A Behavioral Approach to Asset Pricing (Academic Press Advanced Finance) 2nd Edition, Kindle Edition

... In earnest, in Part VII, where Chapters 24-25 discuss prospect theory, Chapters 26-27 explore the "SP/A" theory of Lopes (1989), Chapter 29 addresses the disposition effect, and Chapter 30 reflects on the equity-premium puzzle. Perhaps it's semantics, but my impression is that "Behavioral approach to asset pricing" is not so much about irrationality as about heterogeneity. The book does start with irrationality - specifically, the representativeness heuristic - to create a class of agents with non-Bayesian probability judgments (maximizing expected utility in a special N-period Arrow-Debreu world; later on, risk-aversion and rate-of-time-preference differences are explored), but I am not sure that we are interested in such irrationality beyond its ability to produce optimists and pessimists. However novel this contribution is, I suspect that other researchers have explored the subject as well, and more references would help. Known behavioral-finance concepts come up before Part VII - in Chapter 18, for example - but are not integrated into the formal model in the same way. Due to the book's technical/methodological approach, I would not recommend the book to lay readers - this is a book for academics. I cannot competently critique the book to their standard, but the author's standing and the book's breadth definitely make it a must-see.PS. Three side notes:1. Reading Chapters 6-7, which suggest that professional investors are prone to predicting reversals while non-professional ones favor continuation, I notice that the first assertion is based on limited (2 studies) and mixed evidence - contrast "professional investors tend to predict reversals" on page 59 and "professional investors act as trend followers" on page 57.2. Representativeness incorrectly discounts base rates - how do we fathom those in investing context? Taking fixed unconditional empirical probabilities would probably not be quite satisfactory?3. On page 40, why does "equilibrium" mean equal consumption by rational and irrational agents?

I borrowed this book from library and then decided to buy one because it’s useful to my study. The book is well-organised and easy to follow. Most importantly it’s not a boring one to read. The quality is also very good and hence five stars!

The mathematics of economics is so much more formal than the mathematics of physics textbooks - much of it reads like Euclid or set theory, replete with axioms, theorems, and lemmas. You would think that all this formality would produce precision. And yet, compared with physics, economics has so little explanatory or predictive power. Everything looks suspect; questions abound.(E. Derman: My Life as a Quant, S.15).Der Autor will nach eigenen Aussagen den Behavioral Ansatz im Gewand der neoklassischen Mathematik-Modelle prästentieren. Neuer Wein in alten Schläuchen. Er glaubt damit die Neoklassiker von der Sinnhaftigkeit des neuen Ansatzes überzeugen zu können. Als gelernter Statistiker fällt mir dazu nur das obige Zitat von Derman ein.Shefrin gibt zum neoklassischen Elend noch einen Schuss Psychologie dazu. Wobei ich die psychologischen Argumente nicht immer sehr überzeugend finde. Eine zentrale Rolle spielt in seiner Argumentation das Grether-Experiment. Es gibt 2 Regime A und B. A wird mit 1/3, B mit 2/3 Wahrscheinlichkeit ausgewählt. A erzeugt mit 2/3 Wahrscheinlichkeit das Symbol Up, mit 1/3 Down. Bei B sind die Chancen 50:50. Es wird zunächst das Regime ausgewählt und dann 6-Mal ein Up bzw. Down gezogen. Die Versuchspersonen kennen das Model. Sie sollen auf Grund der Anzahl von Ups und Downs angeben ob man in Regime A oder B ist. Bei 4 Ups tippt die überwiegende Mehrheit auf Regime A. Nach Bayes ist aber Regime B wahrscheinlicher. Daraus zieht Shefrin (und die gesamte Behavioral-Richtung) den weitreichenden Schluss: Menschen können Wahrscheinlichkeiten nicht richtig einschätzen. Natürlich kann fast niemand den Satz von Bayes in Kopf berechnen bzw. hat der Grossteil der Menschheit davon noch nicht einmal gehört.Es gibt jedoch ein berühmtes Gegenbeispiel aus der Geburtsstunde der modernen Wahrscheinlichkeitsrechnung.1654 kontaktierte der Spieler Chevalier de Mere den Mathematiker Pascal. de Mere konnte sich nicht erklären, warum es vorteilhaft ist darauf zu wetten, dass bei 4 Versuchen mit einem Würfel mindestens ein 6er auftritt, während die Wette, dass bei 24 Versuchen mit 2 Würfeln mindestens eine Doppelsechs auftritt ein Verlustgeschäft ist. Nachdem die Wahrscheinlichkeit für eine Doppelsechs 1/6 der einfachen Sechs ist, sollten die beiden Wahrscheinlichkeiten gleich sein. Die Berechnungen von Pascal ergaben: Die Wahrscheinlichkeit für die Sechs ist 0.5177, die für die Doppelsechs hingegen 0.4914. Die Lösung dieses "Paradoxons" war ein grosser Schritt für die Mathematik. Für die Spieler war es hingegen nur die Bestättigung eines allgemein bekannten Sachverhaltes. Die Profi Spieler hatten offensichtlich bereits ein sehr feines Gefühl für Wahrscheinlichkeiten bevor es dieses Konzept überhaupt gab. Das menschliche Denken basiert nicht auf Rechnen sondern auf im jahrelangen Training erworbene Mustererkennung. Es besteht kein Zweifel, dass innerhalb relativ kurzer Zeit beim Grether Spiel niemand mehr auf Regime A wetten würde. Wenn Beckham einen Freistoss tritt, macht er zuvor auch keine ballistischen Berechnungen. Maximal überlegt er sich, ob er den Ball in die rechte oder linke Ecke reinhaut. Der Rest ist im jahrelangem Training erworbenes Ballgefühl. Beckham kann auch noch nach 10 Bier einen Freisstoss präziser schiessen als ein humanoider Roboter.Nachdem ein kleiner Teil der Versuchspersonen das Grether Experiment auf Anhieb bestanden hat bastelt Shefrin nun allerlei Modellchen mit 2 Akteuren die unterschiedliche Auffassungen über die Wahrscheinlichkeiten für eine Random-Walk Ökonomie haben. Er kommt dabei zu so epochalen Erkenntnissen: Kombiniert man die Wahrscheinlichkeitsverteilung der beiden Akteure, dann hat diese Verteilung fettere Schwänze wie die Verteilung von 2 rationalen Spielern die die Sachlage einheitlich und richtig einschätzen. Für die Herleitung dieser vollkommen trivialen Aussage benötigt er mehrere Kapitel, er zählt es zu seinen wissenschaftlichen Hauptleistungen. Wahrscheinlich ist man als Ökonom wirklich schon Pseudo-Nobelpreiswürdig, wenn man weiss, dass eine Gaussian-Mixture dickere Schwänze hat als eine einzelne Gauss-Verteilung mit denselben Parametern. Wobei aber Shefrin interessanter Weise nie das Wort "Gaussian-Mixture" verwendet. Er beweisst nur mit viel Aufwand, dass die Schwänze dicker werden und eine bimodale Verteilung entsteht, wenn die Random-Walk Sicht der beiden Akteure weit auseinanderklafft. Ab diesem Punkt habe ich das Buch nicht mehr Ernst genommen. Ich habe es nur mehr durchgeraschelt und all die Pseudomathematik übersprungen. Abgesehen von diesem sinnfreien Tun enthält es zumindest halbwegs interessante Hinweise auf empirische Untersuchungen. Z.B. die Arbeit von Bollen&Whaley über die Struktur und die Auswirkungen von Angebot und Nachfrage auf die Implied Volatility von Put- und Call-Optionen. Das Buch selber verdient maximal 1 Stern, den zweiten gibt es für diese Literaturhinweise.