Trading Gamification and Investor Behavior
Notice bibliographique
Résumé
We study the effect of gamification on retail traders’ behavior using a randomized online experiment. Participants with lower financial literacy prefer platforms with hedonic gamification elements, such as confetti and achievement badges. On average, hedonic gamification increases trading volume by 5.17%. However, the difference in trading activity between gamified and nongamified platforms is driven primarily by self-selection (70%) rather than gamification (30%). Participants who prefer hedonic gamification exhibit noisy trading strategies, whereas those favoring nongamified platforms display stronger contrarian behavior. Further, price trend notifications enhance learning for investors with accurate beliefs, but they reinforce trading mistakes for those with incorrect beliefs. This paper was accepted by Jean-Edouard Colliard, Special Issue on the Human-Algorithm Connection. Funding: P. Chapkovski acknowledges funding from the Deutsche Forschungsgemeinschaft [Germany’s Excellence Strategy—EXC 2126/1-390838866]. M. Khapko and M. Zoican acknowledge the Social Sciences and Humanities Research Council of Canada [Insight Development Grant 430-2018-00125] and the Canadian Securities Institute Research Foundation [research grant]. M. Zoican acknowledges financial support from the Quantitative Management Research Initiative (QMI) under the aegis of the Fondation du Risque, a joint initiative by Université Paris-Dauphine, l’École Nationale de la Statistique et de l’Administration ParisTech, and LFIS, France. Supplemental Material: The online appendix and data files are available at https://doi.org/10.1287/mnsc.2022.02650 .
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».