代表性偏差（Representativeness Bias） 是投资心理学中的一种常见认知偏差，由行为金融学先驱丹尼尔·卡尼曼（Daniel Kahneman）和阿莫斯·特沃斯基（Amos Tversky）提出。它指人们倾向于根据事物的表面特征或刻板印象（即“代表性”）来判断其属于某类别的概率，而忽视了客观统计信息（如基础概率、样本大小等），导致决策失误。

代表性偏差在投资中的表现

以偏概全
投资者可能因为某公司近期表现优异（如连续几个季度盈利增长），就认为它“代表”了好公司，未来必然成功，却忽略行业竞争、财务健康等基本面因素。过度依赖模式
例如，认为过去股价的上涨模式会重复出现（“趋势延续”），或误将随机波动视为某种规律（如“连涨三天后必跌”），忽视市场的随机性。忽视基础概率
假设某基金经理过去3年业绩排名前10%，投资者可能认为他“代表”了顶尖水平，但忽略大多数基金经理无法持续跑赢市场的统计事实（生存者偏差）。刻板归类
将新兴产业（如AI、区块链）的公司简单归类为“高增长”，盲目投资，而不分析具体企业的盈利能力和估值。

代表性偏差的典型例子

“热手谬误”（Hot Hand Fallacy）：投资者认为近期表现好的股票会持续上涨，实际上短期表现可能与长期无关。“赌徒谬误”（Gambler's Fallacy）：认为连续下跌的股票“迟早反弹”，但市场未必均值回归。IPO炒作：投资者因某公司“像”过去的明星企业（如特斯拉、苹果）而高价认购，忽略其实际差异。

如何避免代表性偏差？

关注基础概率：参考历史统计规律（如90%的初创企业失败），而非个案。理性分析数据：避免仅凭短期趋势或表面特征做决策，需综合财务指标、行业前景等。分散投资：避免过度集中押注“看似优秀”的标的，降低单一判断错误的风险。反思直觉：当发现自己在用“这个故事像…”或“这次不一样…”等理由时，警惕可能是代表性偏差。

与其他偏差的区别

可得性偏差（Availability Bias）：依赖容易想到的案例（如近期新闻）。锚定效应（Anchoring）：过度依赖初始信息（如历史股价）。代表性偏差：则更关注“相似性”或“归类”的直觉。

代表性偏差揭示了人类思维中的“模式寻找”本能，但在复杂市场中，这种本能常导致非理性决策。理解这一点有助于投资者更客观地评估风险与机会。