论文链接：Mental Models of the Stock Market, QJE 2026（SSRN 工作论文版） 数据与代码：Harvard Dataverse；调查材料 OSF 发表时间：2026 年 7 月（QJE 第 141 卷第 4 期，2925–2978 页） 机构：Peter Andre（莱布尼茨金融研究所 SAFE 与法兰克福歌德大学）、Philipp Schirmer（波恩大学）、Johannes Wohlfart（科隆大学，现哥本哈根大学/CEBI）。三位作者均为学术机构，无企业合著；研究获德国 DFG、丹麦国家研究基金会等资助，全部数据采集预注册于 AEA RCT Registry（AEARCTR-0011505）。 领域标签：行为金融 / 认知经济学（JEL: D83, D84, G11, G12, G41, G51, G53）
一、论文背景
1.1 股票回报预期为什么是金融学的中心问题
股票市场的运转围绕一个东西：投资者对未来回报的预期。你觉得一只股票明年会涨，你才买它；我和你的预期不同，才会产生交易。在宏观层面，预期的系统性偏差被用来解释超额波动（价格波动远超基本面变化）和泡沫（价格长期、大幅偏离基本面）等现象。因此"人们的回报预期是怎么形成的"是金融学最核心的实证问题之一。
过去二十年，经济学家做了大量预期调查：直接问投资者"你预期明年股市涨多少？"（如 Greenwood & Shleifer 2014 对各类投资者的调查、Giglio et al. 2021 对 Vanguard 投资者的五事实研究）。这些研究记录了大量"预期异常"，比如：
- 外推性（extrapolation）：过去涨了，人们就预期未来继续涨；
- 顺周期性（procyclicality）：经济繁荣时人们预期回报更高，衰退时更低——这与标准资产定价理论的预测正好相反（理论里好时光里价格高、未来回报应该更低）。
但这类调查数据有个根本局限：它们只记录"预期是什么"，不记录"为什么这样预期"。价格数据和交易数据同样沉默——你看到一个人买了股票，无法知道他脑子里在想什么。
1.2 关键概念：心智模型
这篇论文研究的对象是心智模型（mental models）——人们对"是什么在驱动回报"所持的主观视角。这个词强调两点：
- 主观性：心智模型可以不完整、甚至内部不一致，它描述的是人"怎么理解世界"，而不是世界客观上怎么运转；
- 经济推理性：它区别于纯粹的习惯或拇指规则（不假思索的"跌了就买"），使用心智模型的人是在讲道理，只是道理可能建立在被忽略的信息之上。
一个近期的理论脉络为这个概念提供了基础：Bordalo、Gennaioli、Lanzani 和 Shleifer 在 2026 年 QJE 的《A Cognitive Theory of Reasoning and Choice》提出，人的推理过程是：情境中最显著的特征吸引注意力 → 注意到的特征决定人如何"表征"这个问题 → 表征决定推理和选择。注意是选择性的，“你看到的就是你拥有的全部”（Enke 2020 的"WYSIATI"式论断）。这篇论文可以看作该理论在股票市场的一次大规模经验检验。
1.3 三种候选模型与"陈旧新闻"的鉴别力
要研究心智模型，需要一个能让不同模型"给出不同答案"的场景。论文的选择是陈旧新闻（stale news）：关于公司未来盈利的新闻，发布于四周之前。设想两家公司，一家收到好消息（供应商成本降低 20%，盈利将显著提升），一家没收到任何消息。现在（新闻发布四周后）各投资 1000 美元，未来 12 个月哪家预期回报更高？
这个场景在经济学上有精确的解剖结构。持有股票的回报取决于两个量：
- 投资者收益（investor benefits）：未来能拿到的现金流（分红），由公司盈利决定——盈利消息直接影响这一侧；
- 投资者成本（investor costs）：今天买入必须支付的价格——好消息发布后，市场其他人也想买，价格早已上涨，这一侧也随之变化。
三种心智模型对同一场景给出三种预测：
- 市场效率（efficient markets，Fama 1970）：价格完全反映一切公开信息。好消息的收益早被价格上涨抵消，“你多赚的每一分红都被你多付的价格吃掉”。只要风险特征不变，两场景预期回报相同。用上面的语言说：benefits 和 costs 同步变动、相互抵消。
- 暂时性错误定价（temporary mispricing）：价格对新闻反应不足（动量效应，Jegadeesh & Titman 1993）或反应过度（长期反转，De Bondt & Thaler 1985），因此旧新闻仍能预测回报方向——可高可低，取决于欠反应还是过反应。
- 预期盈利推理（expected earnings reasoning, EER）——论文命名的新视角：只注意收益侧、完全忽略成本侧，直接把"公司未来更赚钱"等同于"我未来更赚钱"。好消息 = 更高预期回报，简单直接。
“四周"这个时间设计是关键的一步妙棋：任何主流错价模型（动量、反转、盈余公告后漂移）都主要工作在数天到数周的窗口；四周后仍预测旧新闻影响回报，几乎不可能用严肃的错价模型辩护。于是这个场景把"效率"与"非效率"干净地分开，而 EER 的预测又与"反应不足"类错价在方向上相似、在理由上根本不同——为后文用开放文本区分二者埋下伏笔。
1.4 为什么值得研究
如果 EER 真的普遍存在，它可能是理解一系列已知异常的共同认知根源：外推性预期（好消息→涨→预期继续涨）、顺周期性（繁荣=盈利好=预期回报高）、在旧新闻上交易（Tetlock 2011 发现散户会交易数月前的旧新闻）、过度交易、以及"炒股需要天天研究公司"导致的高参与成本感知。此前这些异常各自被单独记录，缺少一个统一的微观机制。
二、论文定位和关联工作
2.1 研究谱系
谱系一：主观预期的测量。 Vissing-Jorgensen (2003)、Greenwood & Shleifer (2014, RFS)、Giglio et al. (2021, AER)、Bordalo et al. (2019, JF 诊断性预期)、Adam & Nagel (2023 综述) 等用调查数据记录了投资者预期的系统偏差。本文的增量：从"预期是什么"推进到"预期背后的推理是什么”——同一预测可以来自完全不同的模型，而推理（而非预测本身）决定新信息到来时预期如何更新。
谱系二：经济学推理的调查研究。 这是作者团队自己的主干道：Andre, Pizzinelli, Roth & Wohlfart (2022, RES《Subjective Models of the Macroeconomy》，被引 500+）研究了公众和专家对宏观经济的subjective模型；Andre et al. (2026, RES《Narratives about the Macroeconomy》）研究人们用来解释宏观现象的"叙事"；方法论上，Haaland, Roth, Stantcheva & Wohlfart (2025, JEL) 系统论证了开放式调查问题的价值；Laudenbach et al. (2026, RFS) 用调查+田野实验连接股市信念与投资选择。本文的位置：把这套"开放文本 + 机制实验"的方法论从宏观经济迁移到股票市场，并首次覆盖从家庭到学术专家的完整光谱。
谱系三：注意力、记忆与信念的理论。 Gabaix (2019 行为不注意)、Schwartzstein (2014 选择性注意与学习)、Enke (2020)、Enke, Schwerter & Zimmermann (2024, JFE 关联记忆与信念)、Bordalo et al. (2026b 认知理论)。本文的角色：为"显著性→注意→表征→推理"链条提供金融市场场景的直接因果证据（而不仅是相关性）。
谱系四：专业人士的心智模型（同期工作）。 Bastianello, Décaire & Guenzel (2025《Mental Models and Financial Forecasts》）用 210 万份股票分析师报告（LLM 辅助编码）发现分析师的心智模型稀疏而刚性、注意力分配塑造估值、对宏观主题反应不足而对公司主题反应过度。与本文互为印证：专业人士的推理同样被注意力塑造。
2.2 定位总结
| 维度 | 之前的研究 | 本文的推进 |
|---|---|---|
| 测量对象 | 回报预期的数值 | 回报预期背后的推理与心智模型 |
| 证据形式 | 封闭式调查问题、选择数据 | 方向预测 + 开放文本 + 系列机制实验 |
| 样本 | 单一或两类投资者群体 | 七类群体（一般人群/散户/顾问/基金经理/学术专家，美+德）跨 26 项数据采集、n>29,000 |
| 机制 | 记录偏差（外推、顺周期） | 因果分解：注意力瓶颈定位在"问题表征"而非"信息可见性" |
| 下游连接 | 各异常分别解释 | 用 EER 统一解释外推、顺周期、旧新闻交易、参与成本感知 |
三、问题定义
3.1 从具体场景到抽象问题
论文表面的研究问题是：“人们如何从陈旧盈利新闻推断未来股票回报？“剥掉金融的外壳，其抽象结构是一个注意力的分配问题：
一条消息同时改变一个比值的分子（股票的未来现金流）和分母（获得这份现金流要付的价格）。分子侧的变化在消息文本中直接、显式地陈述；分母侧的变化不在消息里，需要推理者自行补上"市场其他人也会看到这条消息→需求上升→价格已上涨"这条间接因果链。问题：人们在形成预期时，会自动补全这条间接链吗？如果不补，是因为不能，还是因为不注意？
用数学语言表述：股票期望回报 E[r] ≈ 未来现金流 / 当前价格。新闻使分子上升；均衡逻辑下分母同步上升，比值不变。EER 就是在更新分子时不更新分母——它不是错的计算，而是不完整的表征。
一个贴切的类比：听说隔壁餐馆生意翻倍就立刻去买它的代金券，却没想过代金券早被抢涨价了——“餐馆赚钱"和"我买券划算"之间隔着一个市场价格。
3.2 问题定义的精妙之处
- 鉴别性：三种模型在"旧新闻是否预测回报"上给出可区分的预测（相同 / 可高可低 / 方向一致），一次提问即可分类。
- 保守性：新闻设定为四周前，排除"短期内价格还没来得及调整"的辩护——任何"旧新闻仍有效"的回答都无法用严肃错价模型自洽解释。
- 机制可分解：后续实验可以把"看到价格变化”（信息可见性）与"把价格理解为成本”（问题表征）两个环节分开操纵——这是整篇论文因果链的支点。
四、问题解法
论文的"解法"是一套测量 + 机制实验的流水线，分四层递进。
4.1 第一层：情景化调查模块
每位受访者阅读一对情景（以真实公司 Nike 为主场景）：
- 情景 1（中性）：四周前 Nike 宣布维持现有供应商合作，行业专家毫不意外，成本结构不变；
- 情景 2（好消息）：四周前 Nike 宣布与新的再生聚酯供应商达成战略合作，原料成本降低 20%，行业专家称之为"意外的成功”，市场地位将显著增强（坏消息版本则为供应链严重中断）。
两个关键设计：受访者需通过理解测验（确认知道新闻是四周前的、是公开的、受到了大量关注）；随后回答"今天各投 1000 美元、持有一年，哪个情景预期回报更高（更高/差不多/更低）"，并在下一页用自己的话解释预测理由（开放文本，无任何提示词）。
为什么用假想情景而非真实新闻：完全控制信息集——七类受访者的背景知识天差地别，只有让所有人看到一字不差的情景，其回答差异才能归因于推理而非信息。论文另外用真实新闻 + 激励化预测的独立研究复现了主结果（在线附录 D.1.1），回应外部效度质疑。
4.2 第二层：七类样本
| 样本 | n | 渠道/时间 | 特征 |
|---|---|---|---|
| 美国一般人群 | 2,434 | Dynata，2023.6–7 | 人口学特征接近全美，58% 持股 |
| 德国一般人群 | 3,852 | 德国央行 BOP-HH 面板，2023.6 | 全国代表性面板（用虚构公司名） |
| 美国散户 | 408 | Prolific，2023.8 | 中位数金融资产 22.5 万美元，47% 投股市 |
| 德国散户 | 299 | 德国大型在线银行，2023.11–12 | 中位数金融资产 13.75 万欧元 |
| 美国财务顾问 | 406 | CloudResearch，2023.6 | 中位数服务 22 位客户，平均 10 年经验 |
| 德国基金经理 | 105 | 两家数千亿欧元级资管公司，2023.11–2024.3 | 平均 16.2 年从业经验 |
| 学术专家 | 116 | 定向邀请，2023.6 | 2015–2019 在顶刊发表过 JEL-G 论文的金融经济学家，平均 h 指数 21 |
跨群体使用统一的核心模块，使回答严格可比。
4.3 第三层：文本编码
开放文本如何变成可分析的变量？论文设计了两套编码方案：
模型编码（第 IV 部分用）——每条回答唯一归类：(i) 市场效率；(ii) 不确定性变化；(iii) 风险因子暴露变化（以上属"效率/风险定价"）；(iv) 价格过度反应；(v) 价格反应不足（属"错价"）；(vi) 只谈预期盈利变化；(vii) 只谈交易者情绪/公司前景（属"EER"）；无法归类入残差类。优先级规则：只要提及效率或错价，就压过 EER 编码（宁缺毋滥）。2023–24 年数据由受训人工编码员双人独立编码 + 第三人仲裁（一致率 71%，处于经济学研究常规区间）；2026 年新实验改用 GPT-5.2 few-shot 编码，并与人工编码样本对齐验证——这也是 LLM 辅助社科研究的一个方法学示范。
特征编码（第 V 部分机制实验用）——每条回答可命中多个特征：提及收益侧（现金流/盈利/情绪）；提及价格即成本（更高的价格 = 为同样的股份付更多钱）；提及价格即价值信号（价格高 = 市场认可 = 质量好）；以及其他价格提及。把"价格"拆成两种对立表征，是后文定位机制的关键工具。
4.4 第四层：机制实验群
围绕"为什么家庭普遍采用 EER"，论文布置了一系列随机化实验（对照组均为标准情景）：
- 排除替代解释三连：(a) 强制在预测页停留≥2 分钟 / 给 5 英镑奖励匹配专家多数答案——排除"没认真想"；(b) 明示"价格已完全正确反映未来前景"或"新闻早已被广泛预期"——排除"隐含错价信念"；(c) 明示两情景波动率与下行保护完全相同——排除"隐含风险推理"。
- 信息可见性实验（V.B）：情景文本直接写明"四周来股价上涨 14%，现价 71.40 美元/股"——价格从"可推断"变为"可见"。
- 问题表述实验（V.C）：在含价格信息的基础上——“股数版”：情景 1 付 1000 美元得 16 股，情景 2 付 1000 美元只得 14 股；“成本版”：情景 1 付 1000 美元买 16 股，情景 2 须付 1142 美元买同样的 16 股。两者不提供任何新经济信息，只改变表述。
- 扩展实验（V.D）：风险框架（同一新闻表述为"稳妥的降本"vs"高风险的赌注"）；纯情感操纵（好消息伴随大规模失业的社会代价）；记忆操纵（前一天阅读历史上"坏消息→股价崩→低位买入反而高回报"的真实案例 vs 无价格版本）；套利教学（讲解套利如何把未来盈利定价进当前价格）。
- 下游证据：激励化真实投资任务；散户真实交易计划及其动机；信息需求排序；德国央行面板中 EER 与真实信念异常的关联。
五、评估指标与实验证据
5.1 指标体系
| 指标 | 定义 | 衡量的本质能力 |
|---|---|---|
| 新闻一致预测率（主指标） | 预测"好消息→更高回报（坏消息→更低回报）“的比例 | 是否把旧新闻当作回报的预测器 |
| 模型编码分布（主指标） | 开放文本中效率/错价/EER 的占比 | 预测背后用的是什么推理 |
| 特征提及率 | 提及收益侧 / 价格即成本 / 价格即信号的占比 | 注意力分配到了问题的哪一侧 |
| 定量回报差 | 两情景预期回报之差（百分点） | 偏差的量化幅度 |
5.2 主结果一：预测的群体分裂（Result 1）
| 样本 | 好消息→预测更高回报 | 坏消息→预测更低回报 |
|---|---|---|
| 学术专家 | 17%（67% 预测"差不多”） | 11%（76% 预测"差不多"） |
| 美国一般人群 | 65% | 76% |
| 德国一般人群 | 59% | 54% |
| 美国散户 | 75% | 81% |
| 德国散户 | 74% | 75% |
| 财务顾问 | 63% | 75% |
| 基金经理 | 58% | 45% |
量化幅度：美国散户平均预期好消息后 12 个月回报高 3.7 个百分点、坏消息后低 7.3 个百分点。这种信念还相当持久：预测旧新闻影响 1 年后回报的占 56–65%，2 年后 44–46%，3 年后 30–40%，4 年后仍有 29–40%。结果不限于 Nike：Amazon 扩张/撤出、Novartis 专利败诉、Biontech 抗癌药突破，乃至加息、油价、政府支出等宏观新闻下的整个美股市场，模式一致。
5.3 主结果二：推理的群体分裂（Result 2）
开放文本编码揭示了为什么预测分裂：
| 样本 | 效率/风险定价 | 错价 | EER |
|---|---|---|---|
| 学术专家 | 77% | 6% | 9% |
| 美国一般人群 | ≈0 | ≈0 | 52% |
| 美国散户 | ≈0 | ≈0 | 69% |
| 德国散户 | — | — | 57% |
| 财务顾问 | ≈0 | ≈0 | 64% |
| 基金经理 | 33% | 19% | 35% |
典型回答对比鲜明。学术专家：“对未来利润和分红的影响应该已经反映在当前价格中了。“散户：“换供应商省了钱，意味着更高的利润，也意味着我的投资回报更高。"——注意”them 的利润“与”me 的回报“之间的直接画等号，正是 EER 的指纹。更反直觉的是：金融素养越高（Big 3 测试）的受访者反而越倾向 EER——说明这不是简单的知识匮乏。
三项排除实验全部"无效”：强制思考 2 分钟、给钱、明示无错价、明示无风险差异，都动摇不了 EER。它不是没认真想，不是藏着的错价论，也不是藏着的风险论。
5.4 主结果三：机制定位（Result 3）
机制实验构成一个漂亮的梯度——信息逐步可见、表述逐步改变：
| 条件 | 新闻一致预测 | 提及价格 | 价格即成本 | 价格即价值信号 |
|---|---|---|---|---|
| 基线（价格需自行推断） | ~82% | 7% | — | — |
| + 价格信息（写明涨 14%、现价） | 70%（−12pp） | 60%（+53pp） | +15pp | +35pp |
| + 股数表述（1000 美元得 14 vs 16 股） | 49%（−21pp） | — | +32pp | −14pp |
| + 成本表述（买 16 股多付 142 美元） | 58%（−12pp） | — | +16pp | −10pp |
三个环环相扣的发现：
- 能推断 ≠ 会整合（V.A）：直接问"过去四周其他交易者反应如何/股价怎么变”，88% 答对（更想买/上涨）。但被这样提示过之后，回报预测依然不变——人们知道答案，却不会自发把它拼进回报判断。
- 价格可见 ≠ 价格是成本（V.B）：写明价格后大家开始谈论价格（7%→60%），但多数人把高价格读作"市场认可、质量好"的价值信号（+35pp），而非买入成本（仅 +15pp）——高价格反而进一步强化了好消息。
- 表述改变一切（V.C）：仅仅写出"同样 1000 美元少得 2 股”，新闻一致预测就降到 49%——全数据中最低；“价格即成本"表征暴增 32pp。表述没有提供任何新信息，改变的只是哪个特征被注意到。
扩展实验补充因果图景：高风险框架 −17pp（人们因"盈利可能变差"而非"价格更低才该买"而降低预期，仍是一侧注意）；纯情感操纵（社会代价叙事）几乎无效（−4pp，不显著）——推理不是被情绪牵着走；激活"低位买入高回报"的历史记忆、或讲授套利原理，都显著增加"价格即成本"表征并使预测转向"无差异”。控制了特征编码的变化后，表述条件间预测差异大部分消失——注意力转移中介了框架效应。
5.5 实验设计为何有证明力
- 情景固定信息集 → 群体/条件间差异只能来自推理，不来自信息；
- 开放文本无提示 → 捕获"top of mind"而非迎合式回答；且文本编码与预测行为互相验证（说什么和预测什么高度一致）；
- 排除实验三连 → 关掉"懒惰/错价/风险"三条替代路径；
- V.B 与 V.C 的对照是全文最锋利的一刀：同样的信息，只改表述，效果差出一个数量级——把机制从"信息不可见"改判为"表征未形成"；
- 下游四重证据（激励化投资、真实交易动机、信息需求、央行面板）把实验室现象接到真实世界：EER 越强的家庭，真实预期越顺周期、越外推。
需要说明边界：论文不裁定哪种模型正确——但脚注指出，近年实证（Fink 2021; Martineau 2022; Freyberger et al. 2020; Gu, Kelly & Xiu 2020）显示大市值流动股的盈余后漂移已消失、盈利特征不预测未来回报，即"四周后旧新闻不再预测回报"与现实数据相容。
六、效果优势的根源解释
本文的"优势"不是跑赢 baseline，而是解释力：为什么 EER 普遍、顽固、且连专业人士也难幸免？根源在哪？
6.1 根源机制与证据链
因果链：信息结构的可解析性差异 → 选择性注意 → 单侧问题表征 → EER 及其顽固性 → 群体分裂与信念异常。
- 盈利侧信息天然"易解析"：盈利新闻自带方向、数字和叙事（“成本降 20%““意外的成功”），认知上极易判读为"好/坏”。〔论文实验支持：基线 96% 的解释提及收益侧，仅 7% 提及价格〕
- 成本侧信息在标准问题格式中不可见：投资决策的标准表述是"投入 1000 美元”，股数——价格作为成本的天然载体——不在视野内；“别人也会看到→需求→价格已涨"是一条间接、 contingent 的推理链，心理学证据表明人对间接后果的整合天然困难（Greenwood & Hanson 2015; Eyster 2019 等）。〔论文支持：V.A 中 88% 会在被问时答对价格方向，但自发整合率为零；提示价格方向也不改变预测〕
- “价格=成本"不是默认表征：价格一词有双重语义——成本（付更多）与信号（质量好）。哪个表征被激活取决于哪个更显著。〔论文支持：V.B 中价格可见后，价值信号表征增量（+35pp）两倍于成本表征（+15pp）〕
- 改变表述 = 改变显著特征 = 切换表征：〔论文支持：V.C 中仅列股数即 −21pp、成本表征 +32pp；特征编码变化中介了预测变化；反向亦然——激活成本表征而不提收益者转向反向预测〕
- 什么表征"come to mind"由熟悉度决定：专家与基金经理长年浸泡在"价格已反映信息"的视角里（记忆库与知识结构不同）。〔论文支持：记忆实验与套利教学实验显著改变表征与预测；群体差异（77% vs 52%）与此一致。跨群体差异部分为阅读者推测，但与 V.D 干预证据方向一致〕
- 顽固性解释：EER 不是低努力产物（强制思考无效）、不是隐含错价/风险信念（排除实验无效）——它是表征层的默认值，不施加改变注意力的强干预就不会动。〔论文实验支持〕
6.2 相关工作检索与对照
围绕上述因果链，本次检索（AnySearch，2026-10）找到以下外部证据：
| 研究（可核验链接） | 关系 | 主要发现 | 与本文的差异与边界 | 对根源解释的影响 |
|---|---|---|---|---|
| Bastianello, Décaire & Guenzel (2025) Mental Models and Financial Forecasts | 方法相似 + 结论相近 | 210 万份分析师报告：心智模型稀疏刚性，注意力分配（自上而下+自下而上）共同决定估值；对宏观主题反应不足、公司主题反应过度 | 对象是卖方分析师（专业中的专业），非家庭；用真实报告而非实验 | 支持：专业人群的推理同样由注意力塑造，呼应基金经理 35% EER |
| Enke, Schwerter & Zimmermann (2024) JFE, Associative Memory, Beliefs and Market Interactions | 结论相近 | 记忆线索可预测地扭曲信念与财务决策 | 实验室信念任务，非股市回报推理 | 支持（对应 V.D 记忆实验：向记忆库添加"价格事件"案例即可改变表征） |
| Eyster, Rabin & Vayanos (2019) JF, cursed expectations | 机制相近（理论） | 交易者不完全从价格中提取他人私有信息，产生特定均衡形态 | 理论中忽视的是"价格的信息含量”（别人的知识），本文忽视的是"价格的成本含义”（自己的付出）——同一枚硬币的两面 | 补充：把"价格推理缺失"接到资产定价均衡理论 |
| Greenwood & Shleifer (2014) RFS, Expectations of Returns and Expected Returns | 下游结论相近 | 投资者预期外推、且与未来实现回报负相关 | 观测性调查，无法分解机制 | 支持：本文证明 EER 显著预测外推性（BOP-HH 面板），为其提供微观基础 |
| Giglio, Maggiori, Stroebel & Utkus (2021) AER, Five Facts about Beliefs and Portfolios | 下游结论相近 | 记录顺周期性等五大信念事实 | 同上 | 支持：EER 显著预测顺周期性 |
| Levi, Personal Financial Information Design and Consumer Behavior (SSRN) | 相似尝试（干预） | 随机田野实验：把净资产重述为"终身月现金流"并使对比显著，消费支出下降 15%，效果在干预撤除后持续 8 个月 | 消费/储蓄领域、真实 App 数据 | 支持：表述与显著性设计能因果地改变真实财务行为，可迁移性强 |
| Bordalo, Gennaioli, Lanzani & Shleifer (2026b) QJE, A Cognitive Theory of Reasoning and Choice | 理论预言 | 显著特征吸引注意→决定问题表征→决定选择；注意与表征不稳定、多峰 | 纯理论 | 理论支持：本文相当于其金融市场版的大规模因果检验 |
| Bordalo, Gennaioli & Shleifer (2019) JF, Diagnostic Expectations and Stock Returns | 方法相似、机制不同 | “诊断性预期”：对新闻的代表性扭曲导致过度反应 | 机制在"新闻信号被放大"，本文在"均衡调整被忽略"；两者可叠加 | 限定：外推性预期不能全部归因 EER，存在多条并行通道 |
| de Quidt, Haushofer & Roth (2018) AER, Measuring and Bounding Experimenter Demand | 方法论对照 | 系统测量实验者需求效应，发现通常很小 | — | 限定：V.C 的框架效应理论上有需求效应风险；论文论证场景同时凸显多个特征、假设难以被猜中，且记忆实验做了完全混淆的两波设计 |
6.3 综合判断与未决问题
多研究共同支持的机制：(1) 选择性注意/显著性塑造经济推理（Bordalo et al. 2026b 理论 + 本文 + Bastianello et al. + Levi）；(2) 记忆与熟悉度决定什么进入表征（Enke et al. 2024 + 本文 V.D）；(3) EER 与外推/顺周期异常的实证关联（Greenwood & Shleifer; Giglio et al.; 本文面板证据）。
仍属推测的部分：盈利信息为何"天然显著"（可解析性？情感效价？频度？）——论文用情感操纵实验排除了纯情感通道（社会代价叙事无效），但无法完全排除"通过经济变量本身传递的情感"通道，作者明确承认这是开放问题；跨群体差异归因于"熟悉度"是合理推断，但没有直接的专家纵向训练数据。
适用条件与失效条件：EER 的主导地位依赖标准投资问题的表述格式（固定金额、不显示股数）与成本表征未被激活；当表述被强干预（V.C）、相关记忆被播种（V.D）或套利知识被讲授时，它显著衰减——这意味着"理性"并非不可达，只是不是默认状态。
七、必要知识反推
假设让一个聪明但零背景的人复现这项研究，他最少必须掌握什么？
7.1 领域知识层
- 资产定价基础：回报 = 现金流/价格的结构、风险溢价逻辑、Fama 效率假说、动量与反转（否则无法构造三种模型的鉴别性场景，也无法识别回答属于哪类推理——比如不认识"buying the dip"是错价推理的民间表述，编码就会失真）；
- 预期调查文献：知道外推、顺周期等既录异常（否则"统一解释已知异常"这一核心卖点无从谈起，也无法把 EER 接入 BOP-HH 面板）。
7.2 方法论知识层
- 调查实验设计：情景控制信息集、理解测验防误读、方向性三选一适配低素养人群、假想 vs 激励化的权衡；
- 开放文本测量：编码方案设计（互斥/优先级/宁缺毋滥）、双人编码一致率规范、以及关键的LLM 编码 + 人工验证流程——2026 年的文本数据用 GPT-5.2 编码，是方法论上的时代切换；
- 信息提供实验规范：预注册（AEA RCT）、需求效应的测量与边界（de Quidt et al. 2018）、混淆设计（记忆实验的两波异界面设计）。
7.3 工程知识层
- 样本工程：Dynata/Prolific/CloudResearch 各自适配的人群； Bundesbank 面板的嵌入合作；说服两家巨型资管公司向基金经理发放缩略版问卷（专业人群稀缺样本的获取能力）；
- 机制实验的变量操纵工艺：如何"只改表述不改信息"（V.B vs V.C 的对照设计）。
7.4 知识融合的关键节点
- “四周旧新闻"的发明：资产定价理论（错价模型的时间尺度）× 实验设计（鉴别性刺激）——没有前者，四周只是随意选择；没有后者，理论无落地。
- V.B/V.C 的分离设计：理论敏感度（区分"信息可见性"与"表征形成"两个环节）× 框架操纵工艺——这是全文因果链的支点，也是最容易被平庸执行埋没的一步。
- 文本编码的语义洞察：把"价格"拆成"成本"与"价值信号"两种对立表征——需要同时懂金融语义（价格的双重角色）与编码工程。
- 实验室到现实的桥接：把标准模块嵌入央行既有面板，使"EER → 外推/顺周期"从猜想变为可检验的个体级关联。
八、论文中可以提取的通用性灵感
灵感一：推理瓶颈常在"问题表征”，不在"信息缺失"——改表述比给信息更有效
- 核心思想：给人们完整信息（写明股价已涨）只能小幅改变判断；改变信息呈现方式（“同样 1000 美元少得 2 股”）效果翻倍。当目标人群"知道了却不改变"，别再灌信息，去改框架。
- 论文证据：V.B −12pp vs V.C −21pp；特征编码显示干预作用于"价格即成本"表征的形成。
- 推广场景：① 产品/合同的风险披露（年化费率 vs “30 年多付 XX 万”）；② 健康沟通（“相对风险降 50%” vs “绝对风险从 2%到 1%"）；③ LLM/AI 界面设计——同一模型能力用不同表征呈现（token 成本 vs 任务成本）会改变用户的使用决策；④ 政策沟通（碳税的"成本框架"vs"回赠框架”）；⑤ 代码评审中"指出问题"与"重述问题使其不可忽视"的差别。
灵感二：诊断认知机制要用"鉴别性刺激"——一个输入让不同模型暴露不同答案
- 核心思想：想区分几种内在机制，就设计一个场景，让候选模型在该场景下给出可区分的输出；输出相同则一切测量无意义。
- 论文证据：“四周旧新闻"让效率/错价/EER 三模型分道扬镳；若用"新鲜新闻”，效率与欠反应模型给出同向预测，机制永远测不出来。
- 推广场景：① LLM 评测集设计（同一任务分离记忆与推理、分离格式跟随与真实理解——只靠"答对"无法区分两种能力）；② 用户研究中的分诊问题；③ 软件测试中的边界输入选择；④ A/B 测试中分离"看到"与"理解"的双层漏斗。
灵感三：专家与新手的差别是"熟悉度"，而熟悉度可以教学、可以播种
- 核心思想：专家的优势不在智力或信息，而在于正确的表征是他们的默认状态（长年被"价格已定价"视角浸泡）。一次套利原理讲授、一次记忆库播种就能部分迁移这种默认。
- 论文证据：套利教学实验、记忆操纵实验均显著增加"价格即成本"表征并改变预测；金融素养（Big 3）与 EER 正相关说明通用素养教育不覆盖这个维度。
- 推广场景：① onboarding 与培训设计（教"视角"优于教"事实"）；② Agent/LLM 的 few-shot 示例选择——示例就是在播种"记忆库"，决定模型激活哪种表征；③ 投资者教育（当前教育测的是知识，缺的是表征训练）；④ 安全领域的事故案例复盘（把"别人踩过的表征陷阱"种进团队记忆）。
灵感四：开放文本是心智的窗口，LLM 让这扇窗可以规模化打开
- 核心思想：封闭式选择题只能验证研究者预设的假设；开放式"为什么"才能看到受访者真正的 top of mind。LLM 编码把这种测量从几十条人工编码扩展到数万条。
- 论文证据：开放文本直接揭示 EER 的"them 的利润 = me 的回报"指纹；2026 年实验用 GPT-5.2 few-shot 编码并与人工对齐验证；Bastianello et al. 用同一范式处理 210 万份分析师报告。
- 推广场景：① LLM 自身的错误分析（让模型解释自己的输出，编码其"心智模型"）；② 用户/员工调研的规模化质性分析；③ Agent 行为审计（从自由文本日志反推 agent 的隐式策略）；④ 客服/医疗问诊的质量监控。
灵感五：同一变量有多重语义时，注意落在哪个语义上决定结论方向
- 核心思想：“高价格"既是成本（该少买）也是信号（值得买）——同一个数值，两种表征，两种相反的行为含义。歧义变量的默认表征是可操纵的、也是可教育的。
- 论文证据：价格可见后 +35pp 把价格读作价值信号（强化买入）vs +15pp 读作成本（抑制买入）；两种表征的人群预测方向截然不同。
- 推广场景：① 评估指标设计（高延迟既是成本也是负载信号）；② 房价/通胀等公众预期管理（“已涨的价格"对买家是劝退还是追涨信号？）；③ 模型输出中同一 token 分布的多种解读；④ 合同条款中"违约金"的成本/信号双重角色。
灵感六：把一串孤立异常归因到一个共同根源，是最高杠杆的知识贡献
- 核心思想：外推、顺周期、旧新闻交易、过度交易、高参与成本感知——此前各自为战的异常，被"EER + 选择性注意"一条认知机制串联。统一解释的论文比再记录一个异常的论文影响大得多。
- 论文证据：第 VI 部分用五重下游证据（激励化投资、真实交易动机、信息需求、参与成本、央行面板）把 EER 与各异常逐一挂接。
- 推广场景：① 软件工程中把一组 bug 归结到同一设计缺陷（root cause unification）；② LLM 评测中把一组失败案例归到同一能力短板；③ 组织管理中把一组症状归到同一激励扭曲；④ 科研选题策略——先扫描"已录异常清单”，再找能统一它们的机制。
一句话总结：这篇论文用 29,000 人的证据表明，多数人把"公司会赚钱"直接当作"买它的股票会赚钱”——不是因为看不见价格，而是因为标准的问题呈现方式让"价格是我的成本"这个表征从未形成。注意决定表征，表征决定推理；这一原理远不止于股市。