abstrakt

Repræsentationsforstyrrelse betyder en slags kognitiv tendens, og for investorer kan det påvirke deres adfærd på aktiemarkedet. Hvorvidt repræsentationsforstyrrelsen kan hjælpe afkastprognosen og porteføljevalg er et interessant problem, der er mindre undersøgt. I dette papir, baseret på repræsentationsforstyrrelsesteorien og den nuværende markedssituation i Kina, et nyt hierarki af aktiemålingssystem er konstrueret, og der foreslås også et tilsvarende sæt kriterier. På hvert kriterium forsøger vi at måle indflydelsen blandt bestande med tilpasset uklar AHP. Derefter anvendes Hausdorff-afstanden til vægt og beregner det vandrette repræsentationsafkast. For prognoseafkastet er der ifølge repræsentationsadfærd også en ny beregningsmetode. Empiriske resultater viser, at repræsentationsbias-informationen er nyttig for afkastprognosen såvel som porteføljevalget.

1. Introduktion

begrebet repræsentationsforstyrrelse foreslås af Tversky og Kahneman som en normal adfærdskarakteristik i økonomiske beslutninger. De mener, at den” repræsentation heuristisk ” dårligt påvirker folks beslutninger under deres meninger opbygning og ræsonnement. DeBondt og Thaler hævder, at der findes en overreaktion, der, efter at have korrigeret sandsynlighederne, investorer kan overvægtige de nyligt opnåede oplysninger. Hvad angår investorernes adfærd på sikkerhedsmarkedet, definerer Fuller en af dem som repræsentationsforstyrrelse, der kan vildlede investorerne til at tro, at de allerede har behandlet oplysningerne korrekt lige før de træffer en beslutning. Generelt er der to slags repræsentationsforstyrrelser: horisontal repræsentation bias og vertikal repræsentation bias . Ifølge Jang betyder den vandrette bias, at folk har en tendens til at klassificere en ting med sine analoger og forudsige sagen i fremtiden i henhold til dens ligheder. I mellemtiden indebærer den lodrette bias, at folk på de finansielle markeder let har tendens til at bedømme eller forudsige en aktie i henhold til dens egne historieoptegnelser.

hvad angår virkningerne adfærdsmæssig bias kan bringe til det finansielle marked, har mange forskere gjort nogle interessante undersøgelser. På Chicago-børsmarkedet viser Shefrin og Statmans tests, at investorernes adfærdsmæssige bias kan påvirke eftermiddagskurserne betydeligt og på kort sigt . Priserne, der er fastsat af tabsvillige forhandlere, vendes betydeligt og hurtigere end dem, der er fastsat af upartiske forhandlere. I de senere år er adfærdsmæssig investeringsporteføljeteori blevet anvendt til at udlede den adfærdsmæssige investeringsporteføljegrænse og også brugt til porteføljeudvælgelsesproblemet. På dette område er forskernes fokus på, hvordan den adfærdsmæssige bias påvirker beslutningstagningen. Chira et al. tag eksperimenter med de studerende på college, og derefter analyserer de virkningerne af forskellige adfærdsmæssige forstyrrelser på økonomiske beslutninger. Et al. Udvid Tverskys model baseret på investorernes repræsentationsforstyrrelse og under rammen for at maksimere værktøjet; så undersøger de det med den lodrette repræsentationsforstyrrelse som et eksempel. Fang foreslår en beregningsmetode for både lodret og vandret repræsentation bias afkast og forsøger at finde ud af, om repræsentationsoplysningerne kan hjælpe med at returnere prognosen på det finansielle marked.

i aktivallokeringen, som for måling af de subjektive ting, såsom adfærd og følelser, Saaty et al. brug oprindeligt AHP til at håndtere økonomiske problemer. Derefter, med udviklingen af finansiel teori, komplekse finansielle system trækker meget opmærksomhed. Og den uklare teori og metoder, som sammenlignet med de traditionelle er mindre subjektive og kan karakterisere det uklare investeringsmiljø og behandle bedre, sættes gradvist i beregning. Enea og pladsen kombinerer uklar teori og AHP-metode sammen og fremsætter uklar AHP, men de løser ikke nogle problemer med særlige værdier. Baseret på deres arbejde anvender Tiryaki og Ahlatcioglu en tilpasset metode, der løser nulværdiproblemet på Tyrkiets aktiemarked, og investeringsbeslutningerne træffes med middelvariansmodellen. De optimale investeringsvægte vises dog ikke. Ifølge, den tilpassede uklare analytiske hierarkiprocesmetode bruges først til at måle horisontal repræsentationsforstyrrelse. Arbejdet er baseret på overvejelsen om, at på det komplekse finansielle marked er den levende vej for, hvordan repræsentationsforstyrrelsen påvirker investorens beslutninger, endnu ukendt. Selvom før investorer træffer investeringsbeslutninger, vil de evaluere markedet, de vil sandsynligvis ikke beregne tingene med specifikke AHP eller nogle metoder så strengt og præcist. Det er med andre ord som en uklar proces.

dette papir kan ses som en opdateret version af vores sidste papir nævnt ovenfor. Dette papir følger hovedtankerne om, hvordan man måler effekten af den vandrette og lodrette repræsentationsforstyrrelse på aktieafkastet, men, i stedet, i betragtning af det nuværende økonomiske miljø i Kina og de relaterede politikker, vi renoverer evalueringssystemet med hierarki, kriterium, og vægte. I beregningsdelen anvender vi Hausdorff Afstand til at håndtere vægtningsproblemerne. I henhold til den situation, at investorernes vertikale repræsentationsforstyrrelse kan påvirke forventningen om afkastet i fremtiden, foreslår vi en anden metode til vægtning med graden af at matche aktiens Historiske data og dens nuværende tendens og overvinde problemet med nul-nævneren. Derefter tager vi empiriske eksperimenter med dataene på det kinesiske aktiemarked, og resultaterne er acceptable. Og den nye metode testes også empirisk, og vi sammenligner den med Chira et al.metode i . Endelig sætter vi prognoseafkastet i en adfærdsinvesteringsporteføljevalgsmodel og viser de effektive grænser, hvilket antyder, at repræsentationsforstyrrelse kan hjælpe afkastprognosen og optimere porteføljevalget til en vis grad.

dette papir er organiseret som følger. I det næste afsnit angiver vi en uklar måling om repræsentationsadfærd og en brugsmodel. I Afsnit 3 anvender vi metoderne med et empirisk eksperiment og diskuterer beregningsresultaterne. Vi afslutter papiret med et resume af konklusioner i Afsnit 4.

2. Metoder

2.1. Repræsentation Bias og returnerer

generelt er der to slags repræsentationsforstyrrelser: vandret bias og lodret bias. Den horisontale repræsentationsforstyrrelse indebærer en slags adfærd, som folk har tendens til at klassificere en ting med andre lignende ting og forudsige det efter dets lignende ting’ regler. Den lodrette repræsentationsforstyrrelse betyder en anden adfærd eller andre vaner, som folk har tendens til let at bedømme eller forudsige en ting i henhold til dens egne historieoptegnelser (se ). Et al. fremsæt en metode til beregning af de lodrette og vandrette repræsentationsafkast; så foreslår Fang en ny (se ). Her følger vi deres forklaringer til repræsentationsafkastet, men vi udvider beregningen i detaljer.

2.1.1. Horisontal Repræsentationsafkast

det horisontale repræsentationsafkast betyder det afkast, som investorerne forudsiger og beregner med horisontal repræsentationsforstyrrelse og information. Når man f.eks. tager aktier, påvirkes en akties horisontale repræsentationsafkast hovedsageligt af de andre aktier, der har lignende egenskaber, såsom aktier i lignende industrier og af det samme fondsselskab. Investorer med horisontal repræsentationsforstyrrelsesadfærd har tendens til at bedømme en aktie i lyset af situationerne for de andre lignende aktier. Derfor er det meget vigtigt at opbygge et ordentligt lagerhierarkisystem. I dette papir, for at beregne den vandrette repræsentation bias afkast tager to trin som følger.

Trin 1 (Hent de oprindelige lagre). Vælg nogle aktier, der skal placeres i den oprindelige portefølje. Tag del 3 af dette papir, for eksempel; vi vælger 15 aktier og navngiver dem som .

Trin 2 (vægtning og beregning af horisontal repræsentation bias afkast). Vælg nogle karakteristika af de aktier, som investorerne bekymrer sig om. Her opdeler vi indikatorerne i fire grupper, herunder investeringsmiljøet, selskabsproblemer, rentabiliteten af aktierne og investorernes mål. Vi vælger 30 indikatorer og betegner dem som .
i de senere år har den kinesiske regering svækket sin regulering til aktiemarkedet på en eller anden måde, og den “usynlige hånd” har håndteret mere om markedet end før. Derfor, sammenlignet med vores tidligere arbejde, her lettede vi vægten af regeringens tilsyn og hævede vægten af industriens udvikling og regionale økonomiske forhold, i henhold til regionale og industrielle økonomiske præstationer er blevet forbedret markant. Det nye aktiehierarkisystem er som Tabel 1 viser.
Definer hvor betyder det horisontale repræsentationsafkast af lager; betyder afkastet af de andre lignende lagre ; og betyder effektfaktoren for lager sammenlignet med målbeholdningen for kriterium . På kriteriet, hvis lager har stor indflydelse på lager , vil være udstyret med en stor værdi. For eksempel, hvis lager 1 har større indflydelse på lager end lager 2 (her), så . betyder vægten af kriteriet i hele aktiehierarkisystemet,. Det er klart, at afkastet af lager er en slags vægtet sum af de andre aktieafkast.det kan konstateres, at nøglen til at måle vandret repræsentationsafkast er at beregne effektfaktoren ; derefter kvantificeres repræsentationsforstyrrelsen på en eller anden måde.
Definer hvor betyder den uklare værdi af lager på kriterium, og det beregnes hovedsageligt ved hjælp af den tilpassede uklare analytiske hierarkiprocesmetode. Derefter kan det sættes i måling af ligheden mellem bestande. For afstanden mellem uklare tal anvender vi Hausdorff-afstanden (se ). Tag trekanten uklare tal, for eksempel. Først definerer vi afstanden mellem punkt og et uklar tal, hvor det kan ses som værdien af dets medlemsfunktion er større end 0, hvilket indebærer . Derefter er afstanden mellem to uklare tal
for Afstand, den skal opfylde symmetrien. Derfor er Hausdorff-afstanden mellem to trekantede uklare tal defineret som
med ovenstående metoder kan effektfaktoren regnes ud, og derefter beregnes det vandrette repræsentationsafkast.

2.1.2. Lodret repræsentation returnerer

den lodrette repræsentationsforstyrrelse antyder, at investorer har tendens til at bedømme eller forudsige en aktie baseret på dens historie i stedet for de andre relaterede ting. Derfor antager vi, at en akties lodrette repræsentationsafkast hovedsageligt er påvirket af dens egne Historiske data. Og procedurerne for beregning af det lodrette repræsentationsafkast er som vist nedenfor.

Trin 1 (Hent de oprindelige lagre). Vælg nogle aktier, der skal placeres i de oprindelige porteføljer.

Trin 2 (vægt og beregne den lodrette repræsentation bias afkast). Investorer med vertikal repræsentation adfærdsmæssig bias fokuserer på en akties returhistorie og tilpasser deres forventninger baseret på den. For lager,, vælger vi dets historiske afkast med perioder og betegner dem som . Vi forsøger at finde ud af ligheden i sammenhængen mellem de Historiske data og nuværende data for en bestand, og ifølge det vægter vi de Historiske data fra forskellige perioder med notationer . Chira et al. tro, at vægten af forskellige perioder skal tilfredsstille , hvilket betyder, at jo længere perioden er fra nu, jo mindre er vægten (se ). Men vi hævder, at effekten af hver periode på den nuværende præstation ikke er så passende. Forresten kan vi finde ud af, at de nærmere perioder kan have mere effekt på prognosen, som har tendens til let at vægte for meget på de sene, hvilket tilskynder til, at prognosen i vid udstrækning følger tendensen. Derfor foreslår vi en anden metode til at håndtere vægtningen, og den nye måde understreger matchningen af historien og nutiden. Vi antager, at når investorer finder lignende historie, vil de lære historien og forudsige det fremtidige afkast baseret på læringen. Desuden bruger vi i beregningen også begrebet” afstand ” til at håndtere vægten. Og afstanden er en absolut værdi af minus.
Definer det lodrette repræsentationsafkast som vist i det følgende: Hvor er den lodrette repræsentationsafkast af lager, er det historiske afkast af lager til tiden og er vægten af , hvilket indebærer historiens virkning på nutiden. Definer
for nutidsværdien vælger vi gennemsnittet af de sidste perioder som en fuldmagtvariabel og angiver det som . kan bestemmes af tidsserier regressioner af afkastet. er den absolutte værdi af perioden minus til stede for lager, hvilket er som afstanden,, da vi primært bekymrer os om virkningerne af de tidligere perioder. Det skal bemærkes, at for at undgå den situation, at nævneren er 0, opretter vi den som den absolutte værdi plus 1.

2.1.3. Repræsentation returnerer

i det virkelige liv er det imidlertid svært for investorer med repræsentationsadfærdsmæssig bias at isolere forspændingerne helt klart fra hinanden. Derfor forsøger vi her at kombinere de vandrette og lodrette repræsentationsafkast sammen og opbygge en ny måling, når repræsentationen vender tilbage. Vi introducerer en horisontal repræsentation bias præference parameter, som er mellem 0 og 1.

Definer, hvor er det kombinerede repræsentationsafkast for lager og er den horisontale repræsentationsforstyrrelsespræferenceparameter. Fra (8) kan vi se, at Hvornår er 1, betyder det, at investorerne helt stoler på det vandrette repræsentationsafkast; hvornår er 0, antyder det, at investorerne vender sig til det lodrette repræsentationsafkast. Her analyserer vi primært prognosefejl ved. Ifølge (8) antager vi , at det reelle afkast er , prognosefejlen for betegnes som , prognosefejlen for betegnes som, og prognosefejlen for er . Så har vi

Ved (11), Vi kan se, at prognosefejlen for repræsentationsafkastet påvirkes af prognosefejlene for både vandret og lodret repræsentationsafkast. Og det er også påvirket af den horisontale repræsentation bias præference parameter . Det skal bemærkes, at parameteren afhænger af investorernes repræsentationspræference. Hvis en investor foretrækker horisontal repræsentationsinformation, har den en tendens til at være større end 0,5; ellers er parameteren mindre.

2, 2. Porteføljevalg baseret på Repræsentationsafkast og prospektteori

generelt er der to rammer om porteføljevalg: maksimering af nytte-og afkastrisikoafvejning. Porteføljeteorien om gennemsnitlig varians giver investorer mulighed for at minimere risikoen med et acceptabelt afkast eller maksimere deres forventede afkast med rimelig risiko (se ). I dag har det været meget udbredt i det virkelige marked. I betragtning af det faktum, at den traditionelle middelvariansmodel muligvis ikke er korrekt for investorernes adfærd, vælger vi porteføljevalgsmodellen baseret på prospektteori i det empiriske eksperiment.Prospect theory blev foreslået af Kahneman og Tversky i 1979. I denne teori er referencepunkt et meget vigtigt begreb. Det er som et benchmark, som folk har tendens til at bruge til sammenligning, når de bedømmer noget. Ifølge Kahneman og Tversky finder de, at investorer vurderer et aktiv mest afhængigt af det referencepunkt, som afkastet eller tabet sammenlignes med i stedet for den reelle værdi. Med andre ord, når investorer sammenligner med et bestemt referenceniveau, bekymrer de sig om den relative værdi endnu mere end den absolutte værdi. Når et referencepunkt ændres, kan investorer træffe helt forskellige beslutninger. Han og Hu antager, at referencepunktet altid er indstillet som den risikofrie kuponrente for obligationen med lang løbetid, da investorer har en tendens til at sammenligne afkastrenten med obligationens kuponrente. I det næste afsnit af dette papir introducerer vi en ny parameter, der viser referenceniveauet.

Antag, at der er en enkelttrinsmodel, og markedet er fri for friktion, hvilket ikke tillader short selling. Der er risikable aktiver, og den oprindelige rigdom er . Repræsentationsafkastet er betegnet med en vektor . Definere, hvor er mængden af investering i aktiv, og . I slutningen af investeringen er overskuddet .

Definer nytten af investorerne med repræsentation adfærdsmæssige bias med Fibbo funktion. Dens klassiske form erhvor er nyttefunktionen og betyder investorernes følsomhed, når de står over for ændringer i afkast. Derudover bruger vi prospektteorien til at måle ændringerne. Der er

Her er værdien funktion, og angiver investorens referenceniveau. Ifølge Kahneman og Tversky har tabet større indflydelse end afkast på beslutningstagningen, så værdifunktionen er formet. Især ifølge Kahneman og Tversky kan det angives som nedenfor:

tager (14) og (13) ind i (12), er der

ifølge reglen om at maksimere nytten og markedssituationen i Kina, at der ikke er short selling, får vi den matematiske programmeringsmodel som følger:

3. Empiriske eksperimenter

for at dække forskellige brancher og områder vælger vi 15 aktier fra Stock a market of China. Det er en af de mest populære og mest populære måder at gøre det på. Angiv bestanden ved . Alle data er fra Vinddatabasen, og prøven er fra 6.januar 2012 til 28. December 2012 ugentligt. Afkastet beregnes med logaritme før beregning.

3.1. Beregning af den vandrette repræsentation returnerer

med trinene til beregning , angivet i Afsnit 2, beregnes de vandrette repræsentationsafkast som følger.

Trin 1. Angiv vægten af hvert kriterium, som vi viser i tabel 1.

Trin 2. Analyser hver indikator, og indstil den uklare parvise sammenligningsværdi i henhold til den sproglige vigtighedsværdi: lige lige, lige så vigtig, svagt vigtig, moderat vigtig og stærkt vigtig. Deres trekantede uklare parvise sammenligningsværdier er (), (), (), (), og ().

Trin 3. Konstruer sammenligningsmatricen for hvert enkelt kriterium. Her viser vi sammenligningsmatricen for indikatoren omsættelige aktionærer som et eksempel i tabel 2.

Trin 4. Beregn og matricer, som er 30 i alt.

Trin 5. Beregn det uklare nummer for hver bestand på hvert kriterium; så kan vi få . Her viser vi de uklare tal for hver bestand på kriterium som et eksempel i tabel 3.
som eksemplet viser ovenfor, kan vi på samme måde finde ud af de uklare værdier af lagrene for de andre 29 indikatorer. Hvad mere er, at vi i henhold til vigtigheden af de forskellige hierarkier også kan få de forskellige værdier i henhold til beregningen med ligheden mellem bestande. For eksempel antager vi, at det numeriske forhold mellem de fire hierarkier er 1 : 1 : 1 : 1. Derefter kan vi standardisere lighederne og sætte dem i beregningen af vandret repræsentationsafkast. Gennemsnittet af de historiske afkast mellem bestemte tidspunkter kan indstilles som benchmarks for prognoser, da det matematiske gennemsnit uden beregning formodes ikke at indeholde nogen information. Med denne antagelse, hvis den forventede horisontale repræsentationsafkast fungerer bedre, indebærer dette, at den horisontale repræsentationsbekræftelse giver nyttige oplysninger og kan være nyttige i markedsvurderingen. I det empiriske eksperiment beregner vi gennemsnittet med de sidste fire historiske tal som benchmark og forsøger at rulle prognose afkastet i de næste fire uger. Resultaterne er som Tabel 4 viser.
fra tabel 4 kan vi se, at de fire prognoser med horisontal repræsentationsinformation alle klarer sig bedre end benchmarks gør, og den gennemsnitlige fejlreduktion er 29,77%. I betragtning af at benchmarks er indstillet til at indeholde ingen information, og de nye horisontale repræsentationsafkast ser bedre ud i prognoser, vises det på en eller anden måde, at den horisontale repræsentationsforstyrrelse kan hjælpe med at forudsige afkastet. Med andre ord kan investorernes repræsentationsadfærd give nyttige oplysninger i afkastprognosen. Desuden skal det bemærkes, at vi her primært fokuserer på, om repræsentationsadfærden kan indeholde meningsfuld information i stedet for nøjagtigheden af prognosen. Da benchmarks ikke forudsiger særlig godt, er fejlreduktionerne undertiden store.

3.2. Beregning af de lodrette Repræsentationsafkast

hvad angår beregningen og testene af de lodrette repræsentationsafkast, vælger vi de sidste fire måneders (seksten) afkast som en prøve, der bruges i prognosen. Derefter bruger vi to metoder til at vægte metode i og vores og vise sammenligningen af resultaterne. Antagelserne ligner den horisontale situation, der er angivet ovenfor, hvis prognoseafkastet fungerer bedre, hvilket betyder, at informationen om den lodrette repræsentationsadfærd kan bruges i forudsigelserne.

ifølge den metode , der er nævnt i, følger vægtene en aritmetisk sekvens, som kan sikre, at jo nærmere det er fra nu, jo tungere er vægten, og vægtene vokser jævnt med tiden. Derfor indstiller vi den indledende vægt som 0,01293, og aritmetikken er 0. 0128. På denne måde er summen af de sidste 12 vægte 1. Med (6) kan afkastet af de næste 4 perioder forventes.

i Afsnit 2 tilpasser vi en metode til beregning af det lodrette repræsentationsafkast, og metoden annullerer situationen for nul-nævneren. I beregningsdelen skal vi først finde ud af forsinkelserne i returserien ved regressioner og beslutte, hvor mange perioder der er nødvendige for, at de kan afhentes, da gennemsnittet vil være en fuldmagtvariabel for det nuværende afkast. Desuden vælger vi gennemsnittet af de sidste fire perioder som det nuværende returniveau for lager og betegner det som . Derefter kan vægten beregnes i henhold til (7). Endelig finder vi ud af afkastprognoseresultaterne. Fra tabel 5 kan vi se resultaterne af de to metoder. Det kan konstateres , at resultaterne med vores metode er bedre end dem i, hvilket antyder, at oplysningerne om de lodrette repræsentationsmålinger kan være nyttige i returprognosen på en eller anden måde.

3.3. Resultater baseret på Porteføljemodellerne for Repræsentationsafkast og Prospect Theory

Vi tager de lodrette repræsentationsafkast beregnet med vores metode som et eksempel og sætter dem i porteføljevalgsmodellen for prospect theory sammen med deres benchmarks. Ifølge Tversky og Kahneman (se ), i modellen nævnt i 2.2, de adfærdsmæssige karakteristika måles bedst, når,.

Vi kan tegne porteføljernes grænser med det lodrette repræsentationsafkast og beslutningsvariablerne i henhold til porteføljevalgsmodellen. I betragtning af at porteføljeafkastet er mellem -0,12 og 0,12, deler vi intervallet på i 20 forskellige niveauer og beregner hver brugsværdi. Derefter får vi grænserne med forskellige. Grænserne er som Figur 1 viser.

i Figur 1 handler den vandrette akse om porteføljeafkastet, mens lodret handler om det forventede værktøj. Alle de tre grænser er glatte og nedadrettede kurver, viser grænserne, når,, og . Vi kan tydeligt se, at når det er større, er kurven stejlere. Det skyldes, at når det er større, er virkningen af det overskydende afkast på investorernes nytteværdi større, og investorerne har tendens til at være mere følsomme over for ændringer i afkastet. Med dette tal kan vi også finde ud af, at med afkastet stigende, er brugen faldende. Og det skyldes, at når porteføljeafkastet stiger, øges investorernes forventninger også; så stiger tabene fra investeringen også. Vi har allerede vidst, at tabene har større indflydelse end afkastet på værktøjet, og så falder værktøjet ned. Det skal bemærkes , at når det betyder, at investorernes holdninger til både overskud og tab er de samme.

4. Konklusioner

i dette papir fortsætter vi med at fokusere på, hvilken effekt investorernes repræsentationsadfærd kan have på aktieafkast og investeringsbeslutninger. Først opdaterer vi det analytiske hierarki og kriterium, vi konstruerede før, og forsøger at analysere aktiekarakteristika for investorer med horisontal repræsentationsadfærd. Derefter bruger vi den tilpassede uklare AHP til at kvantificere virkningen af kriteriet på bestande og være opmærksom på måling af det vandrette og lodrette repræsentationsafkast baseret på begrebet “afstand”, hvilket indebærer ligheden mellem bestande. På denne måde anvendes Hausdorff-afstanden til vægt og beregner de vandrette repræsentationsafkast. Og problemet med nul-nævneren i den lodrette repræsentation retur beregning er foreløbigt løst.

med de empiriske eksperimenter fra det kinesiske aktiemarked er den horisontale repræsentationsadfærd vist sig at være nyttig til at forudsige afkastet på en eller anden måde. Og de effektive grænser for adfærdsporteføljer med lodret repræsentationsafkast vises også, hvilket antyder, at repræsentationsadfærden kan give nyttige oplysninger til at forbedre prognosen for aktieafkast, og porteføljegrænserne varierer alt efter investorens holdning til afkastændringerne.

interessekonflikt

forfatterne erklærer, at der ikke er nogen interessekonflikt vedrørende offentliggørelsen af dette papir.

anerkendelser