Abstrakti

Edustusharha tarkoittaa eräänlaista kognitiivista taipumusta, ja sijoittajille se voi vaikuttaa heidän käyttäytymiseensä osakemarkkinoilla. Se, voiko edustusharha auttaa tuottoennustetta ja portfoliovalintaa, on mielenkiintoinen ongelma, jota on tutkittu vähemmän. Tässä asiakirjassa, joka perustuu edustusharhateoriaan ja Kiinan tämänhetkiseen markkinatilanteeseen, rakennetaan uusi varastonmittausjärjestelmän hierarkia ja ehdotetaan myös vastaavia kriteerejä. Jokaisella kriteerillä pyrimme mittaamaan kantojen vaikutusta mukautetulla sumealla AHP: llä. Sitten Hausdorffin etäisyys sovelletaan paino ja laskea horisontaalinen edustus palaa. For ennuste palaa, mukaan edustuskäyttäytymistä, on myös uusi laskentamenetelmä. Empiiriset tulokset osoittavat, että esitysharhatiedot ovat hyödyllisiä tuoton ennusteen sekä portfoliovalinnan kannalta.

1. Johdanto

Tversky ja Kahneman ehdottavat representaatioharhaisuuden käsitettä normaalina käyttäytymisominaisuutena taloudellisissa päätöksissä. He uskovat, että” representaatio heuristinen ” vaikuttaa huonosti ihmisten päätöksiin heidän mielipiteitään rakentaessaan ja perustellessaan. Debondtin ja Thalerin mukaan on olemassa ylireagointia, että todennäköisyyksien korjaamisen jälkeen sijoittajat saattavat ylipainottaa juuri saatuja tietoja. Mitä tulee sijoittajien käyttäytymiseen arvopaperimarkkinoilla, Fuller määrittelee yhden niistä edustusharhaksi, joka voi johtaa sijoittajat harhaan uskomaan, että he ovat jo käsitelleet tiedot oikein juuri ennen kuin he tekevät päätöksen. Yleensä on olemassa kahdenlaisia edustusbiaasit: horisontaalinen esitysharha ja vertikaalinen esitysharha . Zhangin mukaan horisontaalinen vinouma tarkoittaa, että ihmisillä on taipumus luokitella yksi asia analogeineen ja ennustaa asia tulevaisuudessa sen yhtäläisyyksien mukaan. Samaan aikaan vertikaalinen vinoutuma viittaa siihen, että finanssimarkkinoilla ihmisillä on helposti taipumus arvioida tai ennustaa osaketta sen omien historiatietojen mukaan.

mitä vaikutuksia käyttäytymisen vinouma voisi tuoda rahoitusmarkkinoilla, monet tutkijat ovat tehneet joitakin mielenkiintoisia tutkimuksia. Chicagon pörssimarkkinoilla shefrinin ja Statmanin testit osoittavat, että sijoittajien käytösharhaisuus voi vaikuttaa merkittävästi ja lyhyellä aikavälillä iltapäivän osakekursseihin . Kovalin ja Shumwayn mukaan tappiota vastustavien kauppiaiden asettamat hinnat kääntyvät huomattavasti ja nopeammin kuin puolueettomien kauppiaiden asettamat hinnat. Behavioral investment portfolio theory on viime vuosina sovellettu johtaa behavioral investment portfolio frontier ja käytetään myös salkun valinta ongelma. Tällä alalla tutkijat keskittyvät siihen, miten käyttäytymisen vinouma vaikuttaa päätöksentekoon. Chira ym. ota kokeita opiskelijoiden college, ja sitten he analysoivat vaikutuksia eri käyttäytymiseen ennakkoluuloja taloudellisia päätöksiä. Xu ym. laajentaa Tverskyn malli perustuu sijoittajien edustus bias ja kehyksessä maksimoida hyödyllisyys; sitten he tutkivat sitä vertikaalinen edustus bias esimerkkinä. Zhao ja Fang ehdottaa laskentamenetelmä sekä vertikaalinen ja horisontaalinen edustus bias palaa ja yrittää löytää, jos edustus tiedot voivat auttaa tuotto ennuste rahoitusmarkkinoilla.

varojen allokoinnissa, kuten subjektiivisten asioiden, kuten käyttäytymisen ja tunteiden, mittaamisessa, Saaty et al. alun perin käyttää AHP käsitellä taloudellisia ongelmia. Sitten, kehityksen financial theory, monimutkainen rahoitusjärjestelmä kiinnittää paljon huomiota. Ja sumea teoria ja menetelmät, jotka perinteiseen verrattuna ovat vähemmän subjektiivisia ja voivat luonnehtia sumeaa sijoitusympäristöä ja prosessia paremmin, pannaan vähitellen laskentaan. Enea ja Piazza yhdistävät sumean teorian ja AHP-menetelmän yhteen ja esittävät sumean AHP: n, mutta ne eivät ratkaise joitakin ongelmia erityisarvoilla. Tiryaki ja Ahlatcioglu soveltavat työnsä perusteella mukautettua menetelmää, joka ratkaisee nolla-arvo-ongelman Turkin osakemarkkinoilla, ja sijoituspäätökset tehdään keskivarianssimallilla. Optimaalisia sijoituspainoja ei kuitenkaan näytetä. Mukaan, mukautettu sumea analyyttinen hierarkia prosessimenetelmä käytetään ensinnäkin mitata horisontaalinen esitys harha. Teos perustuu ajatukseen, että monimutkaisilla rahoitusmarkkinoilla eloisa polku siitä, miten edustusharha vaikuttaa sijoittajan päätöksiin, ei ole vielä tiedossa. Vaikka ennen kuin sijoittajat tekevät sijoituspäätöksiä, he arvioisivat markkinoita, he eivät todennäköisesti laske asioita tietyillä AHP: llä tai joillakin menetelmillä niin tarkasti ja tarkasti. Toisin sanoen se on kuin sumea prosessi.

tämä paperi voidaan nähdä päivitettynä versiona edellisestä edellä mainitusta lehdestämme. Tässä asiakirjassa seurataan pääajatuksia siitä, miten mitataan horisontaalisen ja vertikaalisen esitysharhojen vaikutusta osakkeiden tuottoihin, mutta sen sijaan, kun otetaan huomioon Kiinan nykyinen taloudellinen ympäristö ja siihen liittyvät politiikat, uudistamme arviointijärjestelmää hierarkialla, kriteereillä ja painoilla. Kun laskenta-osa, sovellamme Hausdorffin etäisyys käsitellä painotus ongelmia. Tilanteen mukaan, että sijoittajien vertikaalinen esitysharha voi vaikuttaa tuotto-odotuksiin tulevaisuudessa, ehdotamme toista painotustapaa osakkeen historiatietojen vastaavuuden ja sen nykyisen kehityksen kanssa ja ratkaista nollan nimittäjän ongelma. Sitten teemme empiirisiä kokeita Kiinan osakemarkkinoilla, ja tulokset ovat hyväksyttäviä. Ja uusi menetelmä on myös testattu empiirisesti, ja vertaamme sitä Chira et al.n menetelmä . Vihdoinkin laitamme ennusteen tuotosta käyttäytymiseen sijoitussalkun valintamalliin ja näytämme efektiiviset rajat, jotka viittaavat siihen, että esitysharha voi auttaa tuottoennustetta ja optimoida salkun valintaa tietyssä määrin.

tämä paperi on järjestetty seuraavasti. Seuraavassa osassa esitämme sumean mittauksen esityskäyttäytymisestä ja hyödyllisyysmallista. Jaksossa 3, sovellamme menetelmiä empiirinen koe ja keskustella laskennallisia tuloksia. Lopuksi esitämme yhteenvedon päätelmistä kohdassa 4.

2. Menetelmät

2. 1. Representaatioharha ja palautukset

yleensä on olemassa kahdenlaisia representaatioharhoja: horisontaalinen bias ja vertikaalinen bias. Horisontaalinen esitysharha tarkoittaa sellaista käyttäytymistä, että ihmisillä on taipumus luokitella yksi asia muihin samankaltaisiin asioihin ja ennustaa se noudattamalla sen samankaltaisten asioiden sääntöjä. Vertikaalinen esitysharha tarkoittaa toista käyttäytymistä tai muita tapoja, joilla ihmisillä on taipumus helposti arvioida tai ennustaa asia sen omien historiatietojen mukaan (ks.). Xu ym. esitä menetelmä pysty-ja vaakasuuntaisten esitystulojen laskemiseksi; sitten Zhao ja Fang ehdottavat uutta (KS. Tässä seuraamme niiden selityksiä edustus palaa, mutta laajennamme laskenta yksityiskohtaisesti.

2, 1, 1. Horisontaalinen Esitystuotto

horisontaalinen esitystuotto tarkoittaa tuottoa, jonka sijoittajat ennustavat ja laskevat horisontaalisella esitystuotolla ja informaatiolla. Esimerkiksi osakekannan horisontaaliseen edustustuottoon vaikuttavat pääasiassa muut samankaltaiset varastot, kuten samankaltaisten toimialojen ja saman rahastoyhtiön varastot. Sijoittajat, joilla on horisontaalinen edustus bias käyttäytymismalleja, pyrkivät arvioimaan osaketta muiden vastaavien osakkeiden tilanteiden valossa. Siksi oikean varastohierarkiajärjestelmän rakentaminen on erittäin tärkeää. Tässä asiakirjassa, laskea horisontaalinen edustus bias palautukset tapahtuu kaksi vaihetta seuraavasti.

Vaihe 1 (poimi alkuvarastot). Valitse joitakin osakkeita, jotka laitetaan alkuperäiseen salkkuun. Otetaan esimerkiksi tämän paperin osa 3; valitsemme 15 varastoa ja nimeämme ne .

Vaihe 2 (painotus ja horisontaalisen esitysharhojen palautusten laskeminen). Valitse joitakin ominaisuuksia osakkeita, jotka sijoittajat välittävät. Tässä jaetaan indikaattorit neljään ryhmään, joihin kuuluvat sijoitusympäristö, yhtiöasiat, osakkeiden kannattavuus ja sijoittajien tavoitteet. Valitsemme 30 indikaattorit ja merkitä ne.
viime vuosina Kiinan hallitus on jollain tavalla heikentänyt sääntelyään osakemarkkinoilla, ja ”näkymätön käsi” on hoitanut markkinoita aiempaa enemmän. Näin ollen, verrattuna entiseen työhömme, täällä kevensimme painoarvoa valtion valvonnan ja nosti paino teollisuuden kehityksen ja alueellisten taloudellisten edellytysten, mukaan alue – ja toimialojen taloudellinen suorituskyky on parantunut merkittävästi. Uusi varastohierarkiajärjestelmä on taulukon 1 mukainen.
Määrittele, missä tarkoittaa horisontaalista kuvaa kannan tuotosta; tarkoittaa muiden samankaltaisten kantojen tuottoa; ja tarkoittaa kannan vaikutustekijää verrattuna tavoitekantaan kriteerin osalta . Jos varastolla on suuri vaikutus varastoon , sillä on suuri arvo. Esimerkiksi, jos kanta 1 on suurempi vaikutus varastossa kuin kanta 2 (Tässä), niin . tarkoittaa kriteerin painoarvoa koko osakehierarkiajärjestelmässä, . On selvää, että osakkeiden tuotto on eräänlainen painotettu summa muiden osakkeiden tuotoista.
voidaan todeta, että horisontaalisen esitystuoton mittaamisen avain on vaikutuskertoimen laskeminen ; sitten esitysharha kvantifioidaan jollakin tavalla.
Määrittele missä tarkoittaa kannan sumeaa arvoa kriteerillä, ja se lasketaan pääasiassa mukautetulla sumean analyyttisen hierarkian prosessimenetelmällä. Sitten se voidaan laittaa kantojen samankaltaisuuden mittaamiseen. Sumeiden lukujen väliselle etäisyydelle sovelletaan Hausdorffin etäisyyttä (KS. Otetaan esimerkiksi kolmion sumeat numerot. Ensin määrittelemme etäisyys pisteen ja sumea luku, jossa voidaan nähdä arvo sen jäsenyyden funktio on suurempi kuin 0, mikä merkitsee . Silloin kahden sumean luvun välinen etäisyys on
etäisyydelle, sen pitäisi täyttää symmetria. Näin ollen Hausdorffin etäisyys kahden kolmion sumeiden lukujen välillä määritellään
edellä mainituilla menetelmillä, vaikutuskerroin voidaan selvittää, ja sitten lasketaan horisontaalinen esitystuotto.

2.1.2. Vertikaalinen Esitystuotto

vertikaalinen esitysharha viittaa siihen, että sijoittajilla on taipumus arvioida tai ennustaa osaketta sen historian perusteella muiden asiaan liittyvien asioiden sijaan. Siksi oletamme, että kannan vertikaaliseen esitystuottoon vaikuttavat pääasiassa sen omat Historiatiedot. Vertikaalisten esitystuottojen laskentamenetelmät on esitetty alla.

Vaihe 1 (poimi alkuvarastot). Valitse joitakin osakkeita, jotka sijoitetaan alkuperäisiin salkkuihin.

Vaihe 2 (paino ja laske vertikaalinen esitysharhatuotto). Sijoittajat, joilla on vertikaalinen edustus käyttäytymisharha, keskittyvät osakkeen tuottohistoriaan ja mukauttavat odotuksiaan sen perusteella. Varastossa,, valitsemme sen historialliset tuotot kanssa aikoja ja merkitse niitä . Yritämme selvittää samankaltaisuutta korrelaation historiallisten tietojen ja nykyisten tietojen varastossa ,ja, sen mukaan, me paino historiallisten tietojen eri ajanjaksojen merkintöjen. Chira ym. usko painot eri ajanjaksojen pitäisi tyydyttää, mikä tarkoittaa, mitä pidempi aika on nyt, sitä vähemmän paino on (KS.). Mutta väitämme, että kunkin kauden vaikutus nykyiseen suoritukseen ei ole niin sopiva. Niiden kautta voidaan todeta, että lähempänä olevilla jaksoilla voi olla enemmän vaikutusta ennusteeseen, jotka tuppaavat painamaan helposti liikaa myöhäisiä, mikä kannustaa siihen, että ennuste seuraa pitkälti samaa suuntausta. Siksi ehdotamme toista tapaa käsitellä painotuksia, ja uusi tapa korostaa historian ja nykyisyyden yhteensovittamista. Oletamme, että kun sijoittajat löytävät samanlaisen historian, he oppivat historian ja ennustavat tulevaa tuottoa oppimisen perusteella. Lisäksi laskennassa käytetään myös käsitettä ”etäisyys” käsittelemään painoja. Ja etäisyys on miinus-arvon itseisarvo.
Määrittele vertikaalinen edustus return kuten seuraavassa esitetään: missä on pystysuora edustus return of stock, on historical return of stock on time, ja on paino, joka merkitsee vaikutusta historian läsnä. Määrittele
nykyarvolle, valitsemme viimeisten kausien keskiarvon proxy-muuttujaksi ja merkitse se merkiksi . voidaan määrittää aikasarjan regressiot tuotot. on absoluuttinen arvo kauden miinus läsnä varastossa, joka on kuin etäisyys, Koska me pääasiassa välitämme vaikutuksista menneiden kausien. On huomattava, että välttääksemme tilanteen, että nimittäjä on 0, asetamme sen itseisarvoksi plus 1.

2, 1, 3. Representation Returns

tosielämässä sijoittajilla, joilla on representation behavioral bias, on kuitenkin vaikea eristää harhat täysin selvästi toisistaan. Siksi tässä yritämme yhdistää horisontaalisen ja vertikaalisen edustuksen palautukset yhteen ja rakentaa uuden mittauksen edustuksen palautuessa. Otamme käyttöön horisontaalisen esityksen bias preference parametri, joka on välillä 0 ja 1.

Määrittele missä on yhdistetty edustuksen tuotto kannalle ja on horisontaalinen edustuksen bias preference-parametri. Alkaen (8), voimme nähdä, että kun on 1, se tarkoittaa, että sijoittajat täysin luottaa horisontaalisen edustuksen tuotto; kun on 0, se viittaa siihen, että sijoittajat kääntyvät vertikaalisen edustuksen tuotto. Täällä analysoimme lähinnä ennustevirheitä. Mukaan (8), oletamme , että todellinen tuotto on , ennusteen virhe on merkitty nimellä, ennusteen virhe on merkitty nimellä, ja ennusteen virhe on . Sitten meillä on

By (11), voimme nähdä, että esitystuottojen ennustevirheeseen vaikuttavat sekä horisontaalisten että vertikaalisten esitystuottojen ennustevirheet. Ja siihen vaikuttaa myös horisontaalinen edustus bias preference-parametri . On huomattava, että parametri riippuu sijoittajien edustusedusta. Jos sijoittaja suosii horisontaalista esitystietoa, on yleensä suurempi kuin 0,5; muuten parametri on pienempi.

2, 2. Portfoliovalinta perustuu Edustustuottoihin ja Prospektiteoriaan

yleisesti ottaen portfoliovalintaan on olemassa kaksi kehystä: hyödyn maksimointi ja tuoton ja riskin vaihtokauppa. Keskivarianssisalkkuteorian avulla sijoittajat voivat minimoida riskin hyväksyttävällä tuotolla tai maksimoida odotetun tuoton kohtuullisella riskillä (KS.). Nykyään sitä on käytetty laajalti todellisilla markkinoilla. Ottaen kuitenkin huomioon, että perinteinen keskivarianssimalli ei välttämättä sovi sijoittajien käyttäytymiseen, valitsemme empiirisessä kokeessa prospektiteoriaan perustuvan salkun valintamallin.

Prospektiteoriaa ovat ehdottaneet Kahneman ja Tversky vuonna 1979. Tässä teoriassa referenssipiste on elintärkeä käsite. Se on kuin vertailukohta, jota ihmisillä on tapana käyttää vertailuun, kun he arvioivat jotain. Kahnemanin ja Tverskyn mukaan he huomaavat, että sijoittajat arvioivat omaisuuserää lähinnä sen perusteella, mihin vertailukohtaan tuottoa tai tappiota verrataan todellisen arvon sijaan. Toisin sanoen, kun sijoittajat vertaavat tiettyyn vertailutasoon, he välittävät suhteellisesta arvosta jopa enemmän kuin itseisarvosta. Kun vertailukohta vaihtuu, sijoittajat saattavat tehdä täysin erilaisia päätöksiä. Hän ja Zhou olettavat, että vertailukohdaksi asetetaan aina pitkän maturiteetin omaavan joukkolainan riskitön kuponkikorko, koska sijoittajilla on tapana verrata tuottokorkoa joukkolainan kuponkikorkoon. Seuraavassa osassa tämän asiakirjan, esittelemme uuden parametrin, joka osoittaa vertailutaso.

oleta, että on olemassa yksivaiheinen malli, ja markkinoilla ei ole kitkaa, mikä ei salli lyhyeksimyyntiä. On olemassa riskialtista omaisuutta, ja alkuperäinen varallisuus on . Esitystuotot merkitään vektorilla . Määrittele, jossa on määrä investointeja omaisuuserään, ja . Sijoituksen lopussa voitto on .

Määrittele sijoittajien hyödyllisyys, jolla on edustuskäyttäytymisharha Fibbo-funktiolla. Sen klassinen muoto onjohka on yleishyödyllinen funktio ja tarkoittaa sijoittajien herkkyyttä tuoton muutosten edessä. Lisäksi käytämme prospektiteoriaa muutosten mittaamiseen. On

tässä on arvofunktio, ja merkitsee sijoittajan vertailutasoa. Kahnemanin ja Tverskyn mukaan tappio vaikuttaa päätöksentekoon enemmän kuin tuotto, joten arvofunktio on muotoutunut. Erityisesti voidaan Kahnemanin ja Tverskyn mukaan todeta seuraavasti:

ottaen (14) ja (13) into (12), on

yleishyödyllisyyden maksimoinnin ja markkinatilanteen mukaan Kiinassa ei ole lyhyeksimyyntiä, saamme matemaattisen ohjelmointimallin seuraavasti:

3. Empiiriset kokeet

jotta voidaan kattaa eri toimialat ja alueet, valitsemme 15 varastot Stock a market Of China. Varastot ovat Poly Real Estate, Daqin Railway, Gree Electric Appliances, ICBC, Gezhouba Dam, Conch sementti, Minsheng Bank, Shandong gold, Sany, vanhe, Wuliangye, Yunnan Baiyao, Sinopec, Zoomlion, ja ZTE. Ilmi varastossa . Kaikki tiedot ovat Tuulitietokannasta, ja otos on 6. tammikuuta 2012-28. joulukuuta 2012, viikoittain. Palautukset lasketaan logaritmin avulla ennen laskentaa.

3, 1. Horisontaalisen esityksen tuoton

laskeminen kohdassa 2 esitetyillä laskentavaiheilla horisontaalisen esityksen tuotot lasketaan seuraavasti.

Vaihe 1. Aseta paino jokaisen kriteerin kuten osoitamme taulukossa 1.

Vaihe 2. Analysoi jokainen indikaattori ja aseta sumea parivertailuarvo kielellisen tärkeysarvon mukaan: vain yhtä suuri, yhtä tärkeä, heikosti tärkeä, kohtalaisen tärkeä ja erittäin tärkeä. Niiden kolmiomaiset sumeat parivertailuarvot ovat (), (), (), (), ja ().

Vaihe 3. Muodosta vertailumatriisi jokaiselle kriteerille. Tässä näytämme vertailumatriisin indikaattorin vaihdettavissa osakkeenomistajat esimerkkinä taulukossa 2.

Vaihe 4. Laske ja matriisit, joita on yhteensä 30.

Vaihe 5. Laske sumea määrä jokaisen kannan jokaisen kriteerin; sitten voimme saada . Tässä näytämme sumea numerot jokaisen kannan kriteerin esimerkkinä taulukossa 3.
kuten yllä oleva esimerkki osoittaa, voimme samalla tavalla selvittää kantojen sumeat arvot muille 29 indikaattorille. Lisäksi eri hierarkioiden tärkeyden mukaan voidaan saada myös eri arvot laskennan mukaan kantojen samankaltaisuuden kanssa. Oletamme esimerkiksi, että neljän hierarkian välinen numeerinen suhde on 1 : 1 : 1 : 1. Sitten voimme standardoida yhtäläisyydet ja laittaa ne horisontaalisen edustuksen tuottojen laskentaan. Welchin ja Goyalin mukaan ennustamisen viitearvoiksi voidaan asettaa historiallisten tuottojen keskiarvo tiettyjen aikojen välillä , koska matemaattisen keskiarvon ilman laskentaa ei oleteta sisältävän mitään tietoa. Tämän oletuksen mukaan jos horisontaalisen esitystuoton ennuste toimii paremmin, tämä merkitsee sitä, että horisontaalisesta esitystodistuksesta saadaan hyödyllistä tietoa ja siitä voi olla hyötyä markkinatuomiossa. Empiirisessä kokeessa laskemme keskiarvon neljän viimeisen historiallisen luvun kanssa vertailukohtana ja yritämme rullata ennusteita tuotoista seuraavan neljän viikon aikana. Tulokset käyvät ilmi taulukosta 4.
taulukosta 4 voidaan todeta, että neljä horisontaalista esitystietoa sisältävää ennustetta toimivat kaikki vertailuarvoja paremmin, ja keskimääräinen virhevähennys on 29,77 prosenttia. Kun otetaan huomioon, että vertailuarvot on asetettu siten, että ne eivät sisällä mitään tietoa ja että uudet horisontaaliset tuotot näyttävät paremmilta ennustettaessa, voidaan osoittaa, että horisontaalinen esitysharjaus voi auttaa ennustamaan tuotot. Toisin sanoen sijoittajien edustuskäyttäytyminen voi antaa hyödyllistä tietoa tuottoennusteessa. Lisäksi on huomattava, että tässä keskitymme lähinnä siihen, voiko edustuskäyttäytyminen sisältää mielekästä tietoa ennusteen tarkkuuden sijaan. Koska vertailuarvot eivät ennakoi kovin hyvin, virhevähennykset ovat välillä suuria.

3.2. Vertikaalisten Esitystuottojen

laskeminen vertikaalisten esitystuottojen laskemiseksi ja testaamiseksi valitsemme ennusteessa käytetyksi otokseksi viimeisten neljän kuukauden (kuusitoista) tuotot. Sitten käytämme kahta menetelmää paino menetelmä ja meidän ja näyttää vertailun tuloksia. Oletukset ovat samanlaisia kuin yllä mainittu horisontaalinen tilanne, jos ennusteen tuotto toimii paremmin, jolloin ennusteissa voidaan käyttää vertikaalisen esityskäyttäytymisen tietoja.

mukaan menetelmä mainittu , painot seuraavat aritmeettinen sarja, joka voi varmistaa, että lähempänä nyt se on, raskaampaa paino on, ja painot kasvavat tasaisesti ajan. Näin ollen asetamme alkuperäisen paino on 0,01293, ja aritmeettinen on 0. 0128. Näin viimeisten 12 painon summa on 1. Kanssa (6), tuotto seuraavan 4 jaksoa voidaan ennustaa.

jaksossa 2 sovitellaan menetelmä vertikaalisen esitystuoton laskemiseksi, ja menetelmä mitätöi nollanimittarin tilanteen. Laskentaosassa meidän on ensin selvitettävä palautussarjan viiveet regressioilla ja päätettävä, kuinka monta jaksoa tarvitaan, jotta ne voidaan poimia, koska keskiarvo on nykyisen tuoton proxy-muuttuja. Lisäksi valitsemme keskiarvon neljän viimeisen jakson nykyinen tuotto taso varastossa ja merkitse se. Sitten painot voidaan laskea (7) mukaisesti. Lopultakin selvitämme tuottoennusteen tulokset. Taulukosta 5 voimme nähdä näiden kahden menetelmän tulokset. Voidaan todeta , että tulokset meidän menetelmällämme ovat parempia kuin in, mikä viittaa siihen, että vertikaalisten esitysmittausten tiedoista voi olla hyötyä palautusennusteessa jollain tavalla.

3, 3. Tulokset perustuvat Esitystuottojen Salkkumalleihin ja Prospektiteoriaan

otamme esimerkkinä menetelmällämme lasketut vertikaaliset esitystuotot ja laitamme ne prospektiteorian portfoliovalintamalliin viitearvoineen. Mukaan Tversky ja Kahneman (KS.), mallissa mainittu 2.2, käyttäytymisen ominaisuudet mitataan parhaiten, kun,.

voimme piirtää salkkujen rajat vertikaalisten edustustuottojen ja päätösmuuttujien avulla salkun valintamallin mukaisesti. Ottaen huomioon, että salkun tuotto on välillä -0.12 ja 0.12, jaamme intervallin 20 eri tasolle ja laskemme jokaisen hyödyllisyyden arvon. Sitten saamme rajat eri. Rajat ovat Kuvan 1 mukaiset.

kuvassa 1 vaaka-akseli on suunnilleen salkun tuotto, kun taas vertikaalinen on noin odotettu hyödyllisyys. Kaikki kolme rajoja ovat sileä ja downside käyrät, jotka osoittavat rajat, kun ,, ja . Voimme nähdä selvästi, että kun on suurempi, käyrä on jyrkempi. Tämä johtuu siitä, että kun on suurempi, ylimääräisten tuottojen vaikutus sijoittajien hyödyllisyyteen on suurempi ja sijoittajat ovat yleensä herkempiä tuoton muutoksille. Tästä luvusta voimme myös todeta, että tuoton kasvaessa hyötykäyttö vähenee. Ja tämä johtuu siitä, että kun salkun tuotto nousee, kasvavat myös sijoittajien odotukset; silloin kasvavat myös sijoitustappiot. Olemme jo tienneet, että tappiot vaikuttavat enemmän kuin tuotto yleishyödylliseen, ja sitten apuohjelma putoaa alas. On huomattava , että kun, se tarkoittaa sijoittajien asenteet sekä voitto ja tappio ovat samat.

4. Päätelmät

tässä paperissa keskitytään edelleen siihen, mikä vaikutus sijoittajien edustuskäyttäytymisellä voi olla osaketuottoihin ja sijoituspäätöksiin. Ensin päivitämme analyyttisen hierarkian ja kriteerin, jonka olemme rakentaneet ennen, ja yritämme analysoida osakkeiden ominaisuuksia sijoittajille horisontaalisella edustuskäyttäytymisellä. Sitten käytämme mukautettua sumeaa AHP: tä mittaamaan kriteerin vaikutusta varastoihin ja kiinnittämään huomiota horisontaalisen ja vertikaalisen edustustuottojen mittaamiseen ”etäisyyden” käsitteen perusteella, mikä merkitsee varastojen samankaltaisuutta. Näin Hausdorffin etäisyyttä sovelletaan painoon ja lasketaan horisontaaliset esitystulokset. Ja ongelma nolla-nimittäjä vertikaalinen edustus return computation on alustavasti ratkaistu.

Kiinan osakemarkkinoiden empiirisillä kokeilla horisontaalinen edustuskäyttäytyminen on osoittautunut hyödylliseksi tuoton ennustamisessa jollain tavalla. Myös käyttäytymisportfolioiden, joilla on vertikaalinen edustustuotto, todelliset rajat näkyvät, mikä viittaa siihen, että edustuskäyttäytyminen voi tarjota hyödyllistä tietoa osaketuottoennusteen parantamiseksi, ja salkun rajat vaihtelevat sijoittajan asenteen mukaan tuoton muutoksiin.

eturistiriidat

kirjoittajat julistavat, ettei tämän paperin julkaisemiseen liity eturistiriitoja.

kuittaukset