A single investor who panic-sells during a downturn loses money. Ten million investors who panic-sell create a crash. The gap between individual-level cognitive biases and market-level consequences is one of the most important—and most difficult—questions in financial economics. Traditional finance assumes these individual errors cancel out in aggregate. Behavioral finance argues they do not.

The Research Landscape

From Individual Bias to Market Anomaly

Dong (2024) provides one of the clearest analyses of how three common behavioral biases—overconfidence, herding, and loss aversion—transmit from individual investor behavior to stock price volatility and corporate governance structures. The key mechanism is correlation: biases do not cancel in aggregate when they are correlated across investors. Overconfidence leads to excessive trading volumes during bull markets; herding amplifies directional movements; loss aversion creates asymmetric reactions to gains and losses. When these biases are triggered simultaneously—as they are during market events—the aggregate effect exceeds the sum of individual effects.

Saltik (2024) integrates meta-analysis into agent-based models to study how biased agent interactions produce market-level outcomes. The modeling approach reveals that the disposition effect (selling winners and holding losers) and anchoring bias create predictable patterns in market microstructure: excess volume around reference prices, asymmetric price reactions to news, and momentum-reversal dynamics that no single investor intends but that all collectively produce.

Sentiment as Aggregate Bias

Sari and Abdullah (2025) investigate the relationship between market volatility and investor behavior on the Indonesian Stock Exchange, measuring sentiment, risk perception, overconfidence, and herding simultaneously. Their quantitative modeling shows that investor sentiment—a market-level variable—is the single strongest predictor of short-term volatility, exceeding fundamental variables like earnings or interest rates. This finding is consistent across emerging markets, where retail investor participation is high and institutional dampening is limited.

Yang (2025) takes a historical approach, analyzing the dot-com bubble, the subprime mortgage crisis, and the meme stock frenzy as case studies of how excessive optimism, positive feedback loops, and information cascades create severe decoupling between corporate fundamentals and market prices. The mechanism is consistent across all three episodes: individual overconfidence feeds into herding, which creates positive feedback that attracts more participants, until the disconnect with fundamentals becomes unsustainable.

The Disposition Effect at Market Scale

Paudel, Thapa, and Ghimire (2026), publishing in Qualitative Research in Financial Markets, provide a phenomenological study of the disposition effect among retail investors in Nepal's emerging stock market. Their qualitative approach reveals something quantitative studies often miss: investors are aware of their bias but feel unable to act against it. The social pressure from peers who are holding (or selling), the emotional pain of realizing a loss, and the confirmation bias from media narratives all reinforce the disposition effect at the collective level.

Rehman, Hussain, and Ali (2025) employ a mixed-methods approach examining overconfidence, anchoring, loss aversion, and herd behavior among stock market investors. Their findings confirm that these biases are not independent—they interact multiplicatively. Overconfident investors are more susceptible to herding, and loss-averse investors anchor more strongly to purchase prices. These interaction effects mean that aggregate market distortions are larger than models assuming independent biases predict.

Critical Analysis: Claims and Evidence

<

Claim	Evidence	Assessment
Individual biases do not cancel in aggregate	Dong (2024): correlation of biases across investors; Saltik (2024): agent-based modeling	Supported — correlated biases amplify rather than cancel
Sentiment drives short-term volatility more than fundamentals	Sari & Abdullah (2025): Indonesian Stock Exchange data	Supported — but effect size varies by market structure
Herding creates positive feedback loops in market crises	Yang (2025): three historical case studies	Supported — mechanism consistent across episodes
The disposition effect persists despite investor awareness	Paudel et al. (2026): phenomenological study	Supported — social and emotional reinforcement overrides awareness
Behavioral biases interact multiplicatively	Rehman et al. (2025): mixed-methods analysis	Supported — interaction effects exceed additive predictions

The Aggregation Problem

The central challenge in behavioral finance is explaining how micro-level biases produce macro-level phenomena. Three aggregation channels are now well-documented:

Correlated trading. When investors share information sources (financial media, social media, analyst recommendations), their biases become correlated. If CNBC induces overconfidence in the same stocks simultaneously, millions of investors buy at the same time—creating price pressure that no individual intended.

Market microstructure amplification. Order book dynamics, stop-loss cascading, and algorithmic trading systems that detect retail flow patterns can amplify bias-driven trading into disproportionate price movements. The "flash crash" phenomenon is partly a story of automated systems amplifying human behavioral patterns.

Institutional response. Professional fund managers face career risk from contrarian positions. Even when they recognize market mispricing driven by behavioral biases, the rational response may be to follow the crowd rather than bet against it—Keynes's "beauty contest" problem remains empirically relevant.

Open Questions and Future Directions

AI and bias amplification: Algorithmic trading systems trained on historical data may encode human biases into automated strategies. Do AI trading systems reduce or amplify behavioral market distortions?

Social media contagion: The meme stock phenomenon (GameStop, AMC) demonstrated that social media can coordinate retail investor behavior at scale. Is this a new aggregation mechanism or a faster version of existing ones?

Cross-cultural variation: Most behavioral finance research uses Western market data. Liao (2025) finds significant differences in risk preferences between individualist and collectivist cultures. Are the aggregation mechanisms culture-dependent?

Debiasing at scale: Financial literacy interventions reduce individual biases modestly. Can market-level debiasing—circuit breakers, cooling-off periods, information disclosure requirements—reduce aggregate distortions?

Measurement: How should aggregate bias be measured? Sentiment indices, trading volume anomalies, and price-fundamental divergence all capture different aspects. A unified measurement framework is needed.

What This Means for Your Research

The evidence now firmly supports the view that individual cognitive biases do not cancel in aggregate—they correlate, interact, and amplify. The research frontier is moving from documenting biases to modeling their aggregation mechanisms and testing interventions. For empirical researchers, the key challenge is identification: separating bias-driven price movements from fundamental-driven ones requires careful research design.

Explore related work through ORAA ResearchBrain.

면책 조항: 이 게시물은 정보 제공을 목적으로 한 연구 동향 개요이다. 학술 연구에서 인용하기 전에 특정 발견, 통계 및 주장을 원본 논문과 대조하여 검증해야 한다.

행동재무학: 개인 투자자의 편향이 시장 수준의 효과로 집계되는 방식

하락장에서 공황 매도를 하는 투자자 한 명은 손실을 입는다. 공황 매도를 하는 투자자 1천만 명은 폭락을 만들어낸다. 개인 수준의 인지적 편향과 시장 수준의 결과 사이의 간극은 금융경제학에서 가장 중요하면서도 가장 다루기 어려운 문제 중 하나이다. 전통적 재무학은 이러한 개인적 오류들이 집계 과정에서 상쇄된다고 가정한다. 행동재무학은 그렇지 않다고 주장한다.

연구 동향

개인적 편향에서 시장 이상현상으로

Dong(2024)은 세 가지 일반적인 행동 편향, 즉 과잉확신(overconfidence), 군집행동(herding), 손실회피(loss aversion)가 개인 투자자의 행동으로부터 주가 변동성과 기업 지배구조에 어떻게 전달되는지에 관한 가장 명확한 분석 중 하나를 제시한다. 핵심 메커니즘은 상관관계이다. 편향들이 투자자들 사이에서 상관되어 있을 때는 집계 과정에서 상쇄되지 않는다. 과잉확신은 강세장에서 과도한 거래량을 유발하고, 군집행동은 방향성 움직임을 증폭시키며, 손실회피는 이익과 손실에 대한 비대칭적 반응을 만들어낸다. 이러한 편향들이 시장 사건 발생 시처럼 동시에 촉발될 때, 집계 효과는 개별 효과의 합을 초과한다.

Saltik(2024)은 편향된 에이전트들의 상호작용이 시장 수준의 결과를 어떻게 만들어내는지 연구하기 위해 메타분석을 에이전트 기반 모형(agent-based models)에 통합한다. 이 모형 접근법은 처분효과(disposition effect)(승자 주식 매도 및 패자 주식 보유)와 닻 내리기 편향(anchoring bias)이 시장 미시구조에 예측 가능한 패턴을 만들어냄을 보여준다. 구체적으로는 기준가격 주변의 초과 거래량, 뉴스에 대한 비대칭적 가격 반응, 그리고 어떤 단일 투자자도 의도하지 않지만 모두가 집합적으로 만들어내는 모멘텀-반전 동학(momentum-reversal dynamics)이 나타난다.

집계된 편향으로서의 투자심리

Sari와 Abdullah(2025)는 인도네시아 증권거래소에서 시장 변동성과 투자자 행동 간의 관계를 조사하면서 투자심리(sentiment), 위험 인식, 과잉확신, 군집행동을 동시에 측정한다. 그들의 계량 모형은 시장 수준 변수인 투자자 심리가 단기 변동성의 단일 최강 예측 변수로서, 이익이나 금리와 같은 기초적 변수들을 초과함을 보여준다. 이 결과는 소매 투자자의 참여율이 높고 기관의 완충 효과가 제한적인 신흥 시장에서 일관되게 나타난다.

Yang(2025)은 역사적 접근 방식을 취하며, 닷컴 버블, 서브프라임 모기지 위기, 밈 주식(meme stock) 광풍을 과도한 낙관주의, 양의 피드백 루프, 정보 폭포(information cascades)가 기업 기초체력과 시장 가격 사이에 심각한 괴리를 만들어내는 방식에 관한 사례 연구로 분석한다. 메커니즘은 세 에피소드 모두에서 일관된다. 개인의 과잉확신이 군집행동으로 이어지고, 이는 더 많은 참여자를 끌어들이는 양의 피드백을 만들어내며, 결국 기초체력과의 괴리가 지속 불가능한 수준에 이를 때까지 계속된다.

시장 규모에서의 처분효과

Qualitative Research in Financial Markets에 게재된 Paudel, Thapa, Ghimire(2026)는 네팔 신흥 주식시장의 소매 투자자들을 대상으로 처분효과에 관한 현상학적 연구를 제시한다. 그들의 질적 접근 방식은 계량적 연구들이 종종 놓치는 점을 드러낸다. 즉, 투자자들은 자신의 편향을 인식하지만 그것에 반하여 행동할 수 없다고 느낀다는 것이다. 보유 중이거나 매도 중인 동료들로부터의 사회적 압력, 손실을 실현하는 것에 따른 정서적 고통, 미디어 내러티브로부터의 확증 편향(confirmation bias)은 모두 집합적 수준에서 처분효과를 강화한다.

비판적 분석: 주장과 증거

<

주장	증거	평가
개별 편향은 집합적으로 상쇄되지 않는다	Dong (2024): 투자자 간 편향의 상관관계; Saltik (2024): 에이전트 기반 모델링	지지됨 — 상관된 편향은 상쇄되는 것이 아니라 증폭된다
감정(sentiment)은 펀더멘털보다 단기 변동성을 더 크게 주도한다	Sari & Abdullah (2025): 인도네시아 증권거래소 데이터	지지됨 — 단, 효과 크기는 시장 구조에 따라 다르다
군집행동(herding)은 시장 위기에서 양의 피드백 루프를 생성한다	Yang (2025): 세 가지 역사적 사례 연구	지지됨 — 메커니즘이 각 사례에 걸쳐 일관되게 나타난다
처분효과(disposition effect)는 투자자의 인식에도 불구하고 지속된다	Paudel et al. (2026): 현상학적 연구	지지됨 — 사회적·감정적 강화가 인식을 압도한다
행동 편향은 승법적으로 상호작용한다	Rehman et al. (2025): 혼합 방법 분석	지지됨 — 상호작용 효과가 가산적 예측을 초과한다

Rehman, Hussain, and Ali (2025)는 주식시장 투자자들의 과잉확신(overconfidence), 닻내리기(anchoring), 손실 회피(loss aversion), 군집행동(herd behavior)을 혼합 방법론으로 검토한다. 이들의 연구 결과는 이러한 편향들이 독립적이지 않으며 승법적으로 상호작용한다는 것을 확인한다. 과잉확신 투자자는 군집행동에 더 취약하고, 손실 회피 투자자는 매수 가격에 더 강하게 닻을 내린다. 이러한 상호작용 효과는 독립적 편향을 가정하는 모델이 예측하는 것보다 집합적 시장 왜곡이 더 크다는 것을 의미한다.

집합화 문제

행동재무학의 핵심 과제는 미시적 수준의 편향이 어떻게 거시적 현상을 만들어내는지를 설명하는 것이다. 현재 세 가지 집합화 경로가 잘 문서화되어 있다.

상관된 거래. 투자자들이 동일한 정보 출처(금융 미디어, 소셜 미디어, 애널리스트 추천)를 공유할 때, 그들의 편향은 상관관계를 갖게 된다. CNBC가 동시에 동일한 주식들에 대한 과잉확신을 유발한다면, 수백만 명의 투자자가 동시에 매수하게 되어 어떤 개인도 의도하지 않은 가격 압력이 형성된다.

시장 미시구조 증폭. 호가창 역학, 손절매 연쇄반응, 그리고 소매 투자자 흐름 패턴을 감지하는 알고리즘 거래 시스템은 편향에 의한 거래를 불균형적인 가격 변동으로 증폭시킬 수 있다. "플래시 크래시(flash crash)" 현상은 부분적으로 자동화 시스템이 인간의 행동 패턴을 증폭시킨 사례이다.

기관의 대응. 전문 펀드 매니저들은 반대 포지션을 취할 경우 커리어 위험에 직면한다. 행동 편향에 의해 시장 가격이 잘못 형성되었음을 인식하더라도, 합리적인 대응은 이에 반하여 베팅하기보다 군중을 따르는 것일 수 있다 — Keynes의 "미인 대회(beauty contest)" 문제는 경험적으로 여전히 유효하다.

열린 질문과 향후 연구 방향

AI와 편향 증폭: 역사적 데이터로 훈련된 알고리즘 거래 시스템은 인간의 편향을 자동화 전략에 내재화할 수 있다. AI 거래 시스템은 행동적 시장 왜곡을 감소시키는가, 아니면 증폭시키는가?

소셜 미디어 전염: 밈 주식(meme stock) 현상(GameStop, AMC)은 소셜 미디어가 소매 투자자 행동을 대규모로 조율할 수 있음을 보여주었다. 이것이 새로운 집합화 메커니즘인가, 아니면 기존 메커니즘의 가속화된 형태인가?

문화 간 변이: 행동재무학 연구의 대부분은 서구 시장 데이터를 활용한다. Liao (2025)는 개인주의 문화와 집단주의 문화 사이에서 위험 선호도에 유의미한 차이가 있음을 발견한다. 집합화 메커니즘은 문화에 따라 달라지는가?

대규모 편향 제거: 금융 리터러시 개입은 개인 편향을 소폭 감소시킨다. 서킷 브레이커, 냉각 기간, 정보 공시 요건과 같은 시장 수준의 편향 제거 방법이 집합적 왜곡을 줄일 수 있는가?

측정: 집합적 편향을 어떻게 측정해야 하는가? 감정(sentiment) 지수, 거래량 이상 현상, 그리고 가격-펀더멘털 괴리는 각각 서로 다른 측면을 포착한다. 통합된 측정 프레임워크가 필요하다.

연구에 대한 시사점

현재의 증거는 개별 인지 편향들이 총합에서 상쇄되지 않는다는 견해를 확고히 지지한다—이 편향들은 서로 상관관계를 가지며, 상호작용하고, 증폭된다. 연구의 최전선은 편향을 기록하는 것에서 그 집합 메커니즘을 모델링하고 개입 방법을 검증하는 방향으로 이동하고 있다. 실증 연구자들에게 핵심 과제는 식별(identification)이다. 즉, 편향에 의한 가격 움직임과 펀더멘털에 의한 가격 움직임을 분리하는 데에는 신중한 연구 설계가 요구된다.

관련 연구는 ORAA ResearchBrain을 통해 탐색할 수 있다.