损失规避 | 学习笔记

简介: 快速学习损失规避。

开发者学堂课程【高校精品课-湖南大学 -市场营销:损失规避】学习笔记,与课程紧密联系,让用户快速学习知识。

课程地址:https://developer.aliyun.com/learning/course/4/detail/16005


损失规避


内容介绍

一、损失规避


一、损失规避

大家想象一下一个这样的场景,有一天大家在路上捡到了一百块钱,你可能非常的高兴,因为这个是天降之才,顺手就把它放在了你的口袋里,过了几天,当你伸手向外衣口袋的时候发现捡到的一百块钱不见了,大家想一想当天你捡到一百块钱的高兴和后来发现一百块钱丢失不见的那种懊恼和愤怒程度一样的吗?其实大多数同学在考率这个问题的时候反馈的想法,你会发现通常丢失那100块钱的痛苦要远远大于得到那100块钱的高兴,所以心理学家经过长期的研究,发现一个类似的普遍现象,他们把这种行为和现象称为规避,也就是相同的一样东西人们失去它所经历的痛苦要大于得到它带来的快乐。

对于损失规避的研究,这要提到两位学者,一位是美国普林斯顿大学的心理学家丹尼尔.卡尼曼教授,还有一位是斯坦福大学的心理学家阿莫斯.特维斯基,他们是比较早的研究这一现象并且把它命名为损失规避,2002年的时候,卡尼曼教授因为损失规避这个理论的研究,获得了诺贝尔经济学奖,遗憾的是,特维斯基教授在1996年去世,所以并没能分享这个,所以什么是损失规避?其实在很大的时候你会发现,当选择表达侧重于收益的时候,人们会倾向于减少风险,选择尽可能稳妥的受益方式,而当选择的表达侧重于损失的时候,人们的冒险倾向就会增加。

图片.png

我们可以看一下这样的场景,情景1,你刚刚得到了100元钱,现在,你要在下面两者之中选择一个。

A.得到50元。

B.有50%的可能性得到100元,也有50%的可能性什么都得不到。你会选择哪一个?

可能很多同学选择都是 A 得到50元

那我们再换一个场景,情景1,你刚刚得到了100元钱,现在,你要在下面两者之中选择一个。

A. 得到50元。

B. 有50%的可能性得到100元,也有50%的可能性什么都得不到。

这个时候面对这个场景,你的选择会是什么呢?

这个时候选 B 的同学可能会更多,

这个会比较有意思,你会发现第二种情景下面的话,B 看起来好像更有吸引力,实际上,这个实验,我们在很多场景下都做过,你会发现,在第一种场景下有80%多的人选择了 A,就是肯定的得到50元,而情景二的话有69%的人选择了 B,可能你已经占到了大多数的这个安全里面,因为大家的选择可能和你也一样,但是如果我们仔细的来比较一下情景1和情景2,你有什么发现吗?

其实如果你把情景1和情景2联系起来考虑的话,其实它们是一样的,比如说在这个情景当中,当你选择 A 方案的时候,你的结果,最终都是得到50元,都是50%的可能性得到100元,50%的可能性得到200元,也就是说,如果你充分里理性的话,这两种情景不管他的表达如何,你应该选择的方案是一致的,但确实在大数情况况下,人们就会选不同的这个方案,这就是我们讲的这个损失规避效应的这样的一个体现。

损失规避可以用于解释我们生活中一些比较有趣的现象,比如说禀赋效应,人们一般安于现状现,或者说是这个语义效应,这里禀赋效应,我们将会在后面的这个内容当中讲到,所以我们就不重点讲,我们这里这对于安于现状和语义效应这两个举一些简单的例子,

我们来看一下这样的场景,损失规避解释安于现状,设想,你是一位很认真的投资者,你叔叔去世后留给了你一笔现金。现在有4种投资方案供你选择,而你只能选择其一。你会怎么选?

1.A 公司股票。预测有50%的可能它会在未来一年内上涨30%。20%的可能一年后股票价格基本持平,还有30%的可能性在这一年当中下跌20%。

2.B 公司的股票。风险就更大一些。有40%的可能在一年内股价翻倍,

30%的可能股价持平,还有30%的可能股价会下跌40%。

3.国库券。固定的9%的利率。

4.地方政府债券,利率6%,免税。

问你会在这四种投资方案中如何选择?对于这四个方案的选择,会每个人因为他有不同的风险偏好和对风险的承受能力肯定有不同的选择,不管你怎么选都可以说是你个人的理性行为,所以在做随机的统计当中你会发现有32%的人可能选择了 A 股票,18%的人选择了 B 股票,18%的人选择了国库券,还有32%的人选择了地方政府债券,这个不重要。那么波士顿大学的保罗撒谬尔森教授和哈佛大学的理查德.德克豪泽教授,设计这样的一个研究,他们的发现在于什么?

把这个选择换一种方式,再找另外一批人来进行测试,就会发现,这个差异比较大,当然在找第二批人进行测试的时候,他们做了一个微小的变化,比如说你叔叔,理想中有一部分是市政债券,还有剩下的现金,当然两者折换成现金的这个数额是一样的。

那么同样面对这四种选择,大家想一想结果可能会是什么样的?那么经过这个细微的调整以后,撒谬尔森教授和德克豪泽教授发现这个结果与第一次调查是完全不一样的,他们发现有47%的人会选择投资市政债券,明显的高于第一种情况下面的32%,大家想想,如果大家是理性的话,其实你觉得这个市政债券没有投资价值的话,你就应该把它变卖掉一些换成现金,然后去投资于你觉得更有这个价值的一些投资方式,但是实际的结果是怎么样?

因为这个情景的变化人们安于现状不太愿意去动已有的市政债券,所以这样的话会使得市政债券投资率会增大不少,这是我们讲的损失规避如何去解释安于现状;

还有一个叫做语义效应,大家都听说过朝三暮四这个成语的由来,朝三暮四实际上最开始讲的是一个故事,出自庄子.齐物论,有一个人非常喜欢猴子于是就养了非常多的猴,每天他还会特别喂每只猴吃8颗枣子,一般是早上4颗晚上4颗,结果因为后来猴子越来越多枣子不够分,所以这个人就跟猴子们商量。

他说现在可能没有办法给你们吃8颗枣了,那我能不能够早上给你们吃3颗,晚上给你们吃4颗?结果猴子们听了以后就非常生气,于是他又和提,要比早上吃4颗,晚上吃3颗,这个时候猴子就非常高兴,非常听话,所以你就会发现选择的表达方式可以直接影响到选择的结果,这是我们所熟悉的朝三暮四的故事,当然人们今天会用朝三暮四来形容一个人变化无常,缺乏诚信这样一种状态,也就是我们讲的语义表达的不同将会影响到人们的选择;当然还有一个非常有趣的故事,比如说有一个年轻人,他就问主教,主教我们祈祷的时候能不能抽烟啊,主教就非常的生气,严肃的摇了摇头,说祷告是如此严肃且重要的事情,祷告的时候必须心无杂念、专心致志,当然不能允许吸烟,过了几天,这个年轻人有问主教,主教请你告诉我我们吸烟的时候可不可以祷告啊,没想到这个时候主教的回答却是当然可以啊,因为我们可以在任何时候祷告啊,这也是我们所讲到的语义所起到的作用。

图片.png

在实际当中我们可能有一些这样的营销的应用,但大家没有留意到,因为我们很多时候可能没有去关注到语义表达的不同,比如说有一个700块钱的打印机,假设商家告诉你了打印机的价格是700块,如果你需要送货上门的话你就必须还要支付50元,那这个时候大多数人觉得这50元没有必要出,宁愿自己搬运回家也不愿出这50元,但是如果这个商家学过人们的损失规避这样一个非理性的话,那他就会跟你说这个打印机的价格是750元,而且他可以免费送货上门,如果你觉得不需要送货上门的话他可以退给你50元,这个时候一部分人会觉得没有什么损失,有一部分人可能高高兴兴的支付了750元让商家送货上门,那即使是他让商家退50元的话,其实商家的利益也没有得到任何的损失,这个时候就是语义效应在脑中起到的作用。

当然我们还可以举一个营销方面的例子,叫做与其涨价不如瘦身,比如说你到家附近的超市去买牛奶时发现牛奶在促销,然后你就多买了一些,过了一段时间后你发现恢复原价了,这个时候你会觉得这个牛奶不太划算,于是就不会买这个品牌的牛奶了。

这说明了一个什么道理呢,其实就是消费者对涨价的敏感性要比对降价促销的敏感性大得多,所以在涨价期间内消费者减少的购买量会远远超过同等幅度的促销和带来的购买量的增加,所以对于商家来说,价格可能永远是一种饮鸩止渴的方法,因为你把价格降下去再想恢复过来,消费者往往不答应,对他的影响会更大,所以你去观察市场上的一些包装,其实他们很多时候不是通过降价的方式,而是通过瘦身的方式,所以你看食品包装很少有500g 的包装,往往是450g 或者375g,他们就是在一次一次变相的瘦身,实际上也就是在你不经意的时候同样涨价了,这就是损失规避的效应及在营销当中可能的一些应用,当然我们消费者掌握了这个的话也能更加理性的做出选择。

图片.png

相关文章
|
7月前
|
机器学习/深度学习 监控
大模型开发:你如何在保持模型性能的同时减少过拟合的风险?
为应对大模型过拟合,采用正则化(L1/L2/Dropout)、早期停止训练以监控验证集性能,通过数据增强提升模型泛化能力,选择适合问题复杂度的模型,使用集成方法(如Bagging/Boosting)增强稳定性,以及利用预训练模型进行迁移学习。这些策略结合使用能有效降低过拟合风险,提高模型泛化性能。
281 2
|
3月前
|
监控
在有限的数据量下,如何通过正则化技术或dropout来减轻过拟合风险
在有限的数据量下,如何通过正则化技术或dropout来减轻过拟合风险
|
4月前
预训练模型STAR问题之缓解灾难性遗忘的问题如何解决
预训练模型STAR问题之缓解灾难性遗忘的问题如何解决
|
7月前
|
人工智能
小模型性能饱和、表现不佳,根源是因为Softmax?
【5月更文挑战第15天】研究人员发现小型语言模型性能受限于Softmax瓶颈,即隐藏维度与目标上下文概率分布不匹配,导致模型在预测时表现不佳。通过实验,他们证实小于1000个隐藏维度的模型易在训练后期出现退化表示,影响性能。该发现为改进小模型性能提供了新视角,但需要更多后续研究验证。[[240 characters]]
64 1
|
7月前
|
人工智能 监控 安全
大模型安全风险的具体表现
【1月更文挑战第23天】大模型安全风险的具体表现
299 3
大模型安全风险的具体表现
MindOpt优化如何分散化风险并实现收益与风险最优配比问题
资产配置,投资组合是指通过分散投资资金的方式来规避投资过程中的风险。在实际的投资过程中,如何决定投资哪些产品来实现收益最大化和风险最小化是一个关键的问题。
MindOpt优化如何分散化风险并实现收益与风险最优配比问题
|
机器学习/深度学习 安全
5种常用的交叉验证技术,保证评估模型的稳定性
5种常用的交叉验证技术,保证评估模型的稳定性
378 0
5种常用的交叉验证技术,保证评估模型的稳定性
对比不同学习率对模型结果的影响
对比不同学习率对模型结果的影响
1121 0
对比不同学习率对模型结果的影响