Abstract

bias rappresentazione significa una sorta di tendenza cognitiva, e, per gli investitori, può influenzare il loro comportamento nel mercato azionario. Se il bias di rappresentazione può aiutare la previsione di rendimento e la selezione del portafoglio è un problema interessante che è meno studiato. In questo documento, sulla base della teoria del pregiudizio di rappresentazione e della situazione attuale dei mercati in Cina, viene costruita una nuova gerarchia del sistema di misurazione delle scorte e viene proposto anche un corrispondente insieme di criteri. Su ogni criterio, cerchiamo di misurare l’influenza tra gli stock con AHP fuzzy adattato. Quindi la distanza di Hausdorff viene applicata al peso e calcola i ritorni di rappresentazione orizzontale. Per i ritorni di previsione, in base ai comportamenti di rappresentazione, esiste anche un nuovo metodo di calcolo. I risultati empirici mostrano che le informazioni di polarizzazione della rappresentazione sono utili per la previsione di rendimento e per la selezione del portafoglio.

1. Introduzione

Il concetto di rappresentazione bias è proposto da Tversky e Kahneman come una normale caratteristica comportamentale nelle decisioni finanziarie. Credono che la “rappresentazione euristica” influenzi gravemente le decisioni delle persone durante la costruzione e il ragionamento delle loro opinioni. DeBondt e Thaler sostengono che esiste una reazione eccessiva che, dopo aver corretto le probabilità, gli investitori possono sovrappeso le informazioni appena ottenute. Per quanto riguarda i comportamenti degli investitori nel mercato della sicurezza, Fuller definisce uno di essi come pregiudizi di rappresentazione che possono indurre in errore gli investitori a credere di aver già elaborato correttamente le informazioni prima di prendere una decisione. In generale, ci sono due tipi di pregiudizi di rappresentazione: bias di rappresentazione orizzontale e bias di rappresentazione verticale . Secondo Zhang, il pregiudizio orizzontale significa che le persone hanno la tendenza a classificare una cosa con i suoi analoghi e prevedere la cosa in futuro in base alle sue somiglianze. Nel frattempo, il pregiudizio verticale implica che, nei mercati finanziari, le persone tendono facilmente a giudicare o prevedere un titolo in base ai propri record storici.

Per quanto riguarda gli effetti che il pregiudizio comportamentale potrebbe portare al mercato finanziario, molti studiosi hanno fatto alcune ricerche interessanti. Nel mercato della Borsa di Chicago, i test di Shefrin e Statman mostrano che i pregiudizi comportamentali degli investitori possono influenzare in modo significativo e a breve termine i prezzi delle azioni pomeridiane . Secondo Coval e Shumway, i prezzi fissati dai trader avversi alla perdita sono invertiti in modo significativo e più rapido rispetto a quelli stabiliti dai trader imparziali. Negli ultimi anni, la teoria del portafoglio di investimento comportamentale è stata applicata per derivare la frontiera del portafoglio di investimento comportamentale e utilizzata anche per il problema di selezione del portafoglio. In questo campo, il modo in cui il pregiudizio comportamentale influisce sul processo decisionale è focalizzato dai ricercatori. Chira et al. fai esperimenti con gli studenti al college e poi analizzano gli effetti di diversi pregiudizi comportamentali sulle decisioni finanziarie. Xu et al. estendi il modello di Tversky basato sul bias di rappresentazione degli investitori e sotto la cornice di massimizzare l’utilità; quindi lo esaminano con il bias di rappresentazione verticale come esempio. Zhao e Fang propongono un metodo di calcolo di entrambi i rendimenti di bias rappresentazione verticale e orizzontale e cercare di trovare se le informazioni di rappresentazione può aiutare ritorno previsione nel mercato finanziario.

Nell’asset allocation, per quanto riguarda la misurazione delle cose soggettive, come comportamenti ed emozioni, Saaty et al. originariamente utilizzare l’AHP per affrontare problemi finanziari. Poi, con lo sviluppo della teoria finanziaria, complesso sistema finanziario attira molta attenzione. E la teoria e i metodi fuzzy, che, rispetto a quelli tradizionali, sono meno soggettivi e possono caratterizzare l’ambiente di investimento fuzzy e processare meglio, vengono gradualmente messi in calcolo. Enea e Piazza combinano la teoria fuzzy e il metodo AHP insieme e propongono AHP fuzzy, ma non risolvono alcuni problemi con valori speciali. Sulla base del loro lavoro, Tiryaki e Ahlatcioglu applicano un metodo adattato che risolve il problema del valore zero al mercato azionario turco e le decisioni di investimento sono prese con il modello di media varianza. Tuttavia, i pesi di investimento ottimali non vengono mostrati. Secondo, il metodo del processo di gerarchia analitica fuzzy adattato viene utilizzato in primo luogo per misurare il bias di rappresentazione orizzontale. Il lavoro si basa sulla considerazione che, nel complesso mercato finanziario, il percorso vivido di come il pregiudizio di rappresentazione influenza le decisioni dell’investitore è ancora sconosciuto. Anche se prima che gli investitori prendano decisioni di investimento valuterebbero il mercato, probabilmente non calcoleranno le cose con AHP specifico o alcuni metodi in modo così rigoroso e preciso. In altre parole, è come un processo fuzzy.

Questo documento può essere visto come una versione aggiornata del nostro ultimo documento menzionato sopra. Questo lavoro segue i principali pensieri su come misurare l’effetto del bias di rappresentazione orizzontale e verticale sui rendimenti azionari, ma, invece, considerando l’attuale contesto finanziario in Cina e le relative politiche, rinnoviamo il sistema di valutazione con gerarchia, criterio e pesi. Nella parte di calcolo, applichiamo la distanza di Hausdorff per affrontare i problemi di ponderazione. In base alla situazione in cui il pregiudizio di rappresentazione verticale degli investitori può influenzare l’aspettativa dei rendimenti in futuro, proponiamo un altro metodo di ponderazione con il grado di corrispondenza dei dati storici del titolo e del suo andamento attuale e superare il problema del denominatore zero. Poi prendiamo esperimenti empirici con i dati nel mercato azionario cinese, ed i risultati sono accettabili. E il nuovo metodo è anche testato empiricamente, e lo confrontiamo con Chira et al.’s metodo in . Infine, mettiamo i rendimenti previsionali in un modello di selezione del portafoglio di investimento comportamentale e mostriamo le frontiere efficaci, il che suggerisce che il bias di rappresentazione può aiutare la previsione dei rendimenti e ottimizzare la selezione del portafoglio in una certa misura.

Questo documento è organizzato come segue. Nella sezione successiva indichiamo una misurazione sfocata sui comportamenti di rappresentazione e un modello di utilità. Nella Sezione 3, applichiamo i metodi con un esperimento empirico e discutiamo i risultati computazionali. Finiamo il documento con una sintesi delle conclusioni nella Sezione 4.

2. Metodi

2.1. Rappresentazione Bias e restituisce

In generale, ci sono due tipi di rappresentazione bias: bias orizzontale e bias verticale. Il bias di rappresentazione orizzontale implica un tipo di comportamento che le persone tendono a classificare una cosa con altre cose simili e prevederla seguendo le regole delle sue cose simili. La rappresentazione verticale bias significa un altro comportamento o altre abitudini che le persone tendono a giudicare facilmente o prevedere una cosa secondo i propri record storici (vedi ). Xu et al. proporre un metodo per calcolare i rendimenti di rappresentazione verticale e orizzontale; quindi Zhao e Fang ne propongono uno nuovo (vedi ). Qui seguiamo le loro spiegazioni ai ritorni di rappresentazione, ma estendiamo il calcolo in dettaglio.

2.1.1. Rendimenti di rappresentazione orizzontale

Il rendimento di rappresentazione orizzontale indica i rendimenti che gli investitori prevedono e calcolano con pregiudizi e informazioni di rappresentazione orizzontale. Prendendo le scorte, ad esempio, la rappresentazione orizzontale rendimento di uno stock è influenzata principalmente dalle altre scorte che hanno caratteristiche simili, come le scorte di industrie simili e della stessa società di fondi. Gli investitori con comportamenti di bias di rappresentazione orizzontale tendono a giudicare un titolo alla luce delle situazioni degli altri titoli simili. Pertanto, per costruire un adeguato sistema di gerarchia magazzino è di vitale importanza. In questo documento, per calcolare la rappresentazione orizzontale bias restituisce prende due passi come segue.

Passo 1 (raccogliere le scorte iniziali). Selezionare alcuni titoli da mettere nel portafoglio iniziale. Prendere parte 3 di questo documento, per esempio; selezioniamo 15 titoli e nominarli come .

Passaggio 2 (ponderazione e calcolo dei rendimenti di bias di rappresentazione orizzontale). Scegliere alcune caratteristiche delle scorte che gli investitori si preoccupano. Qui dividiamo gli indicatori in quattro gruppi, tra cui l’ambiente di investimento, le questioni aziendali, la redditività delle azioni e gli obiettivi degli investitori. Scegliamo 30 indicatori e li denotiamo come .
Negli ultimi anni, il governo cinese ha indebolito la sua regolamentazione del mercato azionario in qualche modo, e la “mano invisibile” ha gestito di più sul mercato rispetto a prima. Quindi, rispetto al nostro precedente lavoro, qui abbiamo alleggerito il peso della supervisione del governo e sollevato i pesi dello sviluppo del settore e delle condizioni economiche regionali, in base alle prestazioni economiche regionali e industriali sono state migliorate in modo significativo. Il nuovo sistema di gerarchia delle azioni è come mostra la Tabella 1.
Definire dove si intende la rappresentazione orizzontale rendimento delle scorte ; si intende i rendimenti degli altri titoli simili, ; e si intende il fattore di effetto delle scorte rispetto allo stock obiettivo per criterio . Sul criterio, se magazzino ha una grande influenza sul magazzino, sarà dotato di un grande valore. Ad esempio, se lo stock 1 ha un impatto maggiore sullo stock rispetto allo stock 2 (qui ), allora . indica il peso del criterio nell’intero sistema gerarchico dello stock, . È chiaro che il rendimento delle azioni è una sorta di somma ponderata degli altri rendimenti azionari.
Si può trovare che la chiave per misurare il ritorno di rappresentazione orizzontale è calcolare il fattore di effetto ; quindi il bias di rappresentazione è quantificato in qualche modo.
Definire dove si intende il valore fuzzy di stock sul criterio , ed è principalmente calcolato dal metodo di processo di gerarchia analitica fuzzy adattato. Quindi può essere inserito nella misurazione della somiglianza tra gli stock. Per la distanza tra i numeri fuzzy, applichiamo la distanza di Hausdorff (vedi ). Prendete i numeri fuzzy triangolo,, per esempio. Per prima cosa definiamo la distanza tra il punto e un numero fuzzy dove può essere visto come il valore della sua funzione di appartenenza è maggiore di 0, il che implica . Quindi, la distanza tra due numeri fuzzy è
Per la distanza, dovrebbe soddisfare la simmetria. Pertanto, la distanza di Hausdorff tra due numeri fuzzy triangolari è definita come
Con i metodi sopra riportati, il fattore di effetto può essere calcolato e quindi viene calcolato il ritorno di rappresentazione orizzontale.

2.1.2. Rendimenti di rappresentazione verticale

Il pregiudizio di rappresentazione verticale suggerisce che gli investitori tendono a giudicare o prevedere un titolo in base alla sua storia invece delle altre cose correlate. Pertanto, assumiamo che il ritorno di rappresentazione verticale di uno stock sia principalmente influenzato dai propri dati storici. E le procedure di calcolo dei rendimenti di rappresentazione verticale sono come mostrato di seguito.

Passo 1 (raccogliere le scorte iniziali). Selezionare alcuni titoli da inserire nei portafogli iniziali.

Passo 2 (peso e calcolare i ritorni di polarizzazione rappresentazione verticale). Gli investitori con pregiudizi comportamentali di rappresentazione verticale si concentrano sulla storia di rendimento di un titolo e adattano le loro aspettative in base ad esso. Per stock,, scegliamo i suoi rendimenti storici con periodi e li denotiamo come . Cerchiamo di capire la somiglianza nella correlazione tra i dati storici e i dati attuali di uno stock e, in base a ciò, pesiamo i dati storici di diversi periodi con notazioni . Chira et al. credi che i pesi di periodi diversi dovrebbero soddisfare, il che significa che più lungo è il periodo da ora, meno il peso è (vedi ). Ma noi sosteniamo che l’effetto di ogni periodo sulla performance attuale non è così appropriato. A modo loro, possiamo scoprire che i periodi più vicini possono avere più effetto sulle previsioni, che tendono a pesare facilmente troppo su quelle tardive, il che incoraggia il fatto che le previsioni seguiranno la tendenza in larga misura. Pertanto, proponiamo un altro metodo per affrontare la ponderazione, e il nuovo modo sottolinea l’abbinamento tra la storia e il presente. Supponiamo che quando gli investitori trovano una storia simile, impareranno la storia e prevederanno i rendimenti futuri in base all’apprendimento. Inoltre, nel calcolo, usiamo anche il concetto di” distanza ” per gestire i pesi. E la distanza è un valore assoluto del meno.
Definire il ritorno rappresentazione verticale come mostrato nel seguente: dove è il ritorno rappresentazione verticale di magazzino, è il ritorno storico di magazzino in tempo , ed è il peso di , che implica l’effetto della storia sul presente. Definisci
Per il valore attuale, scegliamo la media degli ultimi periodi come variabile proxy e la denotiamo come . può essere determinato da regressioni serie temporali dei rendimenti. è il valore assoluto del periodo meno presente per lo stock, che è come la distanza,, poiché ci preoccupiamo principalmente degli effetti dei periodi passati. Va notato che, per evitare la situazione in cui il denominatore è 0, lo impostiamo come valore assoluto più 1.

2.1.3. La rappresentazione restituisce

Nella vita reale, tuttavia, per gli investitori con pregiudizi comportamentali di rappresentazione, è difficile isolare i pregiudizi perfettamente chiaramente l’uno dall’altro. Quindi qui cerchiamo di combinare insieme i ritorni di rappresentazione orizzontale e verticale e costruire una nuova misura man mano che la rappresentazione ritorna. Introduciamo un parametro di preferenza bias rappresentazione orizzontale, che è compreso tra 0 e 1.

Definire dove è il ritorno di rappresentazione combinata per stock ed è il parametro di preferenza bias rappresentazione orizzontale. Da (8), possiamo vedere che quando è 1, significa che gli investitori si fidano totalmente dei rendimenti di rappresentazione orizzontale; quando è 0, suggerisce che gli investitori si rivolgono ai rendimenti di rappresentazione verticale. Qui analizziamo principalmente gli errori di previsione da. Secondo (8), supponiamo che il ritorno reale sia , l’errore di previsione di è indicato come , l’errore di previsione di è indicato come e l’errore di previsione di è . Quindi abbiamo

Di (11), possiamo vedere che l’errore di previsione dei ritorni di rappresentazione è influenzato dagli errori di previsione dei ritorni di rappresentazione orizzontale e verticale. Ed è anche influenzato dal parametro di preferenza bias rappresentazione orizzontale . Va notato che il parametro dipende dalla preferenza di rappresentanza degli investitori. Se un investitore preferisce le informazioni di rappresentazione orizzontale, tende ad essere maggiore di 0,5; in caso contrario, il parametro è più piccolo.

2.2. Selezione del portafoglio Basata sui rendimenti di rappresentazione e sulla teoria delle prospettive

In generale, ci sono due framework sulla selezione del portafoglio: massimizzare l’utilità e il compromesso rischio-rendimento. La teoria del portafoglio di media varianza consente agli investitori di minimizzare il rischio con un rendimento accettabile o massimizzare il rendimento atteso con un rischio ragionevole (vedi ). Al giorno d’oggi, è stato ampiamente usato nel mercato reale. Tuttavia, considerando il fatto che il tradizionale modello di media-varianza potrebbe non essere appropriato per i comportamenti degli investitori, selezioniamo il modello di selezione del portafoglio basato sulla teoria delle prospettive nell’esperimento empirico.

La teoria della prospettiva è proposta da Kahneman e Tversky nel 1979. In questa teoria, il punto di riferimento è un concetto di vitale importanza. È come un punto di riferimento che le persone tendono ad usare per il confronto quando giudicano qualcosa. Secondo Kahneman e Tversky, scoprono che gli investitori valutano un asset principalmente in base al punto di riferimento con cui viene confrontato il rendimento o la perdita anziché il valore reale. In altre parole, quando gli investitori si confrontano con un certo livello di riferimento, si preoccupano del valore relativo ancor più del valore assoluto. Quando un punto di riferimento cambia, gli investitori possono prendere decisioni totalmente diverse. Lui e Zhou suppongono che il punto di riferimento sia sempre impostato come il tasso cedolare senza rischio dell’obbligazione con scadenza lunga poiché gli investitori tendono a confrontare il tasso di rendimento con il tasso cedolare dell’obbligazione. Nella prossima sezione di questo documento, introduciamo un nuovo parametro che mostra il livello di riferimento.

Si supponga che esista un modello a stadio singolo e che il mercato sia privo di attriti, senza consentire vendite allo scoperto. Ci sono attività rischiose, e la ricchezza iniziale è . I ritorni di rappresentazione sono indicati da un vettore . Definire, in cui è l’importo degli investimenti in attività , e . Alla fine dell’investimento, il profitto è .

Definire l’utilità degli investitori con rappresentazione behavioral bias con funzione Fibbo. La sua forma classica èdove è la funzione di utilità e significa la sensibilità degli investitori di fronte ai cambiamenti nei rendimenti. Inoltre, usiamo la teoria della prospettiva per misurare i cambiamenti. C’è

Ecco la funzione value e denota il livello di riferimento dell’investitore. Secondo Kahneman e Tversky, la perdita ha un impatto maggiore rispetto ai ritorni sul processo decisionale, quindi la funzione valore è a forma di. In particolare, secondo Kahneman e Tversky, si può affermare come di seguito:

Prendendo (14) e (13) in (12), c’è

Secondo la regola di massimizzare l’utilità e la situazione del mercato in Cina che non esiste una vendita allo scoperto, otteniamo il modello di programmazione matematica come segue:

3. Esperimenti empirici

Al fine di coprire diverse industrie e aree, selezioniamo 15 scorte da magazzino Un mercato della Cina. Le scorte sono 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 e ZTE. Denotare lo stock di . Tutti i dati sono dal Database del vento,e il campione è dal 6 gennaio 2012, al 28 dicembre 2012, settimanale. I rendimenti sono calcolati con logaritmo prima del calcolo.

3.1. Calcolo dei rendimenti di rappresentazione orizzontale

Con le fasi di calcolo , indicate nella Sezione 2, i rendimenti di rappresentazione orizzontale sono calcolati come segue.

Passaggio 1. Imposta il peso di ogni criterio come mostrato nella Tabella 1.

Passaggio 2. Analizza ogni indicatore e imposta il valore di confronto a coppie fuzzy in base al valore di importanza linguistica: uguale, altrettanto importante, debolmente importante, moderatamente importante e fortemente importante. I loro valori di confronto a coppie fuzzy triangolari sono (), (), (), (), e ().

Passaggio 3. Costruisci la matrice di confronto per ogni singolo criterio. Qui mostriamo la matrice di confronto degli azionisti tradable indicator come esempio nella Tabella 2.

Passaggio 4. Calcola le matrici and, che sono 30 in tutto.

Passaggio 5. Calcolare il numero fuzzy per ogni azione su ogni criterio; allora possiamo ottenere . Qui mostriamo i numeri fuzzy di ogni azione sul criterio come esempio nella Tabella 3.
Come mostra l’esempio sopra, allo stesso modo, possiamo capire i valori fuzzy delle scorte per gli altri 29 indicatori. Inoltre, in base all’importanza delle diverse gerarchie, possiamo anche ottenere i diversi valori in base al calcolo con la somiglianza tra gli stock. Ad esempio, assumiamo che la relazione numerica tra le quattro gerarchie sia 1 : 1 : 1 : 1. Quindi possiamo standardizzare le somiglianze e inserirle nel calcolo dei rendimenti di rappresentazione orizzontale. Secondo Welch e Goyal, la media dei rendimenti storici tra determinati tempi può essere impostata come benchmark di previsione, poiché la media matematica senza alcun calcolo dovrebbe non contenere informazioni. Con questa ipotesi, se la rappresentazione orizzontale prevista restituisce prestazioni migliori, ciò implica che il riconoscimento della rappresentazione orizzontale fornisce informazioni utili e può essere utile nel giudizio del mercato. Nell’esperimento empirico, calcoliamo la media con gli ultimi quattro numeri storici come benchmark e proviamo a prevedere i rendimenti nelle prossime quattro settimane. I risultati sono come Tabella 4 mostra.
Dalla Tabella 4, possiamo vedere che le quattro previsioni con informazioni di rappresentazione orizzontale funzionano tutte meglio dei benchmark e la riduzione media degli errori è del 29,77%. Considerando che i benchmark sono impostati come non contenenti informazioni e che i nuovi rendimenti di rappresentazione orizzontale sembrano migliori nelle previsioni, viene mostrato in qualche modo che il bias di rappresentazione orizzontale può aiutare a prevedere i rendimenti. In altre parole, i comportamenti di rappresentazione degli investitori possono fornire informazioni utili nella previsione di rendimento. Inoltre, va notato che qui ci concentriamo principalmente sul fatto che i comportamenti di rappresentazione possano contenere informazioni significative invece dell’accuratezza della previsione. Poiché i benchmark non prevedono molto bene, a volte le riduzioni degli errori sono grandi.

3.2. Calcolo dei rendimenti di rappresentazione verticale

Per quanto riguarda il calcolo e i test dei rendimenti di rappresentazione verticale, selezioniamo i rendimenti degli ultimi quattro mesi (sedici) come esempio utilizzato nella previsione. Quindi usiamo due metodi per pesare il metodo e il nostro e mostrare il confronto dei risultati. Le ipotesi sono simili alla situazione orizzontale sopra indicata, se i rendimenti di previsione si comportano meglio, il che significa che le informazioni dei comportamenti di rappresentazione verticale possono essere utilizzate nelle previsioni.

Secondo il metodo menzionato in , i pesi seguono una sequenza aritmetica, che può assicurarsi che più è vicino da ora, più pesante è il peso e che i pesi crescano uniformemente nel tempo. Quindi, impostiamo il peso iniziale come 0,01293 e l’aritmetica è 0. 0128. In questo modo, la somma degli ultimi 12 pesi è 1. Con (6), è possibile prevedere i rendimenti dei successivi 4 periodi.

Nella Sezione 2, adattiamo un metodo per calcolare il ritorno della rappresentazione verticale e il metodo annulla la situazione del denominatore zero. Nella parte di calcolo, dobbiamo prima scoprire i ritardi della serie di ritorno per regressioni e decidere quanti periodi sono necessari per essere prelevati poiché la media sarà una variabile proxy del rendimento attuale. Inoltre, selezioniamo la media degli ultimi quattro periodi come livello di rendimento attuale per lo stock e lo denotiamo come . Quindi i pesi possono essere calcolati secondo (7). Alla fine, scopriamo i risultati delle previsioni di ritorno. Dalla Tabella 5, possiamo vedere i risultati dei due metodi. Si può scoprire che i risultati con il nostro metodo sono migliori di quelli in , il che suggerisce che le informazioni delle misurazioni di rappresentazione verticale possono essere utili nella previsione di ritorno in qualche modo.

3.3. Risultati Basati sui modelli di portafoglio dei rendimenti di rappresentazione e Teoria delle prospettive

Prendiamo come esempio i rendimenti di rappresentazione verticale calcolati con il nostro metodo e li inseriamo nel modello di selezione del portafoglio della teoria delle prospettive insieme ai loro benchmark. Secondo Tversky e Kahneman (vedi), nel modello menzionato in 2.2, le caratteristiche comportamentali sono meglio misurate quando,.

Possiamo tracciare le frontiere dei portafogli con i rendimenti di rappresentazione verticale e le variabili decisionali in base al modello di selezione del portafoglio. Considerando che i rendimenti del portafoglio sono compresi tra -0,12 e 0,12, dividiamo l’intervallo di in 20 diversi livelli e calcoliamo ogni valore di utilità. Poi, otteniamo le frontiere con diversi. Le frontiere sono come mostra la Figura 1.

Figura 1

La frontiera quando (line·), (line) e (line +).

In Figura 1, l’asse orizzontale riguarda i rendimenti del portafoglio, mentre la verticale riguarda l’utilità prevista. Tutte e tre le frontiere sono curve lisce e al ribasso, mostrando le frontiere quando,, e . Possiamo vedere chiaramente che quando è maggiore, la curva è più ripida. Questo perché quando è maggiore, l’impatto dei rendimenti in eccesso sull’utilità degli investitori è maggiore e gli investitori tendono ad essere più sensibili ai cambiamenti dei rendimenti. Da questa cifra possiamo anche scoprire che, con il ritorno in aumento, l’utilità sta diminuendo. E questo perché quando i rendimenti del portafoglio salgono, aumentano anche le aspettative degli investitori; quindi aumentano anche le perdite derivanti dall’investimento. Abbiamo già saputo che le perdite hanno un impatto maggiore rispetto ai rendimenti sull’utilità, e quindi l’utilità cade. Va notato che quando, significa atteggiamenti degli investitori sia per il profitto e la perdita sono gli stessi.

4. Conclusioni

In questo documento, continuiamo a concentrarci sull’effetto che il comportamento di rappresentanza degli investitori può avere sui rendimenti azionari e sulle decisioni di investimento. Innanzitutto, aggiorniamo la gerarchia analitica e il criterio che abbiamo costruito prima e cerchiamo di analizzare le caratteristiche del titolo per gli investitori con comportamenti di rappresentazione orizzontali. Quindi usiamo l’AHP fuzzy adattato per quantificare l’impatto del criterio sulle scorte e prestare attenzione alla misurazione dei rendimenti di rappresentazione orizzontale e verticale basati sul concetto di “distanza”, che implica la somiglianza tra le scorte. In questo modo, la distanza di Hausdorff viene applicata al peso e calcola i rendimenti di rappresentazione orizzontale. E il problema del denominatore zero nel calcolo del ritorno della rappresentazione verticale è preliminarmente risolto.

Con gli esperimenti empirici del mercato azionario cinese, il comportamento di rappresentazione orizzontale si è dimostrato utile per prevedere i rendimenti in qualche modo. E vengono anche mostrate le frontiere effettive dei portafogli comportamentali con rendimenti di rappresentazione verticali, che suggeriscono che i comportamenti di rappresentazione possono fornire informazioni utili per migliorare la previsione dei rendimenti azionari e le frontiere del portafoglio variano in base all’atteggiamento dell’investitore nei confronti dei cambiamenti di rendimento.

Conflitto di interessi

Gli autori dichiarano che non vi è alcun conflitto di interessi per quanto riguarda la pubblicazione di questo documento.

Riconoscimenti