Educație · 🧠 Psihologia banilor · 14 min citire · Actualizat 19 iun. 2026

Modelarea exponentului de risc și dorință financiară: calibrarea curbei de disutilitate pe portofoliul tău BVB

Ai trecut deja prin prospect theory ca teorie și ai înțeles de ce efectul Dunning-Kruger te face să-ți supraestimezi calibrarea. Acum coborâm sub capotă: modelarea exponentului de risc și dorință finanțară nu mai înseamnă să citezi că „oamenii sunt averși la pierdere de aproximativ 2,25 ori”, ci să deduci numeric, din propriul tău istoric de tranzacții pe BVB, parametrii reali ai curbei tale de disutilitate. Cei trei coeficienți publicați de Kahneman și Tversky în 1992 — α (curbura câștigurilor), β (curbura pierderilor) și λ (coeficientul lambda aversiune pierdere individual) — sunt valori mediane de eșantion, nu valorile tale. Aici trecem de la prospect theory calibrare pe portofoliul personal la geometria reală a curbei disutilității exponențiale proprii: forma exactă a durerii tale financiare, măsurată, nu citată. Specialistul nu împrumută media populației; o calibrează pe portofoliul personal.

În această lecție construim, pas cu pas, parametrizarea funcției de valoare Kahneman-Tversky pe baza tranzacțiilor tale reale, calculăm pragul de durere financiar (threshold dolor financiar) la care decizia ta basculează de la rațional la reflex, și folosim inferența Bayesiană a parametrilor comportamentali din istoricul de tranzacții pentru a obține o estimare cu interval de credibilitate, nu o cifră singulară. Rezultatul nu e academic: este o regulă de dimensionare a poziției care îți spune câți lei poți risca pe TLV, SNP sau H2O înainte ca propria ta curbă a disutilității exponențiale să te scoată din poziție la cel mai prost moment. Folosim predictibilitatea comportamentală prin modelul exponenților neliniari ca instrument de execuție, nu ca metaforă. Lucrăm cu cifre RO 2026: cota de impozit pe câștig BVB, pragul CASS, comisioanele reale ale brokerilor locali.

Funcția de valoare ca obiect calibrabil, nu ca citat

Forma canonică Tversky-Kahneman (1992) a funcției de valoare definite pe rezultate relative la un punct de referință este:

Pentru câștiguri (x ≥ 0): v(x) = x^α
Pentru pierderi (x < 0): v(x) = −λ · (−x)^β

Valorile mediane raportate în studiul original: α = β = 0,88 și λ = 2,25. Problema operațională e că aceste cifre descriu un student la psihologie din anii ’90, nu un investitor român cu 40.000 lei la BVB în 2026 care a trecut prin corecția din 2022 și prin rally-ul ulterior. Trei parametri îți definesc întreaga geometrie decizională:

α (curbura câștigurilor) — cât de repede se saturează plăcerea câștigului. α < 1 înseamnă că al doilea profit de 1.000 lei te bucură mai puțin decât primul. Cu cât α e mai mic, cu atât închizi câștigătoarele mai devreme (disposition effect agravat).
β (curbura pierderilor) — convexitatea durerii. β < 1 înseamnă căutare de risc în zona pierderii: a doua scădere de 1.000 lei te doare mai puțin decât prima, ceea ce te face să „mediezi în jos” pe SNP la −15% sperând revenirea.
λ (lambda) — raportul brut între durerea unei pierderi și plăcerea unui câștig de aceeași magnitudine la referință. λ = 2,25 înseamnă că pierderea a 1.000 lei doare cât plăcerea câștigului a 2.250 lei.

Eroarea de specialist amator e să presupună λ universal. La un trader BVB activ, λ măsurat empiric variază tipic între 1,4 (după o serie de câștiguri — euforie, λ scade) și 3,8 (după un drawdown — λ explodează, devii paralizat). λ nu e o constantă, e o variabilă de stare. Acesta este primul lucru pe care media populației îl ascunde.

Pasul 1 — Extragerea punctului de referință real

Curba disutilității exponențiale e definită relativ la o referință, iar referința nu e prețul curent, ci prețul pe care creierul tău îl tratează ca „break-even”. Pentru fiecare poziție închisă din istoricul tău, reconstituie:

prețul de intrare ajustat (PRU — preț de revenire unitar, ponderat dacă ai cumpărat în tranșe);
maximul atins în timpul deținerii (high-water mark intern — adesea acesta devine noua referință, nu costul);
rezultatul net după costuri reale 2026.

Costurile reale contează în calibrare pentru că ele deplasează pragul psihologic de break-even. Pe un broker local tipic în 2026, comisionul pe acțiuni BVB e de ordinul 0,1–0,3% per tranzacție (unii oferă 0% pe sume mici cu plafon lunar), la care se adaugă impozitarea. Sistemul de reținere la sursă prin intermediarul fiscal român aplică, pentru câștigurile realizate în 2026, 3% pe câștigul net din titluri deținute peste un an și 6% sub un an, reținut și virat de broker — cotele majorate (de la 1%/3%) intrate în vigoare pentru câștigurile obținute începând cu 1 august 2025. Atenție: această reținere prin broker funcționează doar prin intermediarii fiscali rezidenți; la brokerii nerezidenți (fără intermediar fiscal român) declari singur câștigul în Declarația Unică și ți se aplică cota de impozit pe venit de 16% asupra câștigului net anual. Punctul tău de referință psihologic „net” e prețul de intrare plus comision plus impozitul anticipat — aici se ancorează durerea.

Exemplu de reconstrucție a referinței

Cumperi 1.000 acțiuni TLV la 28,00 lei = 28.000 lei, comision 0,2% = 56 lei. PRU brut = 28,056 lei. Vinzi după 8 luni la 31,00 lei = 31.000 lei, comision 62 lei. Câștig brut tranzacțional = 31.000 − 28.000 − 56 − 62 = 2.882 lei. Impozit 6% (sub un an) = 172,92 lei reținut. Câștig net = 2.709,08 lei. Magnitudinea relativă la referință pe care o folosești în funcția de valoare e +2.709,08 lei, nu +3.000. Această precizie schimbă α-ul estimat cu câteva procente — suficient pentru a muta dimensiunea optimă a poziției.

Pasul 2 — Estimarea lui λ din comportamentul de închidere

Cel mai curat estimator al lui λ individual nu vine dintr-un chestionar, ci din asimetria pragurilor la care îți închizi pozițiile. Construiește două distribuții din istoricul tău:

G = mulțimea câștigurilor relative la care ai vândut voluntar (în % față de referință), pentru pozițiile închise pe verde;
L = mulțimea pierderilor relative la care ai vândut voluntar (în %), pentru pozițiile închise pe roșu — excluzând stop-loss-urile automate, care nu reflectă disutilitatea, ci o regulă.

La punctul de indiferență comportamentală, utilitatea marginală a menținerii unei câștigătoare egalează cea a unei pierzătoare. O aproximare robustă a lui λ, pornind de la mediana magnitudinilor la care acționezi, este:

λ̂ ≈ median(|L|)^β / median(G)^α · (sensibilitate la referință)

Intuitiv: dacă îți lași pierderile să crească până la −18% median înainte să acționezi, dar îți închizi câștigurile la +6% median, asimetria 18/6 = 3 semnalează un λ ridicat combinat cu disposition effect. Un trader cu λ ridicat și α mic taie verdele prea devreme și ține roșul prea mult — exact patologia pe care o vrei cuantificată, nu intuită.

Estimare numerică pe un istoric real

Să presupunem 60 de poziții închise voluntar în ultimele 18 luni pe BVB. Median(G) = 7,2%, median(|L|) = 16,8%. Folosind valori de start α = β = 0,85:

median(|L|)^0,85 = 16,8^0,85 ≈ 10,69
median(G)^0,85 = 7,2^0,85 ≈ 5,21
λ̂ brut ≈ 10,69 / 5,21 ≈ 2,05

Dar acest 2,05 e un estimator naiv care confundă λ cu efectul de dispoziție. Pentru a separa cei doi parametri, trecem la estimarea simultană prin maximum likelihood, apoi la varianta Bayesiană.

Pasul 3 — Estimare simultană prin maximum likelihood

Modelăm fiecare decizie de închidere k ca o alegere binară (țin / vând) condiționată de magnitudinea curentă x_k și de utilitatea percepută v(x_k). Probabilitatea de a vinde se modelează logistic peste valoarea funcției:

P(vând | x) = 1 / (1 + e^{−φ · (v(x) − τ)})

unde τ e pragul de durere financiar (threshold dolor financiar) la care basculează decizia și φ e ascuțimea (stochasticitatea — cu cât φ e mai mare, cu atât ești mai determinist). Verosimilitatea totală pe N decizii:

L(α, β, λ, τ, φ) = Π_k P(acțiune_k | x_k; α, β, λ, τ, φ)

Maximizezi log-verosimilitatea numeric (Nelder-Mead sau L-BFGS, în orice mediu de calcul). Pe un istoric de 60–150 tranzacții obții estimări punctuale de tipul: α ≈ 0,79, β ≈ 0,91, λ ≈ 2,4, τ corespunzând unei pierderi de circa −2.100 lei, φ moderat. Două observații de specialist:

β > α la majoritatea investitorilor BVB retail — ceea ce confirmă matematicile căutării de risc în pierdere: convexitatea durerii e mai puțin pronunțată decât saturarea plăcerii, deci „mai aștept o revenire” pare local rațional în propria ta funcție distorsionată.
τ exprimat în lei absoluți, nu în procente, este descoperirea cea mai utilă: majoritatea oamenilor au un prag de durere ancorat într-o sumă (ex. „nu suport să pierd mai mult de 2.000 lei pe o poziție”), indiferent de mărimea poziției. Asta înseamnă că pe o poziție de 40.000 lei pragul tău e −5%, iar pe una de 8.000 lei e −25% — explică de ce te panichezi inconsistent.

Pasul 4 — Inferența Bayesiană a parametrilor comportamentali

Estimarea ML îți dă un punct; cu 80 de tranzacții, acel punct are o incertitudine considerabilă. Inferența Bayesiană a parametrilor comportamentali din istoricul de tranzacții îți dă o distribuție posterioară, ceea ce e exact ce-ți trebuie pentru a dimensiona poziții fără să supra-încrezi în estimarea pe eșantion mic.

Definești priori slab-informativi, ancorați în literatură dar nu rigizi:

α ~ Beta scalată pe (0,3, 1,1), mod în jur de 0,88;
β ~ Beta scalată pe (0,3, 1,1), mod 0,88;
λ ~ LogNormal cu median 2,25, deviație care permite intervalul 1,2–4,0;
τ ~ Normal pe scala leilor, centrat pe drawdown-ul tipic al portofoliului tău.

Posterior ∝ verosimilitate × prior. Rulezi un sampler (Metropolis-Hastings sau NUTS) și obții, de exemplu, un posterior pentru λ cu median 2,4 și interval de credibilitate 94% [1,7 ; 3,4]. Acel interval e aurul. Faptul că λ ar putea fi 3,4 înseamnă că trebuie să-ți dimensionezi pozițiile pentru scenariul în care ești mai fragil decât crezi, nu pentru estimarea medie. Aici inferența Bayesiană bate net regula de buzunar.

Actualizare secvențială — λ ca variabilă de stare

Pentru că λ urcă după drawdown și coboară după serii câștigătoare, modelezi un λ dinamic printr-un filtru de actualizare: după fiecare tranzacție, posteriorul devine prior pentru următoarea, cu un factor de „uitare” (forgetting factor 0,95–0,98) care dă greutate mai mare comportamentului recent. Astfel surprinzi dinamica decizională: λ-ul tău de azi, după trei poziții pierzătoare consecutive pe BVB, e măsurabil mai mare decât λ-ul de acum șase luni. Predictibilitatea comportamentală prin modelul exponenților neliniari devine astfel un semnal cvasi-real-time despre propria fragilitate.

Pasul 5 — De la parametri la dimensiunea poziției

Acum convertim curba calibrată într-o regulă de execuție. Vrei să inițiezi poziții optim-riscate matematicamente, adică poziții la care pierderea maximă tolerabilă înainte de capitulare emoțională rămâne sub pragul τ, cu o marjă de siguranță dictată de incertitudinea posterioară a lui λ.

Regula operațională:

Definește pierderea-de-stres a poziției: D = mărime_poziție × distanță_până_la_stop (în %).
Condiția de tolerabilitate: D ≤ τ / λ_p95, unde λ_p95 e percentila 95 a posteriorului (scenariul fragil), iar τ e pragul tău de durere în lei.
Astfel mărimea maximă a poziției = (τ / λ_p95) / distanța_până_la_stop.

Exemplu integral, cifre RO 2026

Date calibrate: τ = 2.000 lei (pragul tău de durere absolut), λ_p95 = 3,4 (scenariul fragil din posterior), portofoliu total 50.000 lei. Vrei să intri pe TLV cu un stop tehnic la −9% sub intrare.

Bugetul de durere ajustat la fragilitate: τ / λ_p95 = 2.000 / 3,4 ≈ 588 lei — atât poate „simți” poziția ca pierdere înainte ca λ-ul tău de criză să te scoată haotic.
Mărimea maximă a poziției = 588 / 0,09 ≈ 6.533 lei, adică ~13% din portofoliu.
Compară cu un stop mai larg, −15%: mărime = 588 / 0,15 ≈ 3.920 lei. Stop mai larg ⇒ poziție mai mică. Geometria e impusă de curba ta, nu de „ce simți”.

Observă efectul de levier psihologic: dacă ai folosi λ median (2,4) în loc de λ_p95, ai obține un buget de durere de 833 lei și o poziție de ~9.260 lei. Diferența dintre a dimensiona pe median vs. pe percentila fragilă e diferența dintre a rămâne în plan și a capitula. Specialistul dimensionează pe coada distribuției, nu pe medie.

Edge-cases și capcane de calibrare

Contaminarea cu stop-loss automate

Dacă incluzi în mulțimea L pierderile închise de stop-loss automat, vei subestima λ — pentru că stop-ul a acționat înaintea curbei tale emoționale. Filtrează doar deciziile discreționare. Stop-urile sunt regula care suprascrie disutilitatea; tocmai de aceea există.

Lipsa de tranzacții pe roșu (survivorship în propriul istoric)

Mulți investitori BVB nu vând niciodată voluntar în pierdere — țin până la break-even sau capitulează masiv o dată pe an. Atunci L e degenerat și λ devine neidentificabil din închideri. Soluția: folosește oferte respinse — momentele în care ai redus poziția parțial, sau în care ai refuzat să cumperi în plus la o scădere — ca proxy pentru disutilitate revelată. Alternativ, lărgește priorul pe λ și lasă posteriorul larg: e onest să recunoști că nu poți identifica ce nu există în date.

Referință mobilă și efectul high-water mark

Dacă tratezi întotdeauna costul ca referință, vei rata că de fapt referința ta e maximul atins. O poziție +20% care recade la +5% se simte ca o pierdere de 15 puncte, deși ești tot pe verde. Modelează referința ca o medie ponderată între cost și high-water mark (ex. 0,4·cost + 0,6·HWM); calibrarea ponderii face parte din inferență și schimbă materialmente τ.

Impozitarea ca distorsiune a punctului de break-even

Reținerea de 3% (peste un an) vs. 6% (sub un an) creează o discontinuitate reală la pragul de 365 de zile: vânzarea cu o zi înainte de aniversarea poziției costă dublu în impozit. Pentru un câștig brut de 10.000 lei, diferența e 300 lei vs. 600 lei. Această discontinuitate fiscală interacționează cu curba ta: poate fi rațional să ții poziția peste prag chiar dacă disutilitatea spune „vinde”. Integrează costul fiscal marginal în pragul τ efectiv, nu doar comisionul.

CASS — pragul care schimbă mărimea optimă a câștigului

În 2026, câștigurile din investiții intră în baza de calcul a contribuției de asigurări sociale de sănătate (CASS) dacă veniturile extrasalariale cumulate depășesc pragurile raportate la salariul minim brut (în trepte de 6, 12 și 24 de salarii minime). Cu salariul minim brut de 4.050 lei, pragurile efective pentru 2026 sunt aproximativ 24.300 lei (6 salarii), 48.600 lei (12 salarii) și 97.200 lei (24 de salarii); CASS se aplică în cotă de 10% asupra bazei aferente treptei atinse. Acest plafonaj creează un al doilea punct de discontinuitate în utilitatea ta netă: trecerea unui prag CASS poate face ca un câștig marginal suplimentar să-ți reducă utilitatea netă din cauza contribuției declanșate la o bază mai mare. Specialistul tratează aceste praguri ca noduri în funcția de valoare efectivă post-fiscală, nu ca detalii contabile. Verifică pragurile exacte ale anului fiscal curent înainte de a optimiza, pentru că treptele și salariul minim de referință se actualizează anual.

Validarea modelului — nu te crede pe cuvânt

Un model de disutilitate calibrat care nu prezice deciziile tale viitoare e o ficțiune confortabilă. Validează out-of-sample:

Backtest comportamental: estimează parametrii pe primele 70% din tranzacții, prezice deciziile de închidere pe ultimele 30%, măsoară acuratețea (procent de decizii prezise corect peste baseline-ul naiv).
Calibrare de probabilitate: grupează deciziile prezise cu P(vând) ≈ 0,7 și verifică dacă ai vândut efectiv în ~70% din cazuri (reliability diagram). Un model bine calibrat e mai valoros decât unul cu acuratețe mare dar prost calibrat.
Test de stabilitate a lui λ: dacă posteriorul lui λ sare violent între reestimări succesive, ai prea puține date sau o referință greșit specificată — nu un λ instabil.

Pași concreți de implementare

1. Exportă tot istoricul de tranzacții de la broker (CSV): intrări, ieșiri, tranșe, date, prețuri, comisioane.
2. Reconstituie pentru fiecare poziție: PRU ajustat, high-water mark, rezultat net după comision 2026 și impozit 3%/6% (broker rezident).
3. Separă deciziile discreționare de cele automate (stop-loss). Exclude automatele din calibrarea disutilității.
4. Construiește distribuțiile G și L; calculează estimatorul naiv λ̂ pentru un sanity-check.
5. Specifică funcția de valoare (α, β, λ, τ, φ) și maximizează log-verosimilitatea pe modelul logistic de închidere.
6. Trece la inferență Bayesiană: priori slab-informativi, sampler, posterior pe λ și τ cu interval de credibilitate 94%.
7. Activează actualizarea secvențială cu forgetting factor 0,95–0,98 pentru a urmări λ-ul de stare după drawdown-uri.
8. Derivă regula de dimensiune: mărime_max = (τ / λ_p95) / distanță_stop. Dimensionează pe coada fragilă, nu pe median.
9. Integrează nodurile fiscale (pragul 365 zile 3%/6%, treptele CASS) ca discontinuități în τ efectiv.
10. Validează out-of-sample (70/30), verifică reliability diagram, reestimează lunar.

Când termini, nu vei mai întreba „cât să cumpăr din TLV”. Vei calcula. Curba ta de disutilitate nu mai e o sursă de erori — devine o constrângere de execuție pe care o respecți pentru că ai măsurat-o, exact ca un fond care își respectă mandatul de risc. Acesta e saltul de la a cunoaște prospect theory la a o opera pe propriul capital, pe propriul BVB, în 2026.

⚠️ Conținut educativ, nu sfat de investiții. Pentru decizii financiare consultă un specialist autorizat.

← Toate articolele