Zusammenfassung

Repräsentationsverzerrung bedeutet eine Art kognitive Tendenz und kann für Anleger ihr Verhalten an der Börse beeinflussen. Ob die Repräsentationsverzerrung der Renditeprognose und der Portfolioauswahl helfen kann, ist ein interessantes Problem, das weniger untersucht wird. In diesem Papier, basierend auf der Repräsentationsverzerrungstheorie und der aktuellen Marktsituation in China, Eine neue Hierarchie des Bestandsmesssystems wird konstruiert und ein entsprechender Kriteriensatz wird ebenfalls vorgeschlagen. Bei jedem Kriterium versuchen wir, den Einfluss zwischen Aktien mit angepasstem Fuzzy-AHP zu messen. Dann wird der Hausdorff-Abstand auf das Gewicht angewendet und die horizontale Darstellung berechnet. Für die Prognoserenditen gibt es nach Darstellungsverhalten auch eine neue Berechnungsmethode. Empirische Ergebnisse zeigen, dass die Darstellung von Informationen sowohl für die Renditeprognose als auch für die Portfolioauswahl nützlich ist.

1. Einführung

Das Konzept der Repräsentationsverzerrung wird von Tversky und Kahneman als normales Verhaltensmerkmal bei Finanzentscheidungen vorgeschlagen. Sie glauben, dass die „Repräsentationsheuristik“ die Entscheidungen der Menschen während ihrer Meinungsbildung und Argumentation stark beeinflusst. DeBondt und Thaler argumentieren, dass es eine Überreaktion gibt, dass Investoren nach Korrektur der Wahrscheinlichkeiten die neu erhaltenen Informationen übergewichten könnten. Was das Verhalten der Anleger auf dem Wertpapiermarkt betrifft, definiert Fuller eines davon als Repräsentationsverzerrung, die die Anleger dazu verleiten kann zu glauben, dass sie die Informationen bereits richtig verarbeitet haben, bevor sie eine Entscheidung treffen. Im Allgemeinen gibt es zwei Arten von Repräsentationsverzerrungen: horizontale darstellung bias und vertikale darstellung bias. Laut Zhang bedeutet die horizontale Verzerrung, dass Menschen dazu neigen, eine Sache mit ihren Analoga zu klassifizieren und die Sache in Zukunft anhand ihrer Ähnlichkeiten vorherzusagen. In der Zwischenzeit impliziert die vertikale Verzerrung, dass die Menschen auf den Finanzmärkten leicht dazu neigen, eine Aktie anhand ihrer eigenen historischen Aufzeichnungen zu beurteilen oder zu prognostizieren.

In Bezug auf die Auswirkungen, die Verhaltensverzerrungen auf den Finanzmarkt haben könnten, haben viele Wissenschaftler einige interessante Forschungen durchgeführt. Auf dem Chicagoer Aktienmarkt zeigen die Tests von Shefrin und Statman, dass die Verhaltensverzerrung der Anleger die Aktienkurse am Nachmittag erheblich und kurzfristig beeinflussen kann . Laut Coval und Shumway werden Preise, die von verlustscheuen Händlern festgelegt werden, signifikant und schneller umgekehrt als die von unvoreingenommenen Händlern. In den letzten Jahren wurde die Behavioral Investment Portfolio Theory angewendet, um die Behavioral Investment Portfolio Frontier abzuleiten und auch für das Portfolioauswahlproblem zu verwenden. In diesem Bereich konzentrieren sich die Forscher darauf, wie sich die Verhaltensverzerrung auf die Entscheidungsfindung auswirkt. Chira et al. nehmen Sie Experimente mit Studenten in der Schule, und dann analysieren sie die Auswirkungen der verschiedenen Verhaltens Verzerrungen auf finanzielle Entscheidungen. In: Xu et al. erweitern Sie Tverskys Modell basierend auf der Repräsentationsverzerrung der Anleger und unter dem Rahmen der Maximierung des Nutzens; dann untersuchen sie es mit der vertikalen Repräsentationsverzerrung als Beispiel. Zhao und Fang schlagen eine Berechnungsmethode sowohl für die vertikale als auch für die horizontale Darstellung der Renditen vor und versuchen herauszufinden, ob die Repräsentationsinformationen die Renditeprognose auf dem Finanzmarkt unterstützen können.

In der Asset Allocation, wie für die Messung der subjektiven Dinge, wie Verhaltensweisen und Emotionen, Saaty et al. ursprünglich verwenden Sie das AHP, um finanzielle Probleme zu lösen. Dann, mit der Entwicklung der Finanztheorie, zieht komplexes Finanzsystem viel Aufmerksamkeit. Und die Fuzzy-Theorie und -Methoden, die im Vergleich zu den traditionellen weniger subjektiv sind und das Fuzzy-Investitionsumfeld und den Fuzzy-Prozess besser charakterisieren können, werden schrittweise berechnet. Enea und Piazza kombinieren Fuzzy-Theorie und AHP-Methode miteinander und stellen Fuzzy-AHP vor, aber sie lösen einige Probleme nicht mit speziellen Werten. Basierend auf ihrer Arbeit wenden Tiryaki und Ahlatcioglu eine angepasste Methode an, die das Nullwertproblem auf den türkischen Aktienmarkt löst, und die Anlageentscheidungen werden mit dem Mittelwertvarianzmodell getroffen. Die optimalen Investitionsgewichte sind jedoch nicht dargestellt. Gemäß wird das angepasste Fuzzy-analytische Hierarchieprozessverfahren zunächst zur Messung der horizontalen Darstellungsverzerrung verwendet. Die Arbeit basiert auf der Überlegung, dass auf dem komplexen Finanzmarkt der genaue Weg, wie sich die Repräsentationsverzerrung auf die Entscheidungen des Anlegers auswirkt, noch unbekannt ist. Obwohl Anleger vor Anlageentscheidungen den Markt bewerten würden, werden sie die Dinge wahrscheinlich nicht mit bestimmten AHP oder einigen Methoden so streng und genau berechnen. Mit anderen Worten, es ist wie ein unscharfer Prozess.

Dieses Papier kann als eine aktualisierte Version unseres letzten oben erwähnten Papiers angesehen werden. Dieses Papier folgt den Hauptgedanken, wie die Auswirkungen der horizontalen und vertikalen Repräsentationsverzerrung auf die Aktienrenditen gemessen werden können, aber stattdessen, unter Berücksichtigung des aktuellen finanziellen Umfelds in China und der damit verbundenen Richtlinien, Wir renovieren das Bewertungssystem mit Hierarchie, Kriterium, und Gewichte. Im Berechnungsteil wenden wir die Hausdorff-Distanz an, um die Gewichtungsprobleme zu lösen. Entsprechend der Situation, dass die vertikale Repräsentationsverzerrung der Anleger die Erwartung der Renditen in der Zukunft beeinflussen kann, schlagen wir eine andere Methode der Gewichtung mit dem Grad der Übereinstimmung der historischen Daten der Aktie und ihres gegenwärtigen Trends vor und überwinden das Problem des Null-Nenners. Dann nehmen wir empirische Experimente mit den Daten in der chinesischen Börse, und die Ergebnisse sind akzeptabel. Und die neue Methode wird auch empirisch getestet, und wir vergleichen sie mit Chira et al.Methode in . Schließlich haben wir die prognostizierten Renditen in ein Verhaltensmodell für die Auswahl von Anlageportfolios eingefügt und die effektiven Grenzen aufgezeigt, die darauf hindeuten, dass Repräsentationsverzerrungen die Renditeprognose unterstützen und die Portfolioauswahl bis zu einem gewissen Grad optimieren können.

Dieses Papier ist wie folgt organisiert. Im nächsten Abschnitt geben wir eine unscharfe Messung über das Darstellungsverhalten und ein Gebrauchsmuster an. In Abschnitt 3 wenden wir die Methoden mit einem empirischen Experiment an und diskutieren die Rechenergebnisse. Wir beenden das Papier mit einer Zusammenfassung der Schlussfolgerungen in Abschnitt 4.

2. Methoden

2.1. Repräsentationsverzerrung und Renditen

Im Allgemeinen gibt es zwei Arten von Repräsentationsverzerrungen: horizontale Verzerrung und vertikale Verzerrung. Die horizontale Repräsentationsverzerrung impliziert eine Art Verhalten, bei dem Menschen dazu neigen, eine Sache mit anderen ähnlichen Dingen zu klassifizieren und sie nach den Regeln ihrer ähnlichen Dinge vorherzusagen. Die vertikale Repräsentation Bias bedeutet ein anderes Verhalten oder andere Gewohnheiten, die Menschen neigen dazu, leicht zu beurteilen oder prognostizieren eine Sache nach ihrer eigenen Geschichte Aufzeichnungen (siehe ). In: Xu et al. legen Sie eine Methode zur Berechnung der vertikalen und horizontalen Darstellung vor.; dann schlagen Zhao und Fang einen neuen vor (siehe ). Hier folgen wir ihren Erklärungen zu den Repräsentationsrückgaben, erweitern aber die Berechnung im Detail.

2.1.1. Horizontale Repräsentationsrenditen

Die horizontale Repräsentationsrendite bedeutet die Renditen, die Anleger mit horizontaler Repräsentationsverzerrung und Informationen prognostizieren und berechnen. Unter Aktien, zum Beispiel, die horizontale Darstellung Rendite einer Aktie wird hauptsächlich durch die anderen Aktien beeinflusst, die ähnliche Eigenschaften haben, wie Aktien ähnlicher Branchen und der gleichen Fondsgesellschaft. Anleger mit horizontaler Repräsentationsverzerrung neigen dazu, eine Aktie im Lichte der Situationen der anderen ähnlichen Aktien zu beurteilen. Daher ist es von entscheidender Bedeutung, ein richtiges Hierarchiesystem für Bestände aufzubauen. In diesem Artikel werden zur Berechnung der horizontalen Darstellungsverzerrung zwei Schritte wie folgt ausgeführt.

Schritt 1 (Nehmen Sie die Anfangsbestände auf). Wählen Sie einige Aktien aus, die in das ursprüngliche Portfolio aufgenommen werden sollen. Nehmen Sie Teil 3 dieses Papiers, zum Beispiel; Wir wählen 15 Aktien und nennen sie als .

Schritt 2 (Gewichtung und Berechnung des Bias der horizontalen Darstellung). Wählen Sie einige Eigenschaften der Aktien, die die Anleger interessieren. Hier teilen wir die Indikatoren in vier Gruppen ein, darunter das Investitionsumfeld, die Unternehmensemissionen, die Rentabilität der Aktien und die Ziele der Anleger. Wir wählen 30 Indikatoren und bezeichnen sie als .
In den letzten Jahren hat die chinesische Regierung ihre Regulierung der Börse in irgendeiner Weise geschwächt, und die „unsichtbare Hand“ hat mehr über den Markt als zuvor behandelt. Im Vergleich zu unserer früheren Arbeit haben wir hier das Gewicht der staatlichen Aufsicht gelindert und das Gewicht der Industrieentwicklung und der regionalen Wirtschaftsbedingungen erhöht, je nachdem, ob sich die Wirtschaftsleistung der Region und der Branche erheblich verbessert hat. Das neue Bestandshierarchi-system ist wie Tabelle 1 zeigt.
Definieren, wo bedeutet die horizontale Darstellung Rendite von Aktien ; bedeutet die Renditen der anderen ähnlichen Aktien, ; und bedeutet den Effektfaktor der Aktie im Vergleich mit dem Zielbestand für Kriterium . Auf dem Kriterium , wenn Lager hat einen großen Einfluss auf Lager , wird mit einem großen Wert ausgestattet werden. Wenn beispielsweise Aktie 1 einen größeren Einfluss auf die Aktie hat als Aktie 2 (hier ), dann . bedeutet das Gewicht des Kriteriums im gesamten Bestandshierarchi-system, . Es ist klar, dass die Aktienrendite eine Art gewichtete Summe der anderen Aktienrenditen ist.
Es kann festgestellt werden, dass der Schlüssel zur Messung der horizontalen Repräsentationsrückgabe darin besteht, den Effektfaktor zu berechnen ; dann wird die Repräsentationsverzerrung auf irgendeine Weise quantifiziert.
Definieren Sie, wo der Fuzzy-Wert des Bestands auf Kriterium bedeutet , und es wird hauptsächlich durch die angepasste Fuzzy-analytische Hierarchie Prozessmethode berechnet. Dann kann es in die Messung der Ähnlichkeit zwischen Aktien eingesetzt werden. Für den Abstand zwischen Fuzzy-Zahlen wenden wir den Hausdorff-Abstand an (siehe ). Nehmen Sie zum Beispiel die dreieckigen Fuzzy-Zahlen. Zuerst definieren wir den Abstand zwischen Punkt und einer Fuzzy-Zahl, wo als der Wert seiner Zugehörigkeitsfunktion zu sehen ist größer als 0, was bedeutet . Dann ist der Abstand zwischen zwei Fuzzy-Zahlen
Für Abstand, sollte es die Symmetrie erfüllen. Daher ist der Hausdorff-Abstand zwischen zwei dreieckigen Fuzzy-Zahlen definiert als
Mit den obigen Methoden kann der Effektfaktor herausgefunden werden, und dann wird die horizontale Darstellungsrückgabe berechnet.

2.1.2. Vertical Representation Returns

Die vertikale Darstellung Bias legt nahe, dass die Anleger dazu neigen, eine Aktie zu beurteilen oder zu prognostizieren auf der Grundlage ihrer Geschichte statt der anderen verwandten Dinge. Daher gehen wir davon aus, dass die vertikale Repräsentationsrendite einer Aktie hauptsächlich von ihren eigenen historischen Daten beeinflusst wird. Und die Verfahren zur Berechnung der vertikalen Darstellungsrückgaben sind wie unten gezeigt.

Schritt 1 (Nehmen Sie die Anfangsbestände auf). Wählen Sie einige Aktien aus, die in die ursprünglichen Portfolios aufgenommen werden sollen.

Schritt 2 (Gewichtung und Berechnung der vertikalen Darstellung Bias Returns). Anleger mit vertikaler Repräsentation konzentrieren sich auf die Renditeentwicklung einer Aktie und passen ihre Erwartungen daran an. Für Aktien, , Wir wählen seine historischen Renditen mit Perioden und bezeichnen sie als . Wir versuchen, die Ähnlichkeit in der Korrelation zwischen den historischen Daten und den aktuellen Daten einer Aktie herauszufinden, und gewichten dementsprechend die historischen Daten verschiedener Perioden mit Notationen . Chira et al. glauben Sie, dass die Gewichte verschiedener Perioden ausreichen sollten , was bedeutet, dass das Gewicht umso geringer ist, je länger der Zeitraum von nun an ist (siehe ). Wir argumentieren jedoch, dass die Auswirkungen jeder Periode auf die gegenwärtige Leistung nicht so angemessen sind. Übrigens können wir feststellen, dass die näheren Perioden mehr Einfluss auf die Prognose haben können, die dazu neigen, die späten Perioden leicht zu stark zu belasten, was die Tatsache fördert, dass die Prognose der Tendenz in hohem Maße folgen wird. Daher schlagen wir eine andere Methode vor, um mit der Gewichtung umzugehen, und der neue Weg betont die Übereinstimmung von Geschichte und Gegenwart. Wir gehen davon aus, dass Anleger, wenn sie eine ähnliche Geschichte finden, die Geschichte lernen und die zukünftigen Renditen basierend auf dem Lernen prognostizieren werden. Außerdem verwenden wir bei der Berechnung auch das Konzept der „Entfernung“, um die Gewichte zu handhaben. Und der Abstand ist ein absoluter Wert des Minus.
Definieren Sie die vertikale Darstellung Rückkehr wie im Folgenden dargestellt: wo ist die vertikale Darstellung Rückkehr der Lager, ist die historische Rückkehr der Lager auf Zeit , und ist das Gewicht der , was bedeutet, die Wirkung der Geschichte auf die Gegenwart. Definieren
Für den Gegenwartswert, wählen wir den Durchschnitt der letzten Perioden als Proxy-Variable und bezeichnen sie als . kann durch Zeitreihenregressionen der Renditen bestimmt werden. ist der absolute Wert der Periode minus Gegenwart für Lager , Das ist wie der Abstand, , da wir uns hauptsächlich um die Auswirkungen der vergangenen Perioden kümmern. Es sollte beachtet werden, dass wir, um die Situation zu vermeiden, dass der Nenner 0 ist, ihn als absoluten Wert plus 1 einrichten.

2.1.3. Repräsentationsrenditen

Im wirklichen Leben ist es jedoch für Anleger mit Repräsentationsverhaltensverzerrungen schwierig, die Verzerrungen vollkommen klar voneinander zu isolieren. Daher versuchen wir hier, die horizontalen und vertikalen Darstellungsrückgaben miteinander zu kombinieren und eine neue Messung zu erstellen, wenn die Darstellung zurückkehrt. Wir führen einen Einstellungsparameter für die horizontale Darstellungsverzerrung ein, der zwischen 0 und 1 liegt.

Definieren Sie, wo die kombinierte Darstellung Rendite für Lager und ist die horizontale Darstellung Bias Präferenzparameter. Von (8) können wir sehen, dass, wenn 1 ist, es bedeutet, dass die Investoren völlig die horizontale Darstellung Renditen vertrauen; wenn 0, es schlägt vor, dass die Anleger auf die vertikale Darstellung Renditen drehen. Hier analysieren wir vor allem die Prognosefehler durch. Gemäß (8) nehmen wir an, dass die reale Rendite ist , der Prognosefehler von wird bezeichnet als , der Prognosefehler von wird bezeichnet als , und der Prognosefehler von ist . Dann haben wir

Mit (11) können wir sehen, dass der Prognosefehler der Repräsentationsrückgaben von den Prognosefehlern sowohl der horizontalen als auch der vertikalen Repräsentationsrückgaben beeinflusst wird. Und es wird auch durch die horizontale Darstellung Bias Präferenzparameter betroffen . Es ist zu beachten, dass der Parameter von der Repräsentationspräferenz der Anleger abhängt. Wenn ein Anleger horizontale Darstellung Informationen bevorzugt, dann neigt dazu, größer als 0,5 zu sein; andernfalls ist der Parameter kleiner.

2.2. Portfolioauswahl basierend auf Repräsentationsrenditen und Prospekttheorie

Im Allgemeinen gibt es zwei Rahmenbedingungen für die Portfolioauswahl: Maximierung des Nutzens und Rendite-Risiko-Abwägung. Die mittlere Varianz-Portfolio-Theorie ermöglicht es Anlegern, das Risiko mit einer akzeptablen Rendite zu minimieren oder ihre erwartete Rendite mit einem angemessenen Risiko zu maximieren (siehe ). Heutzutage ist es im realen Markt weit verbreitet. In Anbetracht der Tatsache, dass das traditionelle Mittelwert-Varianz-Modell möglicherweise nicht für das Verhalten der Anleger geeignet ist, wählen wir im empirischen Experiment das Portfolioauswahlmodell basierend auf der Prospekttheorie aus.Die Prospekttheorie wurde 1979 von Kahneman und Tversky vorgeschlagen. In dieser Theorie ist der Bezugspunkt ein lebenswichtiges Konzept. Es ist wie ein Maßstab, den Menschen zum Vergleich verwenden, wenn sie etwas beurteilen. Laut Kahneman und Tversky stellen sie fest, dass Anleger einen Vermögenswert hauptsächlich in Abhängigkeit von dem Referenzpunkt bewerten, mit dem die Rendite oder der Verlust anstelle des realen Wertes verglichen wird. Mit anderen Worten, wenn Anleger mit einem bestimmten Referenzniveau vergleichen, kümmern sie sich noch mehr um den relativen Wert als um den absoluten Wert. Wenn sich ein Referenzpunkt ändert, können Anleger völlig andere Entscheidungen treffen. Er und Zhou nehmen an, dass der Referenzpunkt immer als risikolose Kuponrate der Anleihe mit langer Laufzeit festgelegt wird, da Anleger dazu neigen, die Rendite mit der Kuponrate der Anleihe zu vergleichen. Im nächsten Abschnitt dieses Artikels stellen wir einen neuen Parameter vor, der den Referenzpegel anzeigt.

Angenommen, es gibt ein einstufiges Modell, und der Markt ist frei von Reibung und erlaubt keine Leerverkäufe. Es gibt riskante Vermögenswerte, und der anfängliche Reichtum ist . Die Darstellungsrückgaben werden durch einen Vektor bezeichnet. Definieren , in dem ist die Höhe der Investitionen in Vermögenswert , und . Am Ende der Investition steht der Gewinn .

Definieren Sie den Nutzen der Investoren mit Darstellung Behavioral Bias mit Fibbo-Funktion. Seine klassische Form ist die Nutzenfunktion und bedeutet die Sensibilität der Anleger gegenüber Renditeänderungen. Darüber hinaus verwenden wir die Prospect-Theorie, um die Änderungen zu messen. Es gibt

Hier ist die Wertfunktion und bezeichnet das Referenzniveau des Anlegers. Laut Kahneman und Tversky hat der Verlust einen größeren Einfluss als die Rendite auf die Entscheidungsfindung, so dass die Wertfunktion geformt ist. Insbesondere nach Kahneman und Tversky, kann wie folgt angegeben werden:

Unter (14) und (13) in (12), gibt es

Nach der Regel der Maximierung des Nutzens und der Marktsituation in China, dass es keine Leerverkäufe gibt, erhalten wir das mathematische Programmiermodell wie folgt:

3. Empirische Experimente

Um verschiedene Branchen und Bereiche abzudecken, wählen wir 15 Aktien aus Stock A market of China aus. Die Aktien sind Poly Real Estate, Daqin Railway, Gree Electric Appliances, ICBC, Gezhouba Dam, Conch Cement, Minsheng Bank, Shandong Gold, Sany, Vanke A, Wuliangye, Yunnan Baiyao, Sinopec, Zoomlion und ZTE. Bezeichnen Sie den Bestand mit . Alle Daten stammen aus der Wind-Datenbank, und die Stichprobe ist vom 6. Januar 2012 bis zum 28. Dezember 2012 wöchentlich. Die Renditen werden vor der Berechnung mit Logarithmus berechnet.

3.1. Berechnung der horizontalen Darstellungsrückgaben

Mit den in Abschnitt 2 angegebenen Berechnungsschritten werden die horizontalen Darstellungsrückgaben wie folgt berechnet.

Schritt 1. Legen Sie die Gewichtung jedes Kriteriums fest, wie wir in Tabelle 1 zeigen.

Schritt 2. Analysieren Sie jeden Indikator und legen Sie den Fuzzy-paarweisen Vergleichswert entsprechend dem linguistischen Bedeutungswert fest: gleich, gleich wichtig, schwach wichtig, mäßig wichtig und stark wichtig. Ihre dreieckigen Fuzzy-paarweisen Vergleichswerte sind (), (), (), (), und ().

Schritt 3. Erstellen Sie die Vergleichsmatrix für jedes einzelne Kriterium. Hier zeigen wir die Vergleichsmatrix des Indikators Tradable Shareholders als Beispiel in Tabelle 2.

Schritt 4. Berechnen Sie die und-Matrizen, die insgesamt 30 sind.

Schritt 5. Berechnen Sie die Fuzzy-Zahl für jeden Bestand nach jedem Kriterium. dann können wir bekommen . Hier zeigen wir die Fuzzy-Zahlen jedes Bestandes auf Kriterium als Beispiel in Tabelle 3.
Wie das obige Beispiel zeigt, können wir in ähnlicher Weise die unscharfen Werte der Aktien für die anderen 29 Indikatoren ermitteln. Darüber hinaus können wir je nach Wichtigkeit der verschiedenen Hierarchien auch die verschiedenen Werte gemäß der Berechnung mit der Ähnlichkeit zwischen den Beständen erhalten. Zum Beispiel nehmen wir an, dass die numerische Beziehung zwischen den vier Hierarchien 1 : 1 : 1 : 1 ist. Dann können wir die Ähnlichkeiten standardisieren und sie in die Berechnung der horizontalen Repräsentationsrenditen einbeziehen. Laut Welch und Goyal kann der Durchschnitt der historischen Renditen zwischen bestimmten Zeiten als Maßstab für die Prognose festgelegt werden, da der mathematische Durchschnitt ohne Berechnung keine Informationen enthalten soll. Mit dieser Annahme, wenn die Prognose horizontale Darstellung Renditen besser abschneiden, bedeutet dies, dass die horizontale Darstellung Bestätigung nützliche Informationen liefert und kann in der Markteinschätzung hilfreich sein. Im empirischen Experiment berechnen wir den Durchschnitt mit den letzten vier historischen Zahlen als Benchmark und versuchen, die Renditen in den nächsten vier Wochen genau zu prognostizieren. Die Ergebnisse sind wie Tabelle 4 zeigt.Aus Tabelle 4 geht hervor, dass die vier Prognosen mit horizontalen Darstellungsinformationen alle besser abschneiden als die Benchmarks, und die durchschnittliche Fehlerreduzierung beträgt 29,77%. In Anbetracht der Tatsache, dass die Benchmarks keine Informationen enthalten und die neuen Renditen der horizontalen Darstellung bei der Prognose besser aussehen, wird in gewisser Weise gezeigt, dass die Verzerrung der horizontalen Darstellung zur Prognose der Renditen beitragen kann. Mit anderen Worten, das Vertretungsverhalten der Anleger kann nützliche Informationen in der Renditeprognose liefern. Außerdem ist zu beachten, dass wir uns hier hauptsächlich darauf konzentrieren, ob das Darstellungsverhalten anstelle der Genauigkeit der Prognose aussagekräftige Informationen enthalten kann. Da die Benchmarks nicht sehr gut prognostizieren, sind die Fehlerreduzierungen manchmal groß.

3.2. Berechnung der vertikalen Repräsentationsrenditen

Für die Berechnung und Tests der vertikalen Repräsentationsrenditen wählen wir die Renditen der letzten vier Monate (sechzehn) als Stichprobe für die Prognose aus. Dann verwenden wir zwei Methoden, um die Methode in und unsere zu gewichten und den Vergleich der Ergebnisse zu zeigen. Die Annahmen ähneln der oben genannten horizontalen Situation, wenn die Prognoserenditen eine bessere Leistung erbringen, was bedeutet, dass die Informationen des vertikalen Darstellungsverhaltens in den Vorhersagen verwendet werden können.

Gemäß der in genannten Methode folgen die Gewichte einer arithmetischen Folge, die sicherstellen kann, dass das Gewicht umso schwerer ist, je näher es von nun an ist, und die Gewichte mit der Zeit gleichmäßig wachsen. Daher setzen wir das Anfangsgewicht auf 0,01293 und die Arithmetik ist 0. 0128. Auf diese Weise ist die Summe der letzten 12 Gewichte 1. Mit (6) können die Renditen der nächsten 4 Perioden prognostiziert werden.

In Abschnitt 2 passen wir eine Methode an, um die vertikale Darstellungsrückgabe zu berechnen, und die Methode macht die Situation des Null-Nenners ungültig. Im Berechnungsteil müssen wir zuerst die Verzögerungen der Rückgabereihen durch Regressionen herausfinden und entscheiden, wie viele Perioden benötigt werden, um sie aufzunehmen, da der Durchschnitt eine Proxy-Variable der gegenwärtigen Rendite ist. Darüber hinaus wählen wir den Durchschnitt der letzten vier Perioden als gegenwärtiges Renditeniveau für Aktien und bezeichnen es als . Dann können die Gewichte gemäß (7) berechnet werden. Endlich finden wir die Ergebnisse der Renditeprognose heraus. Aus Tabelle 5 können wir die Ergebnisse der beiden Methoden sehen. Es kann festgestellt werden, dass die Ergebnisse mit unserer Methode besser sind als die in , was darauf hindeutet, dass die Informationen der vertikalen Repräsentationsmessungen in irgendeiner Weise für die Rückkehrprognose nützlich sein können.

3.3. Ergebnisse basierend auf den Portfoliomodellen der Repräsentationsrenditen und der Prospekttheorie

Wir nehmen die mit unserer Methode berechneten vertikalen Repräsentationsrenditen als Beispiel und fügen sie zusammen mit ihren Benchmarks in das Portfolioauswahlmodell der Prospekttheorie ein. Nach Tversky und Kahneman (siehe ) werden in dem in 2.2 erwähnten Modell die Verhaltensmerkmale am besten gemessen, wenn , .

Wir können die Grenzen der Portfolios mit den vertikalen Repräsentationsrenditen und den Entscheidungsvariablen gemäß dem Portfolioauswahlmodell zeichnen. In Anbetracht der Tatsache, dass die Portfoliorenditen zwischen -0,12 und 0,12 liegen, teilen wir das Intervall von in 20 verschiedene Ebenen auf und berechnen jeden Nutzwert. Dann bekommen wir die Grenzen mit verschiedenen. Die Grenzen sind wie Abbildung 1 zeigt.

In Abbildung 1 handelt es sich bei der horizontalen Achse um die Portfoliorenditen, während es sich bei der vertikalen Achse um den erwarteten Nutzen handelt. Alle drei Grenzen sind glatt und Abwärtskurven, zeigt die Grenzen, wenn , , und . Wir können deutlich sehen, dass die Kurve steiler ist, wenn sie größer ist. Dies liegt daran, dass die Auswirkungen der Überschussrenditen auf den Nutzen der Anleger größer sind und die Anleger tendenziell empfindlicher auf die Renditeänderungen reagieren. Anhand dieser Zahl können wir auch feststellen, dass mit zunehmender Rendite der Nutzen abnimmt. Denn wenn die Portfoliorenditen steigen, steigen auch die Erwartungen der Anleger; dann steigen auch die Verluste aus der Investition. Wir haben bereits gewusst, dass die Verluste größere Auswirkungen haben als die Renditen auf das Dienstprogramm, und dann fällt das Dienstprogramm. Es sollte angemerkt werden, dass, wenn , es bedeutet, dass die Einstellungen der Anleger sowohl zum Gewinn als auch zum Verlust gleich sind.

4. Schlussfolgerungen

In diesem Beitrag konzentrieren wir uns weiterhin darauf, welche Auswirkungen das Vertretungsverhalten der Anleger auf die Aktienrenditen und Anlageentscheidungen haben kann. Zunächst aktualisieren wir die zuvor erstellte Analysehierarchie und das Kriterium und versuchen, die Aktienmerkmale für Anleger mit horizontalem Darstellungsverhalten zu analysieren. Dann verwenden wir das angepasste Fuzzy-AHP, um die Auswirkungen des Kriteriums auf die Bestände zu quantifizieren, und achten auf die Messung der horizontalen und vertikalen Repräsentationsrenditen basierend auf dem Konzept der „Entfernung“, was die Ähnlichkeit zwischen den Beständen impliziert. Auf diese Weise wird der Hausdorff-Abstand angewendet, um die horizontalen Darstellungsrückgaben zu gewichten und zu berechnen. Und das Problem des Null-Nenners in der vertikalen Darstellung der Berechnung ist vorläufig gelöst.

Mit den empirischen Experimenten aus dem chinesischen Aktienmarkt hat sich das horizontale Darstellungsverhalten als nützlich erwiesen, um die Renditen in irgendeiner Weise vorherzusagen. Und die effektiven Grenzen der Verhaltensportfolios mit vertikalen Repräsentationsrenditen werden ebenfalls gezeigt, was darauf hindeutet, dass das Repräsentationsverhalten nützliche Informationen liefern kann, um die Prognose der Aktienrenditen zu verbessern, und die Portfoliogrenzen variieren je nach Einstellung des Anlegers zu den Renditeänderungen.

Interessenkonflikt

Die Autoren erklären, dass kein Interessenkonflikt bezüglich der Veröffentlichung dieses Artikels besteht.

Danksagung