牛娜

傳統(tǒng)的金融理論經(jīng)典模型解決的就是在一個完全信息市場中投資者的最優(yōu)決策以及最終的市場均衡問題。然而，現(xiàn)實的金融市場是一個不完全信息市場，我們無法直接觀測到資產(chǎn)收益率的分布，因此現(xiàn)實中我們面對的是一個收益率分布未知的不確定市場。

貝葉斯框架

在組合選擇理論上，（Barry 1974）、（Jorion1986）分別從統(tǒng)計角度及經(jīng)濟意義角度出發(fā)研究了貝葉斯方法中先驗分布的選擇問題，但（DeMi.guel，Garlappi et a1.2007）對目前已有的幾種先驗分布設置下的資產(chǎn)配置效率進行了實證檢驗，結果顯示目前任何一種方法得到的樣本外結果能夠顯著優(yōu)于最簡單的1/N策略。（Brennan 1998）假設風險資產(chǎn)價格服從均值未知的幾何布朗運動，得到與傳統(tǒng)完全信息的的符號及大小決定于風險厭惡系數(shù)yo（Xia 2001）則是在（Brennan1998）研究的基礎上進行擴展，引入了消費，并假設資產(chǎn)收益率具有可預測性，但預測方程的斜率未知，同樣根據(jù)貝葉斯方法得到了類似的最優(yōu)資產(chǎn)配置問題的解。（Brennan and Xia 2001）從資產(chǎn)收益的波動出發(fā)，指出在股利增長率不確定情況下，貝葉斯學習將會導致高的資產(chǎn)收益波動。（Pastor and Veronesi 2009）則利用貝葉斯學習來解釋泡沫現(xiàn)象，他們指出人們在面對高新技術未來生產(chǎn)率的不確定性時，理性的決策也可能產(chǎn)生泡沫式的價格變動現(xiàn)象。

極大極小效用理論

在貝葉斯框架下，所有客觀不確定的分布都可以由一個主觀的分布來刻畫，基于此，（Gilboa and Schmeidler 1989）提出了一個新的用于刻畫不確定厭惡投資者的期望效用函數(shù)，并給出了該效用函數(shù)的一系列關于偏好的公理性證明，他們認為，在面對不確定性時，人們并不一定能像貝葉斯框架那樣給出唯一的主觀概率分布，而應該是一個由多種可能分布組成的主觀分布集，反映了投資者面對不確定時的極端保守的心理。投資者最大化他的期望效用，就得到了極大極小期望效用。（Routledge andZin2009）研究了衍生品市場中模型不確定與流動性的關系，得到不確定厭惡的做市商會增加買賣價差從而降低市場流動“生。（ca0，Wang et a1.2005）引入投資者不確定性偏好差異，得到了不確定偏好差異的增加會導致市場參與率的下降，從而解釋了市場有限參與的現(xiàn)象。（Easley and O'Hara 2009）則是引入了信息不對稱的兩類投資者來解釋市場有限參與現(xiàn)象，指出為了規(guī)避不確定，某些信息較少的投資者可能會選擇不參與市場的現(xiàn)象，他們最后針對這種現(xiàn)象提供了一系列政策建議以提高市場的參與率。

本文對不完全信息市場下的金融理論研究進行了一定的梳理，總的來看，兩個框架分別從不同的角度出發(fā)來處理不完全信息，在不確定性存在的情況下，分別在各自的框架下對各種金融“異象”進行理論上的解釋。

目前來看，大部分文獻都只是應用了某一框架對某一金融現(xiàn)象進行了理論上的解釋，我們認為這些研究存在兩方面的改進。首先是一個實證上的改進，從貝葉斯方法上看，雖然理論上可以很好地解釋一些現(xiàn)象，但在實際應用時，主觀先驗分布的選擇至關重要，但目前為止學者們還未提出一個可靠的選擇方法，這也一定程度上限制了貝葉斯方法的實際應用。而從極大極小效用理論來看，在實際應用時，刻畫不確定厭惡的系數(shù)φ也較難確定，這就導致了實際中我們很難區(qū)分風險報酬和不確定性報酬，因此如何在實際中有效地提取不確定性報酬也是該理論的一個重要研究方向。第二個改進是從理論上進行，研究如何將貝葉斯學習和不確定厭惡這兩者結合使用。（Leippold，Trojani et a1.2008）在這方面做了一定的嘗試，他們的模型同時解釋了高收益率、高波動率和低利率三種現(xiàn)象，因此如何對兩種理論的結合使用以更好地同時解釋多種現(xiàn)象也將是本領域的重點研究方向。