Résumé

Le biais de représentation signifie une sorte de tendance cognitive et, pour les investisseurs, il peut affecter leur comportement sur le marché boursier. La question de savoir si le biais de représentation peut aider les prévisions de rendement et la sélection du portefeuille est un problème intéressant qui est moins étudié. Dans cet article, basé sur la théorie du biais de représentation et la situation actuelle des marchés en Chine, une nouvelle hiérarchie du système de mesure des stocks est construite et un ensemble de critères correspondant est également proposé. Sur chaque critère, nous essayons de mesurer l’influence parmi les stocks avec un AHP flou adapté. Ensuite, la distance de Hausdorff est appliquée au poids et calcule les retours de représentation horizontale. Pour les retours de prévision, en fonction des comportements de représentation, il existe également une nouvelle méthode de calcul. Les résultats empiriques montrent que les informations sur le biais de représentation sont utiles pour les prévisions de rendement ainsi que pour la sélection du portefeuille.

1. Introduction

Le concept de biais de représentation est proposé par Tversky et Kahneman comme une caractéristique comportementale normale dans les décisions financières. Ils croient que « l’heuristique de la représentation » affecte gravement les décisions des gens lors de la construction et du raisonnement de leurs opinions. DeBondt et Thaler soutiennent qu’il existe une réaction excessive selon laquelle, après correction des probabilités, les investisseurs peuvent surpondérer les informations nouvellement obtenues. En ce qui concerne les comportements des investisseurs sur le marché des titres, Fuller définit l’un d’eux comme un biais de représentation qui peut induire les investisseurs en erreur en leur faisant croire qu’ils ont déjà traité correctement les informations avant de prendre une décision. En général, il existe deux types de biais de représentation: biais de représentation horizontale et biais de représentation verticale. Selon Zhang, le biais horizontal signifie que les gens ont tendance à classer une chose avec ses analogues et à prévoir la chose à l’avenir en fonction de ses similitudes. Pendant ce temps, le biais vertical implique que, sur les marchés financiers, les gens ont facilement tendance à juger ou à prévoir une action en fonction de ses propres enregistrements historiques.

En ce qui concerne les effets que les biais comportementaux pourraient avoir sur le marché financier, de nombreux chercheurs ont effectué des recherches intéressantes. Sur le marché boursier de Chicago, les tests de Shefrin et Statman montrent que le biais comportemental des investisseurs peut affecter de manière significative et à court terme les cours des actions de l’après-midi. Selon Coval et Shumway, les prix fixés par les traders opposés à la perte sont inversés de manière significative et plus rapidement que ceux fixés par des traders impartiaux. Ces dernières années, la théorie du portefeuille d’investissement comportemental a été appliquée pour dériver la frontière du portefeuille d’investissement comportemental et également utilisée pour le problème de sélection du portefeuille. Dans ce domaine, les chercheurs se concentrent sur la façon dont le biais comportemental affecte la prise de décision. Chira et coll. faites des expériences avec les étudiants au collège, puis ils analysent les effets de différents biais comportementaux sur les décisions financières. Xu et coll. étendre le modèle de Tversky basé sur le biais de représentation des investisseurs et dans le cadre de la maximisation de l’utilité; puis ils l’examinent avec le biais de représentation verticale comme exemple. Zhao et Fang proposent une méthode de calcul des rendements des biais de représentation verticale et horizontale et tentent de déterminer si les informations de représentation peuvent aider à prévoir les rendements sur les marchés financiers.

Dans l’allocation d’actifs, comme pour la mesure des choses subjectives, telles que les comportements et les émotions, Saaty et al. à l’origine, utilisez le PAA pour faire face à des problèmes financiers. Ensuite, avec le développement de la théorie financière, le système financier complexe attire beaucoup l’attention. Et la théorie et les méthodes floues, qui, par rapport aux méthodes traditionnelles, sont moins subjectives et peuvent mieux caractériser l’environnement d’investissement flou et le processus, sont progressivement mises en calcul. Enea et Piazza combinent la théorie floue et la méthode AHP et proposent une AHP floue, mais elles ne résolvent pas certains problèmes avec des valeurs spéciales. Sur la base de leurs travaux, Tiryaki et Ahlatcioglu appliquent une méthode adaptée qui résout le problème de la valeur nulle au marché boursier turc, et les décisions d’investissement sont prises avec le modèle de variance moyenne. Cependant, les poids d’investissement optimaux ne sont pas indiqués. Selon, la méthode de processus de hiérarchie analytique floue adaptée est d’abord utilisée pour mesurer le biais de représentation horizontale. Le travail est basé sur la considération que, dans le marché financier complexe, la façon dont le biais de représentation affecte les décisions de l’investisseur est encore inconnue. Bien qu’avant que les investisseurs ne prennent des décisions d’investissement, ils évaluent le marché, ils ne calculeront probablement pas les choses avec un AHP spécifique ou certaines méthodes de manière aussi stricte et précise. En d’autres termes, c’est comme un processus flou.

Cet article peut être considéré comme une version mise à jour de notre dernier article mentionné ci-dessus. Cet article suit les principales réflexions sur la façon de mesurer l’effet du biais de représentation horizontale et verticale sur les rendements boursiers, mais, au lieu de cela, compte tenu de l’environnement financier actuel en Chine et des politiques connexes, nous rénovons le système d’évaluation avec hiérarchie, critère et poids. Dans la partie calcul, nous appliquons la distance de Hausdorff pour traiter les problèmes de pondération. Dans la mesure où le biais de représentation verticale des investisseurs peut influencer l’attente des rendements à l’avenir, nous proposons une autre méthode de pondération avec le degré d’adéquation des données historiques du titre et de sa tendance actuelle et surmontons le problème du dénominateur zéro. Ensuite, nous prenons des expériences empiriques avec les données du marché boursier chinois, et les résultats sont acceptables. Et la nouvelle méthode est également testée empiriquement, et nous la comparons avec Chira et al.la méthode dans. Enfin, nous intégrons les rendements prévus dans un modèle de sélection de portefeuille d’investissement comportemental et montrons les frontières effectives, ce qui suggère que le biais de représentation peut aider à prévoir les rendements et à optimiser la sélection du portefeuille dans une certaine mesure.

Cet article est organisé comme suit. Dans la section suivante, nous énonçons une mesure floue sur les comportements de représentation et un modèle d’utilité. Dans la section 3, nous appliquons les méthodes avec une expérience empirique et discutons des résultats de calcul. Nous terminons le document avec un résumé des conclusions à la section 4.

2. Méthodes

2.1. Biais et retours de représentation

En général, il existe deux types de biais de représentation : le biais horizontal et le biais vertical. Le biais de représentation horizontale implique une sorte de comportement selon lequel les gens ont tendance à classer une chose avec d’autres choses similaires et à la prévoir en suivant les règles de ses choses similaires. Le biais de représentation verticale signifie un autre comportement ou d’autres habitudes que les gens ont tendance à juger ou à prévoir facilement une chose en fonction de ses propres enregistrements historiques (voir). Xu et coll. proposer une méthode de calcul des rendements de représentation verticale et horizontale; puis Zhao et Fang en proposent un nouveau (voir). Ici, nous suivons leurs explications aux retours de représentation, mais nous étendons le calcul en détail.

2.1.1. Rendements de représentation horizontale

Le rendement de représentation horizontale désigne les rendements que les investisseurs prévoient et calculent à l’aide de biais et d’informations de représentation horizontale. En prenant des actions, par exemple, le rendement de représentation horizontale d’une action est principalement influencé par les autres actions qui ont des caractéristiques similaires, telles que les actions d’industries similaires et de la même société de fonds. Les investisseurs ayant des comportements de biais de représentation horizontale ont tendance à juger une action à la lumière des situations des autres actions similaires. Par conséquent, construire un système de hiérarchie des stocks approprié est d’une importance vitale. Dans cet article, pour calculer les retours de biais de représentation horizontale, il faut deux étapes comme suit.

Étape 1 (récupérer les stocks initiaux). Sélectionnez quelques actions à placer dans le portefeuille initial. Prenez la partie 3 de cet article, par exemple; nous sélectionnons 15 actions et les nommons comme.

Étape 2 (pondération et calcul des retours de biais de représentation horizontale). Choisissez certaines caractéristiques des actions qui intéressent les investisseurs. Ici, nous divisons les indicateurs en quatre groupes, y compris l’environnement d’investissement, les enjeux de l’entreprise, la rentabilité des actions et les objectifs des investisseurs. Nous choisissons 30 indicateurs et les désignons comme.
Au cours des dernières années, le gouvernement chinois a affaibli d’une certaine manière sa réglementation sur le marché boursier, et la « main invisible” a plus traité du marché qu’auparavant. Par conséquent, par rapport à notre travail précédent, nous avons allégé ici le poids de la supervision gouvernementale et augmenté le poids du développement de l’industrie et des conditions économiques régionales, en fonction des performances économiques régionales et industrielles qui ont été considérablement améliorées. Le nouveau système de hiérarchie des stocks est le tableau 1.
Définir où signifie le rendement de représentation horizontale du stock; signifie les rendements des autres stocks similaires,; et signifie le facteur d’effet du stock par rapport au stock cible pour le critère. Sur le critère, si le stock a une grande influence sur le stock, sera doté d’une grande valeur. Par exemple, si le stock 1 a un impact plus important sur le stock que le stock 2 (ici), alors. signifie le poids du critère dans l’ensemble du système de hiérarchie des stocks, . Il est clair que le rendement des actions est une sorte de somme pondérée des autres rendements des actions.
On peut constater que la clé pour mesurer le retour de représentation horizontale est de calculer le facteur d’effet; ensuite, le biais de représentation est quantifié d’une manière ou d’une autre.
Définir où signifie la valeur floue du stock sur le critère, et elle est principalement calculée par la méthode de processus de hiérarchie analytique floue adaptée. Ensuite, il peut être mis dans la mesure de la similitude entre les stocks. Pour la distance entre les nombres flous, nous appliquons la distance de Hausdorff (voir). Prenez les nombres flous du triangle, par exemple. Nous définissons d’abord la distance entre le point et un nombre flou où peut être considérée comme la valeur de sa fonction d’appartenance est supérieure à 0, ce qui implique. Ensuite, la distance entre deux nombres flous est
Pour la distance, elle doit respecter la symétrie. Par conséquent, la distance de Hausdorff entre deux nombres flous triangulaires est définie comme
Avec les méthodes ci-dessus, le facteur d’effet peut être déterminé, puis le retour de représentation horizontale est calculé.

2.1.2. Rendements de la représentation verticale

Le biais de la représentation verticale suggère que les investisseurs ont tendance à juger ou à prévoir une action en fonction de son historique plutôt que des autres éléments connexes. Par conséquent, nous supposons que le rendement de la représentation verticale d’un stock est principalement influencé par ses propres données historiques. Et les procédures de calcul des rendements de représentation verticale sont les suivantes.

Étape 1 (récupérer les stocks initiaux). Sélectionnez quelques actions à placer dans les portefeuilles initiaux.

Étape 2 (pondérer et calculer les retours de biais de représentation verticale). Les investisseurs avec un biais comportemental de représentation verticale se concentrent sur l’historique de rendement d’une action et adaptent leurs attentes en fonction de celle-ci. Pour les actions,, nous choisissons ses rendements historiques avec des périodes et les désignons comme. Nous essayons de comprendre la similitude dans la corrélation entre les données historiques et les données actuelles d’un stock, et, en fonction de cela, nous pondérons les données historiques de différentes périodes avec des notations. Chira et coll. croyez que les poids des différentes périodes devraient satisfaire, ce qui signifie que plus la période est longue à partir de maintenant, moins le poids est (voir). Mais nous soutenons que l’effet de chaque période sur la performance actuelle n’est pas si approprié. À leur manière, nous pouvons constater que les périodes plus proches peuvent avoir plus d’effet sur les prévisions, qui ont tendance à peser facilement trop sur les périodes tardives, ce qui encourage le fait que les prévisions suivront dans une large mesure la tendance. Par conséquent, nous proposons une autre méthode pour traiter de la pondération, et la nouvelle manière met l’accent sur l’appariement de l’histoire et du présent. Nous supposons que lorsque les investisseurs trouvent un historique similaire, ils vont apprendre l’historique et prévoir les rendements futurs en fonction de l’apprentissage. De plus, dans le calcul, nous utilisons également le concept de ”distance » pour gérer les poids. Et la distance est une valeur absolue du moins.
Définissez le retour de représentation verticale comme indiqué dans ce qui suit: où est le retour de représentation verticale du stock, est le retour historique du stock à temps, et est le poids de, ce qui implique l’effet de l’histoire sur le présent. Définir
Pour la valeur actuelle, nous choisissons la moyenne des dernières périodes comme variable proxy et la désignons comme. peut être déterminé par des régressions de séries chronologiques des retours. est la valeur absolue de la période moins présente pour le stock, qui est comme la distance,, puisque nous nous soucions principalement des effets des périodes passées. Il est à noter que, pour éviter la situation où le dénominateur est 0, nous l’avons mis en valeur absolue plus 1.

2.1.3. Rendements de représentation

Dans la vie réelle, cependant, pour les investisseurs ayant un biais comportemental de représentation, il est difficile d’isoler parfaitement les biais les uns des autres. Par conséquent, nous essayons ici de combiner les retours de représentation horizontale et verticale et de construire une nouvelle mesure à mesure que la représentation revient. Nous introduisons un paramètre de préférence de biais de représentation horizontale, qui est compris entre 0 et 1.

Définissez où est le retour de représentation combiné pour le stock et le paramètre de préférence de biais de représentation horizontale. À partir de (8), nous pouvons voir que lorsque is 1, cela signifie que les investisseurs font totalement confiance aux rendements de représentation horizontale; lorsque is 0, cela suggère que les investisseurs se tournent vers les rendements de représentation verticale. Ici, nous analysons principalement les erreurs de prévision par. Selon (8), nous supposons que le rendement réel est, l’erreur de prévision de est notée as, l’erreur de prévision de est notée as et l’erreur de prévision de est. Ensuite, nous avons

By (11), nous pouvons voir que l’erreur de prévision des retours de représentation est influencée par les erreurs de prévision des retours de représentation horizontaux et verticaux. Et il est également affecté par le paramètre de préférence de biais de représentation horizontale. Il convient de noter que le paramètre dépend de la préférence de représentation des investisseurs. Si un investisseur préfère les informations de représentation horizontale, elles ont tendance à être supérieures à 0,5; sinon, le paramètre est plus petit.

2.2. Sélection du portefeuille Basée sur les rendements de représentation et la Théorie des perspectives

D’une manière générale, il existe deux cadres de sélection du portefeuille : maximiser l’utilité et le compromis rendement-risque. La théorie du portefeuille de la variance moyenne permet aux investisseurs de minimiser le risque avec un rendement acceptable ou de maximiser leur rendement attendu avec un risque raisonnable (voir). De nos jours, il a été largement utilisé sur le marché réel. Cependant, compte tenu du fait que le modèle traditionnel de variance moyenne pourrait ne pas convenir aux comportements des investisseurs, nous sélectionnons le modèle de sélection de portefeuille basé sur la théorie des perspectives dans l’expérience empirique.

La théorie des perspectives est proposée par Kahneman et Tversky en 1979. Dans cette théorie, le point de référence est un concept d’une importance vitale. C’est comme une référence que les gens ont tendance à utiliser pour comparer lorsqu’ils jugent quelque chose. Selon Kahneman et Tversky, ils constatent que les investisseurs évaluent un actif principalement en fonction du point de référence avec lequel le rendement ou la perte est comparé au lieu de la valeur réelle. En d’autres termes, lorsque les investisseurs se comparent à un certain niveau de référence, ils se soucient encore plus de la valeur relative que de la valeur absolue. Lorsqu’un point de référence change, les investisseurs peuvent prendre des décisions totalement différentes. Lui et Zhou supposent que le point de référence est toujours défini comme le taux de coupon sans risque de l’obligation à long terme, car les investisseurs ont tendance à comparer le taux de rendement avec le taux de coupon de l’obligation. Dans la section suivante de cet article, nous introduisons un nouveau paramètre indiquant le niveau de référence.

Supposons qu’il existe un modèle à une seule étape et que le marché est exempt de friction, ce qui ne permet pas de vente à découvert. Il y a des actifs risqués, et la richesse initiale est. Les retours de représentation sont désignés par un vecteur. Définir, dans lequel est le montant de l’investissement dans l’actif, et. À la fin de l’investissement, le bénéfice est de.

Définissez l’utilité des investisseurs avec un biais comportemental de représentation avec la fonction Fibbo. Sa forme classique estoù est la fonction d’utilité et signifie la sensibilité des investisseurs face aux changements de rendements. De plus, nous utilisons la théorie des perspectives pour mesurer les changements. Il y a

Voici la fonction de valeur, et indique le niveau de référence de l’investisseur. Selon Kahneman et Tversky, la perte a un impact plus important que les rendements sur la prise de décision, de sorte que la fonction de valeur est en forme. En particulier, selon Kahneman et Tversky, peut être déclaré comme suit:

En prenant (14) et (13) en (12), il y a

Selon la règle de maximisation de l’utilité et de la situation du marché en Chine qu’il n’y a pas de vente à découvert, nous obtenons le modèle de programmation mathématique comme suit:

3. Expériences empiriques

Afin de couvrir différentes industries et domaines, nous sélectionnons 15 actions sur le marché boursier de la Chine. Les stocks sont Poly Real Estate, Daqin Railway, Gree Electric Appliances, ICBC, Gezhouba Dam, Conque Cement, Minsheng Bank, Shandong gold, Sany, Vanke A, Wuliangye, Yunnan Baiyao, Sinopec, Zoomlion et ZTE. Désignez le stock par. Toutes les données proviennent de la base de données Wind, et l’échantillon est du 6 janvier 2012 au 28 décembre 2012, chaque semaine. Les retours sont calculés avec le logarithme avant le calcul.

3.1. Calcul des Déclarations de Représentation Horizontale

Avec les étapes de calcul, indiquées à la section 2, les déclarations de représentation horizontale sont calculées comme suit.

Étape 1. Définissez le poids de chaque critère comme nous le montrons dans le tableau 1.

Étape 2. Analysez chaque indicateur et définissez la valeur de comparaison floue par paire en fonction de la valeur d’importance linguistique: juste égale, également importante, faiblement importante, modérément importante et fortement importante. Leurs valeurs de comparaison triangulaires floues par paires sont (), (), (), (), et ().

Étape 3. Construisez la matrice de comparaison pour chaque critère unique. Nous montrons ici la matrice de comparaison de l’indicateur actionnaires négociables à titre d’exemple dans le tableau 2.

Étape 4. Calculez les matrices et, qui sont 30 en tout.

Étape 5. Calculez le nombre flou pour chaque stock sur chaque critère; alors nous pouvons obtenir. Nous montrons ici les nombres flous de chaque stock sur critère à titre d’exemple dans le tableau 3.
Comme le montre l’exemple ci-dessus, de même, nous pouvons déterminer les valeurs floues des stocks pour les 29 autres indicateurs. De plus, en fonction de l’importance des différentes hiérarchies, nous pouvons également obtenir les différentes valeurs en fonction du calcul avec la similitude entre les stocks. Par exemple, nous supposons que la relation numérique entre les quatre hiérarchies est 1:1: 1:1. Ensuite, nous pouvons standardiser les similitudes et les intégrer dans le calcul des rendements de représentation horizontale. Selon Welch et Goyal, la moyenne des rendements historiques entre certaines périodes peut être définie comme des repères de prévision, car la moyenne mathématique sans aucun calcul est censée ne contenir aucune information. Avec cette hypothèse, si les rendements de représentation horizontale prévus sont meilleurs, cela implique que l’accusé de réception de représentation horizontale fournit des informations utiles et peut être utile dans le jugement du marché. Dans l’expérience empirique, nous calculons la moyenne avec les quatre derniers chiffres historiques comme référence et essayons de prévoir les rendements au cours des quatre prochaines semaines. Les résultats sont comme le montre le tableau 4.
D’après le tableau 4, nous pouvons voir que les quatre prévisions avec des informations de représentation horizontale fonctionnent toutes mieux que les repères et que la réduction moyenne des erreurs est de 29,77%. Étant donné que les repères sont définis comme ne contenant aucune information et que les nouveaux rendements de représentation horizontale semblent mieux dans les prévisions, il est démontré d’une certaine manière que le biais de représentation horizontale peut aider à prévoir les rendements. En d’autres termes, les comportements de représentation des investisseurs peuvent fournir des informations utiles dans les prévisions de rendement. De plus, il convient de noter qu’ici, nous nous concentrons principalement sur la question de savoir si les comportements de représentation peuvent contenir des informations significatives au lieu de la précision de la prévision. Comme les benchmarks ne prévoient pas très bien, les réductions d’erreurs sont parfois importantes.

3.2. Calcul des Rendements de Représentation Verticale

En ce qui concerne le calcul et les tests des rendements de représentation verticale, nous sélectionnons les rendements des quatre derniers mois (seize) comme échantillon utilisé dans la prévision. Ensuite, nous utilisons deux méthodes pour pondérer la méthode et la nôtre et montrer la comparaison des résultats. Les hypothèses sont similaires à la situation horizontale indiquée ci-dessus, si les rendements prévisionnels sont meilleurs, ce qui signifie que les informations des comportements de représentation verticale peuvent être utilisées dans les prévisions.

Selon la méthode mentionnée dans, les poids suivent une séquence arithmétique, ce qui peut s’assurer que plus il est proche à partir de maintenant, plus le poids est lourd et que les poids augmentent uniformément au fil du temps. Par conséquent, nous définissons le poids initial comme 0,01293 et l’arithmétique est 0. 0128. De cette façon, la somme des 12 derniers poids est égale à 1. Avec (6), les rendements des 4 périodes suivantes peuvent être prévisionnels.

Dans la section 2, nous adaptons une méthode pour calculer le retour de représentation verticale, et la méthode annule la situation du dénominateur zéro. Dans la partie calcul, nous devons d’abord connaître les décalages de la série de retours par régressions et décider combien de périodes sont nécessaires pour qu’elles soient récupérées car la moyenne sera une variable proxy du rendement actuel. De plus, nous sélectionnons la moyenne des quatre dernières périodes comme niveau de rendement actuel des actions et la désignons comme. Ensuite, les poids peuvent être calculés selon (7). Enfin, nous déterminons les résultats des prévisions de retour. À partir du tableau 5, nous pouvons voir les résultats des deux méthodes. On peut constater que les résultats de notre méthode sont meilleurs que ceux de, ce qui suggère que les informations des mesures de représentation verticale peuvent être utiles dans la prévision de retour d’une manière ou d’une autre.

3.3. Résultats Basés sur les Modèles de Portefeuille de Rendements de Représentation et de Théorie des perspectives

Nous prenons comme exemple les rendements de représentation verticale calculés avec notre méthode et les intégrons dans le modèle de sélection de portefeuille de la théorie des perspectives avec leurs indices de référence. Selon Tversky et Kahneman (voir), dans le modèle mentionné en 2.2, les caractéristiques comportementales sont mieux mesurées lorsque , .

Nous pouvons tracer les frontières des portefeuilles avec les rendements de représentation verticale et les variables de décision selon le modèle de sélection du portefeuille. Considérant que les rendements du portefeuille sont compris entre -0,12 et 0,12, nous divisons l’intervalle de en 20 niveaux différents et calculons chaque valeur d’utilité. Ensuite, nous obtenons les frontières avec différentes. Les frontières sont comme le montre la figure 1.

Dans la figure 1, l’axe horizontal concerne les rendements du portefeuille, tandis que la verticale concerne l’utilité attendue. Les trois frontières sont des courbes lisses et baissières, montrant les frontières lorsque ,, et. On voit bien que lorsque c’est plus grand, la courbe est plus raide. En effet, lorsqu’il est plus important, l’impact des rendements excédentaires sur l’utilité des investisseurs est plus important et les investisseurs ont tendance à être plus sensibles aux variations des rendements. Par ce chiffre, nous pouvons également constater que, avec le retour augmentant, l’utilité diminue. Et c’est parce que lorsque les rendements du portefeuille augmentent, les attentes des investisseurs augmentent également; puis les pertes de l’investissement augmentent également. Nous savons déjà que les pertes ont un impact plus important que les rendements sur le service public, puis le service public tombe en panne. Il convient de noter que lorsque, cela signifie que les attitudes des investisseurs à la fois vis-à-vis du profit et de la perte sont les mêmes.

4. Conclusions

Dans cet article, nous continuons de nous concentrer sur l’effet que le comportement de représentation des investisseurs peut avoir sur les rendements boursiers et les décisions d’investissement. Tout d’abord, nous mettons à jour la hiérarchie analytique et le critère que nous avons construits auparavant et essayons d’analyser les caractéristiques des actions pour les investisseurs ayant des comportements de représentation horizontale. Ensuite, nous utilisons l’AHP floue adaptée pour quantifier l’impact du critère sur les stocks et prêter attention à la mesure des rendements de représentation horizontale et verticale basés sur le concept de « distance”, ce qui implique la similitude entre les stocks. De cette façon, la distance de Hausdorff est appliquée au poids et au calcul des retours de représentation horizontale. Et le problème du dénominateur zéro dans le calcul de retour de représentation verticale est préalablement résolu.

Avec les expériences empiriques du marché boursier chinois, le comportement de représentation horizontale s’est avéré utile pour prévoir les rendements d’une manière ou d’une autre. Et les frontières effectives des portefeuilles comportementaux avec des rendements de représentation verticale sont également montrées, ce qui suggère que les comportements de représentation peuvent fournir des informations utiles pour améliorer les prévisions de rendements boursiers, et les frontières du portefeuille varient en fonction de l’attitude de l’investisseur face aux changements de rendement.

Conflit d’intérêts

Les auteurs déclarent qu’il n’y a pas de conflit d’intérêts concernant la publication de cet article.

Remerciements