在人类的进化过程中,两种决策方式起到了重要作用:一种是“不断试错”——通过自身与环境的交互来不断调整策略;另一种是“社交学习”——直接复制当期成功者的做法。两种策略各有利弊,但是一项全球范围的跨文化研究指出,一般情况下,“社交学习”策略的表现要好于自己闷头试错(Rendell et al.,2010)。本文期望回答的核心问题是,这一结论在面对特定决策问题——金融投资决策——时,仍旧成立吗?本文选择了“投资行为”与“资产定价”两个角度分析这一问题。“投资行为”从人的角度,刻画了社交学习如何影响投资者的交易以及交流行为。“资产定价”则从市场的角度,反映了社交学习对于证券的收益率、成交量等特征是否有影响或存在预测作用。然而,要回答这一问题尤为困难,因为相关的研究需要研究者同时掌握“投资者的社交关系”以及“投资者的交易记录”两大数据,而传统的交易所(经纪公司)数据或社交媒体数据则都具有很大局限——交易所数据不包含投资者的好友关系,而社交媒体上的发帖也无法告诉投资者究竟买了什么股票。面对这一难题,本文创新性地使用了“社交投资平台”(Social Trading Platform)来进行研究。作为一种新型投资方式,“社交投资平台”集“社交”与“交易”功能与一身,可以为研究者同时提供以上两类数据。通过本文搭建的大型分布式爬虫,本文抓取了“雪球网”中超过100万个虚拟组合以及近6000个实盘组合的信息,交易记录总计超过5亿条。此外,本文还抓取了“东方财富通股吧”的近100万条发帖用于投资者情绪的构建。本文的主要结论主要分为三部分:首先,本文研究了“社交学习”对于“投资行为”的影响(第五章),并得到了三个结论:(1)社交学习导致投资者倾向于选择相同的股票;(2)社交学习导致投资者的风险水平收敛于其临近节点;(3)社交学习中存在“自我强化偏差”,并且这种偏差导致了投资者整体“宏观”投资风险的上升。这部分研究主要有两大创新。首先,虽然已经有大量金融学文献借用社交网络分析中“度”与“中心性”的概念进行研究,但它们在应用时往往缺乏改进,且没有很好指出这些概念在社交学习中究竟代表了什么。本文创新性地将社交学习划分为“学习强度”与“学习质量”两个维度,并使用改进后的“度”与“中心性”进行衡量,取得了很好的效果(本文第六章的实证同样采用了这一方法)。第五章的第二个创新点在于尝试从微观与宏观两个层面说明社交学习对于风险偏好的影响。本文发现,在微观层面,对于个人而言,社交学习可能增加,也可能减少一个人的风险水平,具体的方向则取决于投资者和其临近节点风险水平的差。但是在宏观层面,当把投资者作为一个整体,本文的实证结果倾向于支持社交学习“总体上增加了投资者风险”的结论。本文接着研究了“社交学习”对“投资收益”的影响(第六章),主要结论有:(1)单纯“复制他人”的策略无助于提高投资者收益;(2)在线社交学习对于投资收益的影响具有异质性。本文发现,就平均而言,单纯的模仿他人并不能有效提高收益,因为模仿很可能导致投资者过度交易,从而遭受损失。但是,对于特定类型的投资者,社交学习也可能会有助于提高收益。具体而言,对于那些缺乏经验的、表现不佳的投资者,本文发现社交学习与其收益正相关,但是对那些收益很高的投资者,在线社交学习的作用就要小很多。本文实证的最后一部分把目光从投资者的行为转向资本定价,研究了“社交学习”对于股票成交量、波动率以及收益率的影响(第七章)。主要结论有:(1)投资者情绪对于证券的收益率具有短期的预测作用;(2)社交学习导致了人们对于高波动股票的偏好。这一结论同Han,Hirshleifer&Walden(2018)的理论相符。第八章为全文结论与政策建议。本文提出,由于社交学习对于投资行为具有重要影响,政府应该尽快给予其明确的法律地位,同时券商、投资者也应采取理性的态度对待。