Investor Emotions and Cognitive Biases in a Bearish Market Simulation: A Qualitative Study
Notice bibliographique
Résumé
Our paper investigates how emotions and cognitive biases shape small investors’ decisions in a bearish market or are perceived as such. Using semi-structured interviews and a focus group, we analyze the behavior of eight management science students engaged in a three-day trading simulation with virtual portfolios. Our findings show that emotions are active forces influencing judgment. Fear, often escalating into anxiety, was pervasive in response to losses and uncertainty, while frustration and powerlessness frequently led to decision paralysis. Early successes sometimes generated happiness and pride but also resulted in overconfidence and excessive risk-taking. These emotional dynamics contributed to the emergence of cognitive biases such as loss aversion, anchoring, confirmation bias, overconfidence, familiarity bias and herd behavior. Emotions often acted as precursors to biases, which then translated into specific decisions—such as holding losing positions, impulsive “revenge” trades or persisting with unsuitable financial strategies. In some cases, strong emotions bypassed cognitive biases and directly drove behavior. Social comparison through portfolio rankings also moderated responses, offering both comfort and additional pressure. By applying a qualitative perspective—not commonly used in behavioral finance—our study highlights the dynamic chain of emotions → biases → decisions and the role of social context. While limited by sample size and the short simulation period, this research provides empirical insights into how psychological mechanisms shape investment behavior under stress, offering avenues for future quantitative studies.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,004 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».