚钱 → 股票更赚钱；对成本端（价格上涨）保持沉默 | 好消息 → 预期收益更高 |
注意第三种模型不是任何学术理论，而是一种由选择性注意驱动的朴素推理：消息里最"显眼"的部分（盈利变化）被直接映射到收益预期上，而价格调整这个间接后果被忽略了。直觉地说，EER 使用者把"这只股票的投资什么时候能成功“悄悄替换成了”这家公司什么时候能成功"。
1.3 为什么要研究：已有的"预期异象"缺一块机理拼图
过去二十年，预期调查数据揭示了一堆稳健的"异象"：家庭收益预期是顺周期的（经济好时预期更高，与风险定价逻辑相反；Amromin & Sharpe 2014; Giglio et al. 2021a），是外推式的（过去涨就预期未来涨；Vissing-Jorgensen 2003; Greenwood & Shleifer 2014）；散户会交易过期新闻（Tetlock 2011）、过度交易（Odean 1999）；很多人觉得炒股要花大量时间研究公司、因而干脆不参与股市（Duraj et al. 2025）。这些现象各自被记录，但它们背后是不是同一个认知过程？没有人直接打开"推理过程"这个黑箱。这篇论文要做的，就是把黑箱打开，并验证：一个简单的心理模型（EER）能否同时解释这些散落的现象。
二、论文定位和关联工作
论文处在四条研究脉络的交汇点，它首次把这些脉络"焊接"在一起。
2.1 脉络一：金融预期度量（看到数值，看不到推理）
- Greenwood & Shleifer (2014, RFS)(链接)：汇总六套投资者预期调查，发现预期与过去收益强烈正相关、与理性定价模型的"期望收益"负相关——确立了"外推"事实。
- Giglio et al. (2021a, AER) 五个事实、Adam & Nagel (2023) 手册章节：把预期数据纳入资产定价框架，明确指出需要理解预期形成的微观机制。
- 本论文区别：不只问数值，而是用开放式文本直接采集推理过程，把"预期"与"得出预期的模型"分开度量。
2.2 脉络二：主观模型 / 叙事经济学（问"怎么想"，但不在股市）
- Andre, Pizzinelli, Roth & Wohlfart (2022, REStud)(链接)：本文同一作者团队的前作，度量公众对宏观经济的"主观模型"（人们对通胀、失业如何联动的信念），发现公众模型系统性偏离专家模型，且与注意力基础相关。本文是把这套方法论从宏观搬到股市的直接后续。
- Stantcheva (2021, QJE 税收；2023 贸易)：用开放式问题研究公众对税收、贸易的推理。
- Bastianello, Décaire & Guenzel (2025)(链接)：分析约 210 万份卖方报告文本，度量股票分析师的心理模型，发现选择性注意塑造其预测与收益可预测性——与本文互为印证，但对象是专业分析师而非全景人群。
- Chinco, Hartzmark & Sussman (2022, JF)：只有极少数投资者在决策中考虑资产与消费增长的相关性——股市版"注意不到某维度"的早期证据。
2.3 脉络三：注意力、显著性与记忆（提供理论解释框架）
- Bordalo, Gennaioli & Shleifer 的显著性理论（2012, QJE 选择风险；2022 年综述）：注意被环境中最"突出"的特征吸引，进而扭曲选择。
- Bordalo, Gennaioli, Lanzani & Shleifer (2026b, QJE)(链接)：推理与选择的认知理论——注意由问题的分类/表征决定。这是本文机制实验直接检验的理论。
- Enke (2020, QJE) “What You See Is All There Is”(链接)：人们难以从"系统性缺席的信息"中学习——与"价格反应是间接、不可见的"这一设定呼应。
- Wachter & Kahana (2024, QJE) 检索情境理论、Jiang et al. (2025, QJE) 投资者记忆：记忆的选择性检索塑造信念——本文的"历史价格记忆"实验直接呼应。
- Schwartzstein (2014) 选择性注意与学习、Gabaix (2019) 稀疏注意：理论基础设施。
2.4 脉络四：均衡推演失败（间接后果被人脑跳过）
人们难以处理"间接的、经过市场中介的后果"：Dal Bó, Dal Bó & Eyster (2018) 选民低估均衡效应；Niederle & Vespa (2023) 年度综述(链接)总结"条件思维失败"；Eyster, Rabin & Vayanos (2019, JF) 与 Bastianello & Fontanier (2025, REStud)(链接)研究交易者忽视价格信息含量的理论。本文的"过期新闻"场景中，价格反应正是那个需要多走一步推演的间接后果。
2.5 定位总结
| 维度 | 之前的工作 | 本文的突破 |
|---|---|---|
| 度量对象 | 预期数值（调查、IBES） | 预期背后的推理文本（开放式问题+编码） |
| 人群覆盖 | 单一群体（散户或分析师） | 七类人群全覆盖：普通公众→散户→顾问→基金经理→学术专家，同题对比 |
| 机制检验 | 相关性证据 | 阶梯式机制实验：从"能否推断价格"到"价格信息"再到"改变表述格式"层层定位瓶颈 |
| 异象整合 | 各自独立记录 | 用 EER 统一解释外推、顺周期、旧闻交易、参与成本等系列异象 |
三、问题定义
3.1 从具体场景到抽象结构
剥掉"耐克、供应商、四周前"这些具体外衣，论文研究的问题可以抽象为：
当一个结果变量（投资收益）由两个方向相反的分量（未来现金流 ↑ 与当前买入价格 ↑）共同决定时，决策者的主观模型会纳入哪个分量？问题呈现的格式如何决定这个选择？
形式化一点：真实预期收益 $R = f(\text{收益端 } B, \text{成本端 } C)$。有效市场世界里 $\Delta B = \Delta C$，故 $\Delta R = 0$。而当事人主观模型中的注意力权重 $\theta$ 分配在 $B$ 与 $C$ 上：EER 即 $\theta \to 1$（全部注意给 $B$）。论文的核心科学问题是：$\theta$ 由什么决定？ 答案候选：能力缺陷（推不出价格反应）、信息缺失（不知道价格变了）、模型信念（相信错误定价/风险补偿）、还是问题表征触发的选择性注意（价格的成本含义不显著）。
3.2 这个抽象为何精妙
- 同信息集、异模型：所有受访者看到完全相同的两个场景，信息集被实验控制住了。因此任何预测差异只能来自心理模型差异，而非信息差异——这是一个把"信念内容"与"推理模型"识别开的干净设计。
- 成本端是"可推断但不显眼"的：价格反应没写在基准场景里，但任何人都能从"好消息+公开+受关注"推出来。这就把"不知道"与"没注意"区分开来，为后续机制实验留好了刀口。
- 三类模型预测可分离：有效市场说"相同"，错误定价说"更高或更低（但要引用反应不足/过度）"，EER 说"更高（且只字不提价格）"。预测 + 解释文本两个维度联合即可识别模型归属——单看预测数值无法区分 EER 与反应不足型错误定价，单看文本则可。
一个类比：这就像医生看化验单。指标 A（盈利）升高和指标 B（价格）升高同时出现，A 直接写着"好"，B 的含义取决于你把它读成"成本"还是"市场投票"。EER 就是只看 A、并且把 B 也读成"好"的读法。
四、问题解法：量身定制的调查 + 阶梯式机制实验
4.1 度量装置：成对场景 + 方向预测 + 开放式解释
论文的"标准模块"分三步：
- 成对场景：受访者读两个平行世界——中性消息 vs 好（或坏）消息，明确强调消息是四周前的公开消息且受市场关注（多次重复、理解测试把关）。用真实公司（耐克；德国样本因合规用虚构公司名）和新闻体行文，让抽象问题变得具体可感。
- 方向预测：想象今天投 1,000 美元、持有一年，哪个场景预期收益更高（更高/差不多/更低）。用方向而非数值，保证低金融素养群体也能作答。
- 开放式解释：下一页用自己的话解释预测。这是全文的灵魂——不给选项、不提任何机制，让受访者"想到什么说什么"，由此可无引导地观察其心理模型。
配套一套编码方案（人工双编码+第三人仲裁，一致性 71%；后期实验用 GPT-5.2 少样本编码并与人工校验对齐）把文本分入七类：市场有效类（效率/不确定性/风险因子暴露）、错误定价类（反应过度/不足，含"逢跌买入"等民间表述）、EER 类（只提预期盈利/情绪与前景）。关键规则：只要提到有效或错误定价，优先归入前两类——保守编码，宁漏勿错，保证"EER 占比"是下界估计。
4.2 七类人群：从厨房到学术圣殿
| 样本 | n | 渠道 | 关键特征 |
|---|---|---|---|
| 美国普通公众 | 2,434 | Dynata（2023.6–7） | 对齐美国人口结构；58% 持股 |
| 德国普通公众 | 3,852 | 德国央行 BOP-HHH 面板（2023.6） | 可与真实面板预期数据匹配 |
| 美国散户 | 408 | Prolific（2023.8） | 金融资产中位数 22.5 万美元，47% 投股票 |
| 德国散户 | 299 | 某大型网络银行（2023.11–12） | 金融财富中位数 13.75 万欧元 |
| 美国理财顾问 | 406 | CloudResearch（2023.6） | 中位服务 22 位客户，10 年经验 |
| 德国基金经理 | 105 | 两家数千亿欧元级资管（2023.11–2024.3） | 平均从业 16.2 年，市场级影响力 |
| 学术专家 | 116 | 定向邀请（2023.6） | 2015–19 在顶刊发表 JEL-G 论文的经济学家；平均博毕 18.6 年，h 指数均值 20.98 |
注意这个设计的珍贵之处：同一道题、同一套编码，从完全不懂金融的普通家庭做到顶刊经济学家——“专家基准"不是假设而是实测。
4.3 机制实验阶梯：逐步拧亮"成本端"的灯
论文用一组环环相扣的实验定位 EER 的根源，逻辑像 climb 一架梯子：
| 阶梯 | 实验 | 检验什么 | 关键结果 |
|---|---|---|---|
| 0 | 规则排除替代解释 | EER 是不是敷衍/隐含错误定价/隐含风险逻辑？ | 强制思考 2 分钟、给 5 英镑对齐专家答案、明示"无错误定价”、“无风险差异”——均无影响 |
| 1 | 能否推断价格反应（n=1,183） | 家庭缺的是推断能力吗？ | 88% 能答出"其他交易者更想买、股价已涨"——能力不缺；但被问过之后预测依然不变（“知其 pieces 不合其 together”） |
| 2 | 提供价格信息（n=1,032） | 缺的是信息吗？ | 场景直接写出股价 $62.50 → $71.40（+14%）：顺应新闻的预测仅降 12pp（仍有 70%）；谈论价格的人从 7% 涨到 60%，但其中多数把高价当价值信号（+35pp）而非成本（仅+15pp） |
| 3 | 改变表述格式，凸显"价格=成本"（n=977） | 缺的是把价格表征为成本吗？ | 两种框架：①"同样 1,000 美元，场景 2 只买到 14 股而非 16 股"；②"同样买 16 股，场景 2 要多付 142 美元"。不提供任何新经济信息，仅改表述：顺应新闻预测分别再降 21pp / 12pp，“股价=成本"式推理分别提升 32pp / 16pp；条件①下顺应新闻的预测跌至 49%——全数据最低 |
| 4 | 熟悉度与记忆 | 表征之外，什么让人自发想到成本视角？ | ①让受访者先摘写历史上"坏消息→股价崩→低买入成本→高后续收益"的真实案例，1–2 天后（换界面、换大学署名完全混淆关联）再做标准耐克实验：反向预测与"价格=成本"推理显著增加（n=3,009）；②讲授套利原理（盈利如何经由套利进入价格）：同样增加成本视角与"无差异"预测（n=947），1–3 天后复测仍稳健 |
第 3 层是全文的"钥匙实验”：它证明瓶颈既不是信息也不是推理能力，而是问题格式对注意力的分配——常规投资问题以"投资固定金额"呈现，股数变化被藏起来，成本含义不可见；一旦把"买到的股份变少/付的钱变多"摆上台面，人们立刻换用另一种表征。
4.4 下游证据：EER 走出实验室
作者再用五组附加数据验证 EER 的现实后果：激励相容的真实投资实验（旧好消息→多投钱；削弱 EER 后效应消失）；散户解释自己真实计划交易的动机（高频引用盈利前景，点名苹果/亚马逊/特斯拉）；信息需求实验（要"业务前景"远多于要波动率、beta、估值、近期收益）；感知参与成本（觉得炒股要花大量时间盯消息，削弱 EER 后感知成本下降）；以及把标准模块嵌入央行面板，验证 EER 者的顺周期与外推式预期显著更强。
五、评估指标与实验证据
5.1 指标体系
| 指标 | 定义 | 衡量什么 |
|---|---|---|
| 顺应新闻预测占比（主指标） | 预测"好消息→收益更高/坏消息→更低"的受访者比例 | 心理模型的行为输出端 |
| EER 编码占比（主指标） | 开放式解释被编码为预期盈利推理的比例 | 心理模型的内容本身 |
| 特征提及占比 | 解释中提及"盈利收益端 / 价格=成本 / 价格=价值信号"的比例（可多码） | 注意力分配在哪个特征上 |
| 定量收益差 | 两场景 12 个月预期收益之差（百分点） | 偏差的经济量级 |
| 分类率 / 编码一致性 | 可编码文本比例 / 双编码一致率（71%） | 度量装置的信度 |
5.2 核心数据
预测端（Result 1）：学术专家 67%（好消息条件）/76%（坏消息条件）预测"两场景收益相同"；而顺应新闻的预测占比——美国散户 75%/81%、德国散户 74%/75%、理财顾问 63%/75%、美国公众 65%/76%、德国公众 59%/54%、基金经理 58%/45%。美国散户平均预期旧好消息带来 +3.7 个百分点、旧坏消息 -7.3 个百分点的年收益差；且这种外推持续到未来 2–4 年。稳健性覆盖 8 组替代场景（亚马逊扩张/退出、诺华专利败诉、Biontech 抗癌药、油价/利率上行、财政支出、太阳能突破）以及真实新闻+激励预测的组间复制。
推理端（Result 2）：专家中 77% 的解释属于市场有效/风险定价，仅 9% 是纯盈利推理；美国公众 52% 是 EER（有效/错误定价几乎绝迹）、美国散户 69%、德国散户 57%、顾问 64%；基金经理三分天下：33% 有效、19% 错误定价、35% EER。三个引人注目的细节：①解释文本与预测高度联动，且样本间预测差异可被模型差异解释；②金融素养越高反而略更倾向 EER——素养量表测不到"模型正确性"；③专家的收益预期只与其风险预期联动，公众的收益预期只与其盈利预期联动——与文本编码互相印证。
机制端（Result 3）：见 4.3 阶梯表。最关键的对照是：仅加价格信息 −12pp vs 加价格信息+成本表述 −21~33pp（合计），而"价格=价值信号"式推理同步下降 14pp。
5.3 为什么这套设计"证明力"足够强
- 排除法逐层收紧：Result 2 之后，“低投入”（强制 2 分钟思考+奖金激励无变化）、“隐含错误定价”（三种明示无错误定价的干预无变化）、“隐含风险逻辑”（明示两场景风险相同无变化）被逐一实验排除——EER 不是更精细模型的粗糙表达。
- 保守编码保护主结论：编码优先级让 EER 成为下界；若把"提及盈利但未成体系"的回答也计入，占比只会更高。
- 信息量对照证明"格式 ≠ 信息"：阶梯 3 的两个处理组与阶梯 2 基线组拥有完全相同的经济信息（都给了价格），唯一差异是表述格式——21pp/12pp 的预测变化只能归因于表征变化。这是"格式改变推理"最干净的因果证据。
- 需求效应被正面处理：作者引用 de Quidt, Haushofer & Roth (2018) 指出可比场景中需求效应通常很小；场景同时凸显多个特征，受访者难以猜中假设；记忆实验用换界面、换署名、隔天测量的方式混淆关联；套利实验 1–3 天后复测稳健。
- 专家基准是实测而非假设：116 位金融经济学家提供了"学术模型在野"的真实参照系，避免作者自己裁定哪种模型"正确"。作者也在脚注中明示立场：近期实证（Freyberger et al. 2020; Gu, Kelly & Xiu 2020; Fink 2021; Martineau 2022）显示本文考虑的期限内盈利消息对大盘流动性股票收益无预测力、PEAD 已消失——即"专家答案更接近历史收益可预测性事实"，但论文对三种模型孰对孰错保持中立。
六、效果优势的根源解释
本文的"效果"不是跑赢 baseline 的准确率，而是解释力与干预力：它对"为什么人们这样推理"给出了可操纵、可复现的机制解释，并且干预实验直接改变了推理。根源解释分两层：为什么 EER 如此普遍？为什么"成本表述"干预如此有效？
6.1 根源机制与证据链
因果链 A：为什么 EER 普遍
- 盈利消息对"收益端"的直接改变是可解析的（easy to parse）——“降成本 20% → 更赚钱"一步到位，且情感效价明确为"好”【论文实验支持：基准条件 96% 的解释提及收益端】；
- “成本端”（价格反应）是间接的、经市场中介的推论，不在场景文本中显式出现【论文实验支持：仅 7% 自发提及价格】；
- 常规投资问题的呈现格式（“投固定金额”）进一步隐藏成本——股数变化不可见【论文实验支持：把股数/成本写明后成本视角+32pp】；
- 即使价格信息可见，价格存在双重表征（成本 vs 价值信号），而"高价=好股票"的读法与盈利消息同向、更易被采纳【论文实验支持：价格信息条件下"价值信号"解读+35pp，远超"成本"解读+15pp】；
- 因此默认表征下，注意权重 θ→收益端，EER 成为缺省模型。
因果链 B：为什么"成本表述"干预有效
表述格式（“同样的钱，更少的股份”/“同样的股份，更多的钱”）把价格的成本语义唯一化，消除了"价值信号"这一竞争性表征的歧义——它没有添加信息，而是改变了特征被解析的默认方式。被试随后并非变得"更聪明地整合两面"，而是注意的锚点从收益端换到了成本端：只提成本不提收益者转为反向预测，两面都提者转为"无差异"预测【论文实验支持：Online Appendix Table B.8 的切换分析】。这一点很重要——干预改变的是选择性注意的方向，而非产生了全面均衡的推理；EER 与"成本单一注意"是同一枚硬币的两面。
6.2 外部检索交叉验证
| 外部研究 | 与本文的关系 | 对根源解释的作用 |
|---|---|---|
| Bordalo et al. (2026b, QJE) 认知理论(链接)：注意由问题分类/表征决定 | 本文是其直接实验检验：表征变→注意变→预测变 | 支持：理论预测与阶梯实验逐点吻合 |
| Bastianello, Décaire & Guenzel (2025) 分析师心理模型(链接)：210 万份报告显示分析师同样存在选择性注意 | 不同人群（专业分析师）、不同数据（自然文本），一致结论 | 支持+补充：EER 类注意模式在生态数据中独立复现 |
| Enke (2020, QJE) WYSIATI(链接)：难以利用"缺席的信息" | 价格反应在基准场景中正是"缺席信息" | 支持：解释了为何 7% 才会自发提价格 |
| Niederle & Vespa (2023) 条件思维失败综述(链接)、Esponda, Vespa & Yuksel (2024, AER) | “多走一步的间接后果被跳过"是跨领域规律 | 支持：把股市版本纳入更大的认知规律 |
| Shue, Townsend & Wang (2024) 利率分类思维、Greenwood & Hanson (2015, QJE) 船价 | 直接效应显著、间接价格效应被忽视的平行证据 | 支持：同一机制在宏观预期与行业周期中再现 |
| Wachter & Kahana (2024, QJE) 检索情境理论(链接)、Jiang et al. (2025, QJE) | 记忆实验（历史价格案例→隔天推理改变）的理论根据 | 支持：熟悉度/记忆库改变表征可得性 |
| Tetlock (2011, RFS) 旧闻交易(链接) | 本文为其实验室对应物：EER 提供旧闻交易的认知基础 | 互补：本文给机制，Tetlock 给市场后果 |
| Bordalo et al. (2019, JF) 诊断性预期(链接) | 竞争性解释：过度反应源于代表性启发（对新闻"过度加权”）而非注意缺失 | 限定：两者可并存；但诊断性预期无法解释"明示无错误定价后预测不变"与"格式干预 21pp 效应"，本文数据更利于选择性注意机制 |
| Slovic et al. (2007) 情感启发式、Schwarz (2012) feelings-as-information | 情感通道的替代解释 | 部分限定：本文"无经济含义的情感操纵"实验（社会代价框架，-4pp，p=.195）排除了全局情感通道，但"经由经济变量本身的效价"的情感通道仍无法与注意机制完全分离——作者如实承认 |
6.3 综合判断与未决问题
得到多项研究共同支持的机制：问题表征/格式决定特征注意（本文阶梯 3 + Bordalo 2026b + Enke 2020 + Shue et al. 2024 + Bastianello et al. 2025）；间接/均衡效应被系统性忽视（本文 + Niederle-Vespa + Eyster et al. 2019）；记忆与熟悉度改变可得表征（本文两个实验 + Wachter-Kahana + Jiang et al. 2025）。
仍属推测或部分开放的：①注意机制与"经由经济变量效价的情感机制"在本文设计内不可完全分离（作者自认）；②干预把注意从收益端切换到成本端，而非产生两面整合的推理——如何稳定地诱导"整合式"表征是未解问题；③EER 在真实市场中的聚合后果（动量、反转、交易量）本文只提供间接推断，无市场级因果证据；④专家模型"更正确"依赖于所考察期限与股票类型（脚注 1 的文献限定），本文刻意保持中立。
七、必要知识反推
假设让一个聪明但零背景的人重做这项研究，他最少需要掌握什么？
7.1 领域知识层（金融学与经济学）
- 资产定价基础：有效市场假说、风险溢价与 beta、收益的现金流/贴现率分解——没有这些就无法构造"能把三种模型区分开"的场景，也无法读懂专家的"beta 未变"式回答。
- 错误定价理论谱系：动量（反应不足）与长期反转（反应过度）——需要知道错误定价不是一种而是一族，才能设计"排除隐含错误定价"的干预。
- 家庭金融事实库：顺周期、外推、旧闻交易、参与成本等已记录异象——这是"用 EER 统一解释"的靶子，不知道靶子就没有第六节的整合贡献。
7.2 方法论知识层
- 调查实验设计：假设性成对场景的信息集控制、理解测试、方向化提问的取舍、组间随机；预注册与伦理规范（AEA 注册号在文中可查）。
- 开放式文本度量：无引导提问的原理、编码方案设计（互斥/优先级/保守原则）、双编码+仲裁的信度评估（71% 一致率的行业对标）、以及LLM 少样本编码与人工校验的对齐验证——2023 年人工编码与 2026 年 GPT-5.2 编码的混用本身是方法论上的一次谨慎升级。
- 实验推断工具：需求效应的测量与边界（de Quidt et al. 2018）、混淆关联设计（换界面/换署名/隔天测量）、处理效应的百分点与置信区间报告。
7.3 工程与资源层
- 样本获取基础设施：Dynata/Prolific/CloudResearch 的配额与代表性、央行面板（BOP-HHH）的嵌入合作、资管公司与网络银行的机构通道、顶刊经济学家名单的定向邀请——七类人群的"最后一公里"各不相同。
- 面板数据匹配：把实验模块接入驻留式面板，才能做"EER 预测真实世界顺周期/外推预期"的个体级联结。
7.4 知识融合的关键节点
- 节点一（场景发明）：资产定价知识 × 实验设计 → “过期新闻"场景。前者提供三类模型的分离逻辑，后者提供信息集控制——单独哪个都造不出这个识别装置。
- 节点二（瓶颈定位）：开放文本编码 × 阶梯干预 → “能推断价格≠会自发使用价格≠会表征为成本"的三段式拆解。没有文本编码，干预效果只会被读成"预测变了”；有了文本编码，才能看到是特征提及结构在变。
- 节点三（理论嫁接）：注意力/记忆理论（Bordalo 2026b、Wachter-Kahana）× 实验结果 → 把散落的干预效应组织成"表征决定注意"的统一叙事，并反过来为理论提供野外证据。
八、论文中可以提取的通用性灵感
灵感一：同一信号的双重表征决定它的作用方向——格式不是中性的。 价格既可以被读作"成本”（抬高门槛）也可以被读作"价值信号"（市场投票），两种读法对同一决策给出相反预测；哪种读法胜出由问题呈现格式决定（+14% 的价格信息下，“价值"读法+35pp 碾压"成本"读法+15pp；写出股数后力量反转）。 推广场景：① LLM Agent 设计——同一个检索结果，prompt 把它框成"约束"还是"线索"会改变下游推理方向；② 产品/政策披露——“费率上涨 0.3%“与"每万元多付 30 元"对用户行为的改变不同；③ 可解释 AI——特征重要性呈现的排序与措辞选择本质上是表征设计。
灵感二：知识的存在 ≠ 知识的使用；“能推断"与"会用"之间隔着注意力。 88% 的受访者被问及时能正确推断"股价应已上涨”，但这一 realização 对预测和解释零影响——直到格式改变。提供信息（RAG、上下文注入、教育灌输）若不改变信息的表征方式与显著性，等于没提供。 推广场景：① Agent 上下文工程——把关键约束写进上下文不等于模型会遵守，需要结构化凸显（如放在指令位、复述、设为硬约束）；② 教育——知道公式与在陌生题型中识别公式适用条件是两种能力；③ 安全合规——规则在手册里与规则在操作界面的关键位置，效果天差地别。
灵感三：分歧的根源可以是模型而非信息——同信息集下的异质推理。 实验控制了完全相同的信息集，七类人群的预测仍剧烈分化；甚至基金经理内部也三分天下。度量"给了什么信息"不足以预测行为，必须度量"用的是什么模型”。 推广场景：① 多 Agent 系统——给所有 Agent 相同上下文，其分歧仍可能巨大且稳定，应显式管理模型多样性而非只管理信息；② 组织决策——专家与一线的冲突常被归因于信息不对称，实则可能是表征框架不同；③ LLM 评测——同题不同表面格式（ framing ）下模型表现差异应作为稳健性维度被系统评测。
灵感四：给记忆库植入"正确的案例”，能隔天改变推理——且被植入者并不知情。 让受访者摘写"坏消息→暴跌→低买成本→高后续收益"的历史案例，一到两天后（完全混淆关联）其在无关任务中的推理与预测显著转向成本视角。 推广场景：① Agent 记忆系统（RAG/Memory）设计——长期记忆的内容配比本身是一种干预，写入什么案例就是在塑造未来的推理方向；② 培训与教育——案例教学法有效的机制基础；③ 内容平台的推荐——喂给用户的历史叙事会塑造其后续判断框架，这是责任问题。
灵感五：“素养"量表测不到"模型”—— sophistication 与正确性是两个维度。 金融素养越高的人反而略更倾向 EER；基金經理中也有 35% 纯 EER。掌握术语与操作知识（如何买、什么是分红）不等于掌握系统的因果结构（价格为什么已经包含好消息）。 推广场景：① LLM 评测—— benchmark 分数（素养）与真实任务中的推理结构（模型）应分开度量，高分模型可能用错误理由得出正确答案；② 专业认证——考试通过率不保证因果理解；③ 人机协作——不要因为用户/模型"听起来专业"就假设其模型正确。
灵感六：要改变推理，先找到"逃出注意"的那个变量，再消歧它的语义。 本文干预成功的两步式配方：诊断哪个必要变量不可见（成本端）→ 消除它的表征歧义（“更少股份/更多付款”），而非增加信息量或延长思考时间（两者都被证明无效）。 推广场景：① Agent 自我改进——错误常源于"某变量从未进入注意力”，修复应重排输入表征而非堆叠更多输入；② 谈判与沟通——把对方的隐性成本（时间、风险、机会）翻译成对方格式中可见的量；③ 交互设计——默认值与单位显示是被低估的决策杠杆。
本文所有数据、引文与实验细节均出自论文正文及所引文献；复制材料见 OSF 仓库，数据与代码见 Harvard Dataverse。