原始前景理论 (PT) 的核心缺陷在于其概率加权方式。它对每个独立结果的概率 $p_i$ 应用加权函数 $w(p_i)$，这种处理方式在涉及多个结果的博弈中，会导致对一阶随机占优 (First-order Stochastic Dominance) 原则的违背。一阶随机占优是理性决策理论的基石，即如果一个选项在所有可能结果上都至少不差于另一个选项，并且至少在一个结果上严格更优，那么前者就应该被选择。

考虑两个博弈 A 和 B：

• 博弈 A: 10% 的概率赢得 $2000，90% 的概率赢得 $1000。
• 博弈 B: 10% 的概率赢得 $1900，90% 的概率赢得 $1000。

显然，博弈 A 支配博弈 B。然而，在原始 PT 框架下，由于对小概率的过度加权，决策者可能会非理性地偏好 B。这是因为 PT 分别对每个结果的概率进行加权，而没有考虑结果的排序和累积分布。

为了解决这个根本性问题，累积前景理论 (CPT) 应运而生。CPT 的关键创新在于引入了等级依赖 (Rank-dependent) 的加权方法。它不再对单个概率进行加权，而是对累积概率或“尾概率”进行加权。具体来说，它根据结果的优劣排序，然后对“至少赢得 x”或“至多损失 y”这类事件的累积概率进行转换。这种方法确保了对概率的转换过程是单调的，从而系统性地避免了对一阶随机占优的违背。

在数学上，对于一系列按优劣排序的结果 $x_1 > x_2 > ... > x_n$，其对应概率为 $p_1, p_2, ..., p_n$。CPT 对每个结果赋予的决策权重 $\pi_i$ 不是简单地等于 $w(p_i)$，而是通过累积概率的差值计算得出。这保证了所有决策权重的总和为1，并维持了内在的一致性。

CPT 沿用了 PT 中经典的 S 形价值函数，该函数围绕一个参照点定义，并在损失域比收益域更陡峭。其最常用的参数化形式是幂函数：

这个公式中的参数具有明确的心理学解释：

• 曲率参数 $\alpha$ 和 $\beta$：这两个参数通常小于1（实证研究发现中位数在0.88左右），决定了价值函数的曲率。当 $\alpha, \beta < 1$ 时，函数在收益域是凹函数，在损失域是凸函数。这反映了“边际敏感性递减”原则：从 $100 到 $200 的主观价值提升，要大于从 $1000 到 $1100 的提升。同理，从 -$100 到 -$200 的主观价值下降，也大于从 -$1000 到 -$1100 的下降。

• 损失厌恶系数 $\lambda$：该系数通常大于1，实证估值普遍落在1.5到2.5之间。它使得价值函数在参照点（原点）处出现一个明显的拐点，损失部分的曲线斜率是收益部分斜率的 $\lambda$ 倍。这量化了“损失比等量收益更令人痛苦”的心理现象。

CPT 的另一个核心是概率加权函数 $w(p)$，它将客观概率 $p$ 映射为决策权重。这个函数通常呈现倒 S 形，解释了人们对概率的非线性感知。一个被广泛使用的模型是 Prelec 提出的双参数函数：

这个函数的关键特性包括：

1. 端点不变性：$w(0) = 0$ 且 $w(1) = 1$。不可能事件和确定事件的权重不变。
2. 次可加性 (Subadditivity)：对于小概率 $p$，通常有 $w(p) + w(1-p) < 1$。这反映了人们对风险的感知总和小于确定性。
3. 倒 S 形：函数在接近0和1的端点处斜率较陡，而在中间部分较平缓。这导致了对低概率事件的过度加权（例如，将 1% 的可能性看得比实际更重）和对中高概率事件的低度加权（例如，将 90% 的可能性看得比实际要轻）。

价值函数与概率加权函数的结合，共同解释了著名的“四重风险模式” (Fourfold Pattern of Risk Attitudes)：

具体来说：

• 对于高概率的收益（左上角），由于对高概率的低度加权（$w(0.95) < 0.95$）和收益域的风险规避（价值函数凹），人们倾向于“落袋为安”。
• 对于低概率的收益（右上角），对小概率的过度加权（$w(0.05) > 0.05$）主导了决策，使人们愿意为了微小的机会去冒险，这解释了彩票的吸引力。
• 对于高概率的损失（左下角），对高概率的低度加权和损失域的风险寻求（价值函数凸）使人们愿意冒险一搏，以期完全避免损失。
• 对于低概率的损失（右下角），对小概率的过度加权和损失厌恶主导了决策，使人们愿意支付额外费用（确定的损失）来规避小概率的灾难性损失，这解释了保险的需求。

CPT 通过严谨的数学修正和参数化，为理解系统性的决策偏差提供了强大的量化框架。