absztrakt

a Reprezentációs torzítás egyfajta kognitív tendenciát jelent, és a befektetők számára befolyásolhatja a tőzsdei viselkedésüket. Érdekes probléma, hogy a reprezentációs torzítás segíthet-e a visszatérési előrejelzésben és a Portfólió kiválasztásában, amelyet kevésbé tanulmányozunk. Ebben a dolgozatban a reprezentációs torzításelmélet és a jelenlegi kínai piaci helyzet alapján egy új állománymérési rendszer hierarchiája épül fel, és egy megfelelő kritériumkészletet is javasolnak. Minden egyes kritériumnál megpróbáljuk mérni a készletek közötti befolyást az adaptált fuzzy AHP-vel. Ezután a Hausdorff-távolságot a tömegre alkalmazzuk, majd kiszámítjuk a vízszintes ábrázolás visszatérését. Az előrejelzés visszatér, szerinti reprezentációs viselkedés, van is egy új számítási módszer. Az empirikus eredmények azt mutatják, hogy a reprezentációs torzítási információk hasznosak a visszatérési előrejelzéshez, valamint a Portfólió kiválasztásához.

1. Bevezetés

a reprezentációs torzítás fogalmát Tversky és Kahneman a pénzügyi döntések normális viselkedési jellemzőjeként javasolja. Úgy vélik, hogy a” reprezentációs heurisztikus ” rossz hatással van az emberek döntéseire a véleményépítés és az érvelés során. DeBondt és Thaler szerint túlreagálás van, hogy a valószínűségek kijavítása után a befektetők túlsúlyba hozhatják az újonnan megszerzett információkat. Ami a befektetői viselkedés a biztonsági piac, Teljesebb meghatározza az egyik, mint a képviselet elfogultság, ami megtévesztheti a befektetők úgy érzik, már feldolgozott információt helyesen, mielőtt döntést hoz. Általában kétféle reprezentációs torzítás létezik: vízszintes ábrázolási torzítás és függőleges ábrázolási torzítás . Zhang szerint a horizontális torzítás azt jelenti, hogy az emberek hajlamosak egy dolgot osztályozni analógjaival, és előrejelzik a dolgot a jövőben hasonlóságai szerint. Eközben a vertikális elfogultság azt jelenti, hogy a pénzügyi piacokon az emberek könnyen hajlamosak megítélni vagy előrejelezni egy részvényt saját történelmi nyilvántartása szerint.

ami a viselkedési elfogultság hatásait illeti, sok tudós érdekes kutatást végzett. A chicagói tőzsdén Shefrin és Statman tesztjei azt mutatják, hogy a befektetők viselkedésbeli torzulása jelentősen és rövid távon befolyásolhatja a délutáni részvényárfolyamokat . A Coval és a Shumway szerint a veszteséges kereskedők által meghatározott árak jelentősen és gyorsabban változnak, mint az elfogulatlan kereskedők által meghatározott árak. Az elmúlt években a viselkedési befektetési portfólió elméletet alkalmazták a viselkedési befektetési portfólió határának levezetésére, valamint a Portfólió kiválasztási problémájára is. Ezen a területen a kutatók arra összpontosítanak, hogy a viselkedési torzítás hogyan befolyásolja a döntéshozatalt. Chira et al. végezzen kísérleteket a főiskolai hallgatókkal, majd elemezze a különböző viselkedési torzítások hatásait a pénzügyi döntésekre. Xu et al. kiterjeszti Tversky modelljét a befektetők reprezentációs elfogultsága alapján, a segédprogram maximalizálásának keretén belül; majd példaként a függőleges ábrázolási torzítással vizsgálják meg. Zhao és Fang javaslatot tesz egy számítási módszerre mind a függőleges, mind a vízszintes ábrázolási torzítás visszatéréseiről, és megpróbálja megtalálni, hogy a reprezentációs információk segíthetnek-e a visszatérési előrejelzésben a pénzügyi piacon.

az eszközallokációban, ami a szubjektív dolgok, például viselkedés és érzelmek mérését illeti, Saaty et al. eredetileg az AHP-t használja a pénzügyi problémák kezelésére. Ezután a pénzügyi elmélet fejlesztésével a komplex pénzügyi rendszer nagy figyelmet szentel. A fuzzy elméletet és módszereket, amelyek a hagyományosakhoz képest kevésbé szubjektívek, és jobban jellemzik a fuzzy befektetési környezetet és a folyamatot, fokozatosan számításba veszik. Az Enea és a Piazza ötvözi a fuzzy elméletet és az AHP módszert, és a fuzzy AHP-t terjeszti elő, de nem old meg bizonyos problémákat speciális értékekkel. Munkájuk alapján Tiryaki és Ahlatcioglu olyan adaptált módszert alkalmaznak, amely a nulla értékű problémát megoldja Törökország részvénypiacán, a befektetési döntéseket pedig az átlagos varianciamodellel hozzák meg. Az optimális beruházási súlyok azonban nem jelennek meg. Szerint, az adaptált fuzzy analitikus hierarchia folyamat módszer először mérésére vízszintes ábrázolás torzítás. A munka azon a megfontoláson alapul, hogy a komplex pénzügyi piacon még nem ismert, hogy a reprezentációs torzítás hogyan befolyásolja a befektető döntéseit. Bár mielőtt a befektetők befektetési döntéseket hoznának, értékelni fogják a piacot, valószínűleg nem fogják kiszámítani a dolgokat konkrét AHP – vel vagy bizonyos módszerekkel ilyen szigorúan és pontosan. Más szóval, olyan, mint egy fuzzy folyamat.

Ez a cikk a fent említett utolsó cikkünk frissített változatának tekinthető. Ez a dolgozat a főbb gondolatokat követi, hogyan mérjük a horizontális és vertikális reprezentációs torzítás hatását a készletvisszatérítésekre, ehelyett a jelenlegi kínai pénzügyi környezetet és a kapcsolódó politikákat figyelembe véve hierarchiával, kritériumokkal és súlyokkal újítjuk fel az értékelési rendszert. A számítási részben a Hausdorff távolságot alkalmazzuk a súlyozási problémák kezelésére. Az a helyzet, hogy a befektetők vertikális reprezentációs elfogultsága befolyásolhatja a hozamokkal kapcsolatos várakozásokat a jövőben, egy másik súlyozási módszert javasolunk az állomány történelmi adatainak és jelenlegi trendjének megfelelő súlyozással, valamint a nulla nevező problémájának leküzdésével. Ezután empirikus kísérleteket végzünk a kínai tőzsde adataival, az eredmények elfogadhatóak. Az új módszert empirikusan is teszteljük, összehasonlítjuk a Chira et al – val.’s módszer . Végül az előrejelzett hozamokat egy viselkedési befektetési portfólió kiválasztási modellbe helyezzük, bemutatva a hatékony határokat, amelyek arra utalnak, hogy a reprezentációs torzítás segíthet a hozam előrejelzésében, és bizonyos mértékig optimalizálhatja a Portfólió kiválasztását.

Ez a cikk a következőképpen szerveződik. A következő részben egy fuzzy mérést mutatunk be a reprezentációs viselkedésről, valamint egy hasznossági modellről. A 3. szakaszban empirikus kísérletekkel alkalmazzuk a módszereket, majd megbeszéljük a számítási eredményeket. A dolgozatot a 4. szakaszban található következtetések összefoglalásával zárjuk le.

2. Módszerek

2.1. Reprezentációs torzítás és visszatér

általában kétféle ábrázolási torzítás létezik: vízszintes torzítás és függőleges torzítás. A horizontális ábrázolási torzítás egyfajta viselkedést jelent, amelyet az emberek hajlamosak egy dolgot osztályozni más hasonló dolgokkal, és előrejelzik azt a hasonló dolgok szabályai szerint. A függőleges ábrázolási torzítás egy másik viselkedést vagy más szokást jelent, amelyet az emberek hajlamosak könnyen megítélni vagy előrejelezni egy dolgot saját történelmi nyilvántartása szerint (lásd ). Xu et al. a függőleges és vízszintes ábrázolási visszatérések kiszámítására szolgáló módszer előterjesztése; ezután Zhao és Fang javasolnak egy újat (lásd ). Itt követjük magyarázataikat a reprezentációs visszatérésekhez, de részletesen kiterjesztjük a számítást.

2.1.1. Vízszintes reprezentáció

a vízszintes reprezentációs hozam azokat a hozamokat jelenti, amelyeket a befektetők horizontális reprezentációs torzítással és információkkal prognosztizálnak és kiszámítanak. A készletek felvételére például egy állomány horizontális reprezentációs hozamát elsősorban a hasonló jellemzőkkel rendelkező egyéb állományok befolyásolják, mint például a hasonló iparágak és ugyanazon alaptársaság készletei. A befektetők horizontális képviselet elfogultság viselkedés hajlamosak megítélni egy állomány fényében a helyzet a többi hasonló készletek. Ezért a megfelelő készlethierarchia rendszer felépítése létfontosságú. Ebben a dolgozatban, kiszámításához vízszintes ábrázolás torzítás visszatér két lépést tesz az alábbiak szerint.

1. lépés (Vegye fel a kezdeti készleteket). Válasszon ki néhány készletet a kezdeti portfólióba. Vegyük például a dolgozat 3. részét; kiválasztunk 15 állományt, és megnevezzük őket.

2. lépés (a vízszintes ábrázolási torzítás visszatérésének súlyozása és kiszámítása). Válassza ki a részvények néhány jellemzőjét, amelyek a befektetők számára fontosak. Itt négy csoportra osztjuk a mutatókat, beleértve a befektetési környezetet, a vállalati kérdéseket, a készletek jövedelmezőségét, valamint a befektetők céljait. 30 mutatót választunk, ezeket jelöljük .
az elmúlt években a kínai kormány valamilyen módon gyengítette szabályozását a tőzsdén, a “láthatatlan kéz” pedig többet foglalkozott a piaccal, mint korábban. Ezért korábbi munkáinkhoz képest itt könnyítettünk a kormányzati felügyelet súlyán, és megemeltük az iparfejlesztés és a regionális gazdasági feltételek súlyát, a regionális és ipari gazdasági teljesítmény szerint jelentősen javultak. Az új állományhierarchia rendszer az 1. táblázat szerint.
határozza meg, hogy hol van az állomány vízszintes ábrázolása; a többi hasonló állomány visszatérése; és a készletnek a kritérium célállományához viszonyított hatástényezője . A kritérium szerint , ha az állomány nagy hatással van az állományra, nagy értéket kap. Például, ha az 1. állomány nagyobb hatással van az állományra, mint a 2. állomány (itt ), akkor . a kritérium súlyát jelenti a teljes állományhierarchia rendszerben,. Nyilvánvaló, hogy az állomány visszatérése a többi részvény hozamának súlyozott összege.
megállapítható, hogy a horizontális reprezentáció visszatérésének mérésének kulcsa a hatástényező kiszámítása ; akkor a reprezentációs torzítást valamilyen módon számszerűsítik.
határozza meg, hogy hol van az állomány fuzzy értéke a kritérium alapján, és főleg az adaptált fuzzy analitikus hierarchikus folyamat módszerrel számítja ki. Ezután be lehet helyezni a készletek közötti hasonlóság mérésébe. A fuzzy számok közötti távolság esetén a Hausdorff távolságot alkalmazzuk (lásd ). Vegyük például a háromszög fuzzy számokat. Először a pont és a fuzzy szám közötti távolságot határozzuk meg, ahol a tagsági függvény értéke nagyobb, mint 0, ami azt jelenti . Ezután a távolság két fuzzy számok
a távolság, meg kell felelnie a szimmetria. Ezért a Hausdorff távolság két háromszög fuzzy számok meghatározása
a fenti módszerekkel, a hatás tényező lehet kitalálni,majd a vízszintes ábrázolás visszatér kiszámítása.

2.1.2. Függőleges ábrázolás visszatér

a függőleges ábrázolási torzítás azt sugallja, hogy a befektetők hajlamosak megítélni vagy előrejelezni egy részvényt a története alapján, a többi kapcsolódó dolog helyett. Ezért feltételezzük, hogy egy állomány vertikális reprezentációs visszatérését elsősorban a saját történelmi adatai befolyásolják. A függőleges ábrázolási visszatérések kiszámításának eljárásait az alábbiakban mutatjuk be.

1. lépés (Vegye fel a kezdeti készleteket). Válasszon ki néhány állományt a kezdeti portfóliókba.

2. lépés (súly és a függőleges ábrázolási torzítás visszatérése). A vertikális reprezentációval rendelkező befektetők a részvény hozamelőzményeire koncentrálnak, és ennek alapján alakítják át várakozásaikat. Az állomány,, választjuk a történelmi hozamok időszakok jelöljük őket . A történeti adatok és az állomány jelenadatai közötti összefüggés hasonlóságát próbáljuk kitalálni, és ennek megfelelően a különböző időszakok történeti adatait jelölésekkel súlyozzuk . Chira et al. hidd el, hogy a különböző időszakok súlyainak meg kell felelniük , ami azt jelenti, hogy minél hosszabb az időszak, annál kisebb a súly (lásd ). De azzal érvelünk, hogy az egyes időszakok hatása a jelenlegi teljesítményre nem olyan megfelelő. By the way, azt találjuk, hogy a közelebbi időszakok nagyobb hatással lehetnek az előrejelzésre, amelyek hajlamosak túl sokat súlyozni a későkre, ami arra ösztönzi azt a tényt, hogy az előrejelzés nagymértékben követi a tendenciát. Ezért egy másik módszert javasolunk a súlyozás kezelésére, az új módszer pedig hangsúlyozza a történelem és a jelen összeegyeztetését. Feltételezzük, hogy ha a befektetők hasonló történelmet találnak, akkor megtanulják a történelmet, és a tanulás alapján előrejelzik a jövőbeli hozamokat. Ezenkívül a számítás során a “távolság” fogalmát is használjuk a súlyok kezelésére. A távolság pedig a mínusz abszolút értéke.
határozza meg a függőleges ábrázolási visszatérést az alábbiak szerint: hol van az állomány függőleges ábrázolási visszatérése, az állomány időben történő történelmi visszatérése , súlya , ami a történelem jelenre gyakorolt hatását jelenti. Definiáljuk a
értéket, az utolsó periódusok átlagát proxy változóként választjuk meg, majd ezt jelöljük . meghatározható a visszatérések idősor-regresszióival. az abszolút értéke időszak mínusz jelen készlet, ami olyan, mint a távolság , mivel elsősorban érdekel a hatása az elmúlt időszakokban. Meg kell jegyezni, hogy annak elkerülése érdekében, hogy a nevező 0 legyen, abszolút értékként állítjuk be plusz 1.

2.1.3. A reprezentáció

értéket ad vissza a való életben, azonban a reprezentációs viselkedési torzítással rendelkező befektetők számára nehéz tökéletesen elkülöníteni az előítéleteket egymástól. Ezért itt a vízszintes és a függőleges reprezentációs visszatéréseket próbáljuk összeilleszteni, és egy új mérést építünk a reprezentáció visszatéréseként. Bevezetünk egy vízszintes ábrázolási torzítási preferencia paramétert, amely 0 és 1 között van.

határozza meg, hogy hol van a készlet kombinált reprezentációs hozama, valamint a vízszintes ábrázolási torzítási preferencia paraméter. Tól től (8), láthatjuk, hogy amikor 1, Ez azt jelenti, hogy a befektetők teljesen bízik a vízszintes képviselet hozamok; ha 0, azt sugallja, hogy a befektetők viszont a függőleges ábrázolás hozamok. Itt elsősorban az előrejelzési hibákat elemezzük. Szerint (8), azt feltételezzük , hogy a valós hozam , az előrejelzési hibát jelöljük, mint az előrejelzési hibáját, valamint az is előrejelzési hibáját . Akkor van

By (11), láthatjuk, hogy a reprezentációs visszatérések előrejelzési hibáját mind a vízszintes, mind a függőleges ábrázolási visszatérések előrejelzési hibái befolyásolják. Ezt a horizontális ábrázolási torzítási preferencia paraméter is befolyásolja . Meg kell jegyezni, hogy a paraméter a befektetők reprezentációs preferenciájától függ. Ha egy befektető a horizontális ábrázolási információkat részesíti előnyben, akkor általában nagyobb, mint 0,5; ellenkező esetben a paraméter kisebb.

2.2. Portfolio Selection based on Representation Returns and Prospect Theory

Általánosságban elmondható, hogy a Portfólió kiválasztásának két kerete van: maximalizálja a segédprogramot és a visszatérési kockázatot. Az átlagos varianciás portfólióelmélet lehetővé teszi a befektetők számára, hogy elfogadható hozammal minimalizálják a kockázatot,vagy ésszerű kockázattal maximalizálják várható hozamukat (lásd). Manapság már széles körben használják a valós piacon. Figyelembe véve azonban azt a tényt, hogy a hagyományos átlagos variancia modell esetleg nem felel meg a befektetők viselkedésének, az empirikus kísérletben a Prospect elmélet alapján választjuk ki a Portfólió kiválasztási modellt.

Prospect theory is proposed by Kahneman and Tversky in 1979. Ebben az elméletben a referenciapont létfontosságú fogalom. Ez olyan, mint egy benchmark, amelyet az emberek hajlamosak összehasonlításra használni, amikor valamit megítélnek. Kahneman és Tversky szerint azt tapasztalják, hogy a befektetők elsősorban attól a referenciaponttól függően értékelik az eszközt, amellyel a reálérték helyett a hozamot vagy veszteséget hasonlítják össze. Más szóval, amikor a befektetők összehasonlítanak egy bizonyos referenciaszinttel, akkor még az abszolút értéknél is jobban törődnek a relatív értékkel. Amikor egy referenciapont megváltozik, a befektetők teljesen eltérő döntéseket hozhatnak. Zhou-val azt feltételezik, hogy a referenciapontot mindig a hosszú lejáratú kötvény kockázatmentes kuponkulcsaként határozzák meg, mivel a befektetők hajlamosak összehasonlítani a megtérülési rátát a kötvény kuponkulcsával. A dolgozat következő részében egy új paramétert mutatunk be, amely bemutatja a referenciaszintet.

feltételezzük, hogy van egy egylépcsős modell, és a piac mentes a súrlódástól, így nincs short értékesítés. Vannak kockázatos eszközök ,és a kezdeti vagyon. A reprezentációs visszatéréseket vektor jelöli . Határozza meg , melyik az eszközbe történő befektetés összege, és . A beruházás végén a nyereség .

határozza meg a befektetők hasznosságát reprezentációs viselkedési torzítással Fibbo funkcióval. Klasszikus formája a közüzemi funkció, amely a befektetők érzékenységét jelenti a hozamváltozásokkal szemben. Ezenkívül a kilátások elméletét használjuk a változások mérésére. Van

itt az értékfüggvény, amely a befektető referenciaszintjét jelöli. Kahneman és Tversky szerint a veszteség nagyobb hatást gyakorol a döntéshozatalra, mint a hozam, így az értékfüggvény-alakú. Kahneman és Tversky szerint az alábbiak szerint lehet kijelenteni:

figyelembe (14) és (13) a (12), van

szabály szerint maximalizálja a közüzemi és a piaci helyzet Kínában, hogy nincs short értékesítés, megkapjuk a matematikai programozási modellt az alábbiak szerint:

3. Empirikus kísérletek

annak érdekében, hogy fedezze a különböző iparágak és területek, kiválasztjuk 15 készletek raktárról a piac Kína. A készletek: 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, and ZTE. Jelölje meg az állomány . Minden adat a Wind adatbázisból származik,a minta pedig 2012. január 6-tól 2012. December 28-ig, hetente. A visszatérések kiszámítása logaritmussal történik a számítás előtt.

3.1. A vízszintes ábrázolás kiszámítása

a 2. szakaszban megadott számítási lépésekkel a vízszintes ábrázolási visszatéréseket a következőképpen számítjuk ki.

1. lépés. Állítsa be minden kritérium súlyát, amint azt az 1. táblázatban mutatjuk be.

2. lépés. Elemezzen minden mutatót, majd állítsa be a fuzzy páros összehasonlító értéket a nyelvi fontossági érték szerint: csak egyenlő, ugyanolyan fontos, gyengén fontos, mérsékelten fontos, erősen fontos. Háromszög alakú fuzzy páros összehasonlító értékeik a következők (), (), (), (), és ().

3. lépés. Készítse el az összehasonlító mátrixot minden egyes kritériumhoz. Itt mutatjuk be a mutató összehasonlítási mátrixát kereskedhető részvényesek példaként a 2. táblázatban.

4. lépés. Számítsa ki a mátrixokat, amelyek összesen 30.

5. lépés. Számítsuk ki a fuzzy szám minden állomány minden kritérium; akkor lehet kapni . Itt bemutatjuk a fuzzy számok minden állomány kritérium példaként 3. táblázat.
ahogy a fenti példa is mutatja, hasonlóképpen, a többi 29 mutató esetében is meg tudjuk határozni a készletek fuzzy értékeit. Mi több, hogy a különböző hierarchiák fontossága szerint a különböző értékeket a számítások szerint a készletek közötti hasonlósággal is megkaphatjuk. Például feltételezzük, hogy a négy hierarchia közötti numerikus kapcsolat 1 : 1 : 1 : 1. Ezután egységesíthetjük a hasonlóságokat, és a vízszintes reprezentációs visszatérések kiszámításába helyezhetjük őket. Welch és Goyal szerint a történelmi hozamok átlaga bizonyos idők között az előrejelzés referenciaértékeként állítható be, mivel a számítás nélküli matematikai átlagnak állítólag nincs információja. Ezzel a feltételezéssel, ha az előrejelzett vízszintes ábrázolás jobban teljesít, ez azt jelenti, hogy a vízszintes ábrázolás nyugtázás hasznos információkat nyújt, és hasznos lehet a piaci megítélésben. Az empirikus kísérletben az elmúlt négy történelmi szám átlagát számítjuk referenciaértékként, és megpróbáljuk előrejelezni a következő négy hét hozamait. Az eredmények a táblázat 4 mutatja.
A 4. táblázatból láthatjuk, hogy a horizontális reprezentációs információkkal rendelkező négy előrejelzés jobban teljesít, mint a referenciaértékek, az átlagos hibacsökkentés pedig 29, 77%. Figyelembe véve, hogy a referenciaértékek beállítása nem tartalmaz információt, és az új vízszintes ábrázolás visszatér jobban néz ki az előrejelzés, azt mutatja, valamilyen módon, hogy a vízszintes ábrázolás torzítás segíthet előrejelezni a hozamok. Más szavakkal, a befektetők reprezentációs magatartása hasznos információkat szolgáltathat a visszatérési előrejelzésben. Emellett meg kell jegyezni, hogy itt elsősorban arra összpontosítunk, hogy a reprezentációs viselkedés értelmes információkat tartalmazhat-e az előrejelzés pontossága helyett. Mivel a referenciaértékek nem jósolnak nagyon jól, a hibacsökkentések néha nagyok.

3.2. A vertikális Reprezentációs visszatérések kiszámítása

A vertikális reprezentációs visszatérések számítása és tesztelése tekintetében az előrejelzésekben használt mintaként az utolsó négy hónap (tizenhat) hozamot választjuk ki. Ezután két módszert alkalmazunk a módszer súlyozására és a miénkre, valamint bemutatjuk az eredmények összehasonlítását. A feltételezések hasonlóak a fent említett horizontális helyzethez, ha az előrejelzés visszatérése jobban teljesít, ami azt jelenti, hogy a függőleges ábrázolási viselkedés információi felhasználhatók az előrejelzésekben.

a fent említett módszer szerint a súlyok számtani sorrendet követnek, amely biztosítja, hogy minél közelebb van, annál nehezebb a súly, és a súlyok idővel egyenletesen növekednek. Ezért a kezdeti súlyt 0,01293-ra állítjuk, az aritmetika pedig 0. 0128. Ily módon az utolsó 12 súly összege 1. A (6), a visszatér a következő 4 időszakok lehet előre jelezni.

a 2. szakaszban egy módszert adaptálunk a függőleges ábrázolás visszatérésének kiszámításához, a módszer pedig kiküszöböli a nulla nevező helyzetét. A számítási részben először regressziókkal kell kiderítenünk a visszatérési sorozat késéseit, és el kell döntenünk, hogy hány időszakra van szükség ahhoz, hogy felvegyék őket, mivel az átlag a jelenlegi hozam proxy változója lesz. Továbbá kiválasztjuk az elmúlt négy időszak átlagát, mint a készlet jelenlegi hozamszintjét, és ezt jelöljük . Ezután a súlyokat a (7) szerint lehet kiszámítani. Végül kitaláljuk a visszatérési előrejelzés eredményeit. Az 5. táblázatból láthatjuk a két módszer eredményeit. Kiderül, hogy a módszerünkkel elért eredmények jobbak , mint a bentiek, ami arra utal, hogy a vertikális reprezentációs mérések információi valamilyen módon hasznosak lehetnek a visszatérési előrejelzésben.

3.3. A Reprezentációs hozamok és a Prospektuselmélet Portfóliómodelljein alapuló eredmények

a módszerünkkel kiszámított vertikális reprezentációs hozamokat vesszük példaként, majd a prospektuselmélet portfóliókiválasztási modelljébe helyezzük őket referenciaértékeikkel együtt. Tversky és Kahneman szerint (lásd) a 2.2-ben említett modellben a viselkedési jellemzőket akkor lehet legjobban mérni, ha,.

a portfóliók határait a függőleges reprezentációs hozamokkal, valamint a döntési változókkal a portfóliókiválasztási modell szerint vonhatjuk le. Figyelembe véve, hogy a portfólió hozama -0.12 és 0.12 között van, az intervallumot 20 különböző szintre osztjuk, és minden közüzemi értéket kiszámítunk. Aztán a határokat másképp kapjuk meg. A határok, mint ábra 1 mutatja.

1. ábra

a határvonal when (line·), (line) és (line+).

Az 1. Ábrán a vízszintes tengely a portfólió visszatér, míg a függőleges a várható hasznosság. Mind a három határ sima és lefelé görbék, mutatja a határokat, amikor,, és . Világosan láthatjuk, hogy ha nagyobb, akkor a görbe meredekebb. Ez azért van, mert ha nagyobb, akkor a túlzott hozamok hatása a befektetők hasznosságára nagyobb, és a befektetők általában érzékenyebbek a hozamok változásaira. Ezzel a számmal azt is megállapíthatjuk, hogy a hozam növekedésével a segédprogram csökken. Ennek oka az, hogy amikor a portfólió hozama emelkedik, a befektetők várakozásai is növekednek; akkor a befektetés veszteségei is növekednek. Már tudjuk, hogy a veszteségek nagyobb hatással vannak, mint a segédprogram megtérülése, majd a segédprogram leesik. Meg kell jegyezni, hogy amikor ez azt jelenti, hogy a befektetők hozzáállása mind a nyereséghez, mind a veszteséghez azonos.

4. Következtetések

ebben a tanulmányban továbbra is arra összpontosítunk, hogy a befektetők képviseleti magatartása milyen hatással lehet A részvények hozamára és befektetési döntéseire. Először frissítjük az általunk korábban felépített analitikus hierarchiát és kritériumot, majd megpróbáljuk elemezni a horizontális reprezentációs viselkedésű befektetők részvényjellemzőit. Ezután az adaptált fuzzy AHP-t használjuk a kritérium készletekre gyakorolt hatásának számszerűsítésére, valamint a “távolság” fogalmán alapuló vízszintes és függőleges reprezentációs visszatérések mérésére, amely magában foglalja a készletek közötti hasonlóságot. Így a Hausdorff-távolság a súlyra kerül, és kiszámítja a vízszintes ábrázolás visszatérését. A vertikális reprezentációs visszatérési számításban a nulla nevező problémája előzetesen megoldódott.

a kínai tőzsde empirikus kísérleteivel a vízszintes ábrázolási viselkedés hasznosnak bizonyult a hozamok valamilyen módon történő előrejelzéséhez. A vertikális reprezentációs hozamokkal rendelkező viselkedési portfóliók tényleges határai is megjelennek, amelyek arra utalnak, hogy a reprezentációs viselkedés hasznos információkat nyújthat a készlet-visszatérési előrejelzés javításához, a Portfólió határai pedig a befektető hozzáállása szerint változnak a visszatérési változásokhoz.

összeférhetetlenség

a szerzők kijelentik, hogy nincs összeférhetetlenség a cikk közzétételével kapcsolatban.