Atenția limitată poate face ca evenimentele rare să pară mai frecvente în timp
Un model teoretic sugerează că evenimentele memorabile, atât pozitive, cât și negative, pot avea o greutate excesivă în formarea percepțiilor, determinând oamenii să supraestimeze evenimentele rare, chiar și atunci când noi dovezi se acumulează.
Recent, o cercetare publicată în revista Review of Finance a dezvoltat un model teoretic care arată cum atenția limitată poate distorsiona ceea ce oamenii învață din experiență.
Acest model sugerează că evenimentele neobișnuit de pozitive sau negative pot primi o greutate mentală disproporționată. Drept urmare, rezultatele rare pot apărea mai probabile decât sunt în realitate, chiar și după ce o persoană a observat o cantitate mare de informații noi.
Oamenii își formează adesea așteptările bazându-se pe experiențele anterioare. Cu toate acestea, cercetările comportamentale sugerează că evenimentele vii, neobișnuite sau emoționante sunt mai ușor de reținut decât cele obișnuite.
De exemplu, o prăbușire de pe piață poate avea o influență mai mare asupra așteptărilor viitoare decât multe zile de tranzacționare fără evenimente semnificative. În mod similar, un câștig financiar brusc poate încuraja o viziune prea optimistă asupra rezultatelor viitoare.
Modelele economice tradiționale presupun în general că oamenii acordă o greutate adecvată tuturor informațiilor disponibile. Noul cadru analizează în schimb ce se întâmplă atunci când atenția este inegală și extremele recente ies în evidență mai mult decât experiențele de rutină.
Cercetătorii au considerat un agent model care observă o secvență continuă de rezultate și își formează treptat convingeri despre probabilitatea diferitelor rezultate. Fiecare nou rezultat este comparat cu o fereastră mobilă de observații recente.
Modelul clasifică rezultatul în cadrul acelei grupări și îi atribuie o greutate a atenției în funcție de rangul său.
În exemplele principale ale autorilor, cele mai mari și cele mai mici rezultate primesc o greutate mai mare decât observațiile din mijloc. Cadrele mai ample pot reprezenta și persoanele care ignoră extremele, se concentrează în principal asupra rezultatelor tipice sau acordă mai multă atenție experiențelor pozitive decât celor negative.
Acești cercetători au derivat apoi expresii matematice care arată ce convingeri va forma agentul în cele din urmă și cât de repede aceste convingeri se vor apropia de modelul lor pe termen lung.
Un exemplu numeric a folosit o fereastră de 10 observații și o secvență de 1.000 de rezultate. Cea mai mare observație a primit cea mai mare greutate, cea mai mică a primit a doua cea mai mare greutate, iar celelalte observații au primit greutăți egale, dar mai mici.
În cadrul învățării cu greutate egală, convingerile ar trebui să convergeze către distribuția adevărată pe măsură ce mai multe dovezi se acumulează. În noul model, acest lucru nu se întâmplă neapărat.
Atunci când rezultatele remarcabile primesc constant o atenție suplimentară, agentul învață în cele din urmă o versiune distorsionată a distribuției de bază. Astfel, biasul persistă chiar și cu un număr extrem de mare de observații.
Când atât rezultatele neobișnuit de mari, cât și cele neobișnuit de mici sunt accentuate, modelul produce o distorsiune în formă de S inversat. Aceasta face ca evenimentele din extremele distribuției să pară mai probabile și conferă o greutate mai mică rezultatelor moderate.
Un model opus apare atunci când agentul se concentrează în principal pe observații reprezentative sau din mijloc. În acest caz, extremele sunt subevaluate, iar distorsiunea rezultată are o formă de S.
Modelul poate genera, de asemenea, convingeri optimiste sau pesimiste. Acordarea mai multă atenție rezultatelor mari mută rezultatele percepute în sus, în timp ce accentuarea rezultatelor mici le mută în jos.
Cercetătorii au analizat și modul în care numărul de observații recente utilizate pentru comparație afectează învățarea.
Cu o fereastră scurtă, rangurile sunt relativ zgomotoase. O observație în general obișnuită poate părea neobișnuit de mare sau mică pur și simplu pentru că este comparată cu doar câteva observații recente.
Cu o fereastră mai lungă, rangul unei observații reflectă mai îndeaproape poziția sa în distribuția adevărată. În cadrul modelului analizat în lucrare, acest lucru a dus la distorsiuni de probabilitate mai pronunțate.
Estimările au devenit mai precise pe măsură ce numărul total de observații a crescut. Cu toate acestea, învățarea a rămas mai puțin precisă în părțile distribuției unde schimbările mici în probabilitățile obiective au produs schimbări mari în probabilitățile percepute.
Modelul ajută, de asemenea, la explicarea motivului pentru care oamenii pot reacționa exagerat la unele informații, dar subestimează alte informații.
O observație nouă, extrem de neobișnuită, are o greutate mai mare decât ar avea în învățarea convențională, generând o schimbare mai puternică a convingerilor. O observație mai obișnuită primește o greutate mai mică și produce o reacție mai slabă.
Aceasta înseamnă că același proces de învățare poate genera o reacție exagerată la evenimentele vii și o subreacție la dovezile de rutină. Rezultatul este consistent cu cercetările psihologice mai largi care arată că informațiile memorabile pot exercita mai multă influență decât informațiile statistic reprezentative.
Într-o versiune simplificată a modelului, accentuarea rezultatelor neobișnuit de mari a crescut randamentele medii percepute, în timp ce accentuarea rezultatelor neobișnuite de mici le-a redus. Direcția și dimensiunea biasului au depins, de asemenea, de faptul dacă distribuția de bază era pozitiv sau negativ asimetrică.
În anumite condiții, învățarea distorsionată a redus de asemenea diferențele percepute între investițiile cu rapoarte Sharpe mari și cele cu rapoarte Sharpe mici. Acest cadru oferă, prin urmare, o posibilă explicație pentru motivul pentru care investitorii pot urmări randamentele pozitiv asimetrice fără a avea neapărat o preferință înnăscută pentru risc sau asimetrie.
Studiul oferă o explicație matematică despre cum atenția limitată poate duce la erori durabile în judecățile de probabilitate. Atunci când experiențele remarcabile primesc constant mai multă greutate în minte decât cele obișnuite, acumularea de dovezi poate întări credințe distorsionate în loc să le corecteze.
Acest cadru leagă atenția și memoria de mai multe modele comportamentale bine cunoscute, inclusiv supraestimarea evenimentelor rare, menținerea așteptărilor optimiste sau pesimiste și coexistența reacțiilor exagerate și subestimate.
Cu toate acestea, lucrarea este teoretică și nu testează modelul pe participanți umani sau pe investitori reali. Rezultatele sale principale presupun, de asemenea, că observațiile sunt independente și, în general, extrase dintr-o distribuție continuă. Cercetări empirice suplimentare sunt necesare pentru a determina cât de aproape reflectă mecanismul propus învățarea și lu
