要約

表現バイアスは、認知傾向の一種を意味し、投資家のために、それは株式市場での行動に影響を与える可能性があります。 表現バイアスがリターン予測とポートフォリオ選択に役立つかどうかは、あまり研究されていない興味深い問題です。 本稿では，表現バイアス理論と中国の現在の市場状況に基づいて，新しい株式測定システムの階層を構築し，対応する基準のセットも提案した。 各基準について，適応ファジィＡＨＰを有する株式間の影響を測定しようとした。 次に、ハウスドルフ距離を重みに適用し、水平表現の戻り値を計算します。 予測リターンについては、表現行動に応じて、新しい計算方法もあります。 経験的結果から，表現バイアス情報はポートフォリオ選択と同様にリターン予測に有用であることを示した。

1. はじめに

表現バイアスの概念は、財務上の意思決定における通常の行動特性として、TverskyとKahnemanによって提案されています。 彼らは、”表現ヒューリスティック”は、意見の構築と推論の間に人々の決定にひどく影響すると信じています。 DeBondtとThalerは、確率を修正した後、投資家が新たに得られた情報を過体重にする可能性があるという過剰反応が存在すると主張している。 セキュリティ市場における投資家の行動については、フラーは、彼らが決定を下す前に、彼らはすでに正しく情報を処理したと信じて投資家を誤解させる 一般に、表現バイアスには二つの種類があります: 水平表現バイアスと垂直表現バイアス。 張によると、水平バイアスは、人々がその類似点で一つのことを分類し、その類似点に応じて将来的に物事を予測する傾向があることを意味します。 一方、垂直バイアスは、金融市場では、人々は簡単に自分の歴史の記録に従って株式を判断したり、予測する傾向がある、ということを意味します。

行動バイアスが金融市場にもたらす可能性のある効果については、多くの学者がいくつかの興味深い研究を行っています。 シカゴ証券取引所市場では、ShefrinとStatmanのテストは、投資家の行動バイアスが午後の株価に大幅かつ短期的に影響を与える可能性があることを示しています。 CovalとShumwayによると、損失を嫌うトレーダーによって設定された価格は、公平なトレーダーによって設定された価格よりも大幅かつ迅速に逆転しています。 近年，行動投資ポートフォリオ理論が行動投資ポートフォリオフロンティアを導出するために適用され，ポートフォリオ選択問題にも使用されている。 この分野では、行動バイアスが意思決定にどのように影響するかは、研究者によって焦点を当てています。 チラ他 大学の学生と実験をしてから、さまざまな行動バイアスが財務上の意思決定に及ぼす影響を分析します。 Xu et al. 投資家の表現バイアスに基づいて、効用を最大化するという枠組みの下でTverskyのモデルを拡張し、次に垂直表現バイアスを例にしてそれを調べます。 ZhaoとFangは、垂直および水平の表現バイアスリターンの計算方法を提案し、表現情報が金融市場における予測を返すのに役立つかどうかを見つけようと

資産配分では、そのような行動や感情などの主観的なものの測定については、Saatyら。 もともと財政問題に対処するためにAHPを使用しています。 その後、金融理論の発展に伴い、複雑な金融システムは多くの注目を集めています。 そして，従来のものと比較して主観的ではなく，ファジィ投資環境を特徴付けることができ，より良い処理をすることができるファジィ理論と方法を徐々に計算に入れた。 EneaとPiazzaはファジィ理論とAHP法を組み合わせてファジィAHPを提唱しましたが、特別な値でいくつかの問題を解決することはできません。 彼らの仕事に基づいて、TiryakiとAhlatciogluは、トルコの株式市場にゼロ価値問題を解決する適応された方法を適用し、投資決定は平均分散モデルで行われます。 ただし、最適な投資重みは示されていません。 によれば、適応ファジィ分析階層プロセス法は、最初に水平表現バイアスを測定するために使用されます。 この作業は、複雑な金融市場では、表現バイアスが投資家の決定にどのように影響するかの鮮明な経路はまだ不明であるという考察に基づいてい 投資家は投資判断を下す前に市場を評価しますが、特定のAHPやいくつかの方法で厳密かつ正確に計算することはおそらくありません。 言い換えれば、それはあいまいなプロセスのようなものです。この論文は、上記の最後の論文の更新版と見ることができます。

この論文は、上記の最後の論文の更新版と見ることができます。 本稿では、株式リターンに及ぼす水平および垂直表現バイアスの影響をどのように測定するかの主な考えに従っているが、代わりに、中国の現在の金融環境と関連する政策を考慮して、階層、基準、および重みを持つ評価システムを刷新する。 計算部では，重み問題に対処するためにＨａｕｓｄｏｒｆｆ距離を適用した。 投資家の垂直表現バイアスが将来のリターンの期待に影響を与える可能性があるという状況に応じて，株式の履歴データとその現在の傾向との一致度を重み付けする別の方法を提案し，ゼロ分母の問題を克服した。 その後、中国の株式市場のデータを実証実験し、その結果は許容されます。 そして、新しい方法も経験的にテストされ、Chiraらと比較します。の方法です。 最後に、予測リターンを行動投資ポートフォリオ選択モデルに入れ、効果的なフロンティアを示し、表現バイアスがリターン予測を助け、ポートフォリオ選択をある程度最適化することができることを示唆している。

この論文は以下のように構成されています。 次のセクションでは、表現動作と実用新案についてのファジィ測定を述べます。 セクション3では、この方法を経験的実験で適用し、計算結果について議論します。 私たちは、セクション4の結論の要約で論文を終わらせます。

2. メソッド

2.1. 表現バイアスとリターン

一般に、表現バイアスには、水平バイアスと垂直バイアスの二種類があります。 水平表現バイアスは、人々があるものを他の類似のものと分類し、類似のもののルールに従ってそれを予測する傾向がある一種の行動を意味します。 垂直表現バイアスは、人々がそれ自身の歴史記録に従って物事を容易に判断または予測する傾向がある別の行動または他の習慣を意味する（参照）。 Xu et al. 垂直方向と水平方向の表現のリターンを計算するためのメソッドを前方に置きます; その後、趙と牙は新しいものを提案する（参照）。 ここでは、表現の戻り値についての説明に従いますが、計算を詳細に拡張します。2.1.1. Horizontal Representation Returns

horizontal representation returnとは、投資家が水平表現のバイアスと情報を用いて予測し、計算するリターンを意味します。 例えば、株式を取ると、株式の水平表示リターンは、主に、同様の業界の株式や同じファンド会社の株式など、同様の特性を持つ他の株式によって影響され 水平表現バイアス行動を持つ投資家は、他の同様の株式の状況に照らして株式を判断する傾向があります。 したがって、適切な在庫階層システムを構築することは非常に重要です。 ここでは、水平表現バイアス戻り値を計算するには、次のように二段階を取る。

ステップ1（最初の株式を拾う）。 最初のポートフォリオに入れていくつかの株式を選択します。 このペーパーのパート3を、例えば取りなさい;私達は15の在庫を選び、それらに名前を付けなさい。

ステップ2（重み付けと水平表現バイアスの計算が返されます）。 投資家が気にする株式のいくつかの特性を選択してください。 ここでは、投資環境、企業の課題、株式の収益性、投資家の目標など、指標を四つのグループに分けています。 私たちは30の指標を選択し、それらを次のように示します。
近年、中国政府は何らかの形で株式市場への規制を弱めており、”見えない手”は以前よりも市場についての詳細を処理しています。 したがって、私たちの以前の仕事と比較して、ここでは、政府の監督の重みを軽くし、地域や産業の経済パフォーマンスが大幅に改善されているに応じて、 新しい在庫階層システムは、表1に示すとおりです。
定義whereは、株式の水平表現リターンを意味し、他の同様の株式のリターンを意味し、基準の目標株式と比較した株式の効果係数を意味します。 基準では、在庫が在庫に大きな影響を与える場合、大きな価値が与えられます。 たとえば、在庫1が在庫2よりも在庫に大きな影響を与える場合（ここでは）、次に。 在庫階層システム全体における基準の重みを意味します。 これは、株式のリターンは、他の株式リターンの加重和の一種であることは明らかです。
水平表現のリターンを測定するための鍵は、効果係数を計算することであることがわかります。
Define whereは基準上の在庫のファジィ値を意味し、主に適応ファジィ分析階層プロセス法によって計算されます。 それからそれは在庫間の類似の測定に入れることができます。 ファジー数の間の距離については、ハウスドルフ距離を適用します（参照）。 例えば、三角形のファジー数を取る。 まず、そのメンバシップ関数の値が0より大きいと見ることができる点とファジィ数との間の距離を定義します。 そして、二つのファジィ数の間の距離は、距離のために、それは対称性を満たす必要があります。 したがって、二つの三角形ファジィ数の間のハウスドルフ距離は、上記の方法で
として定義され、効果係数を計算することができ、水平表現の戻り値が計算されます。tr>

階層 基準 重み 重み表記 階層 基準 重み表記 重み表記 階層 基準 重み表記 階層 基準 重み表記 重み表記 投資環境 経済 0.2 政府の監督 0.1 Policies 0.15 Industry situations 0.325 Area situations 0.125 Others 0.1 Company issues Issuance time 0.1 Issuance area 0.1 Substantial shareholders 0.15 Tradable shareholders 0.15 Company executives 0.2 Significant matters 0.2 Others 0.1 Profitability of the stocks Stock market segment 0.1 Market value 0.1 Coupon value 0.06 EPS 0.1 Shareholders’ equity 0.06 Dividends and placing 0.1 Earnings 0.1 Volume 0.1 Risk assessment 0.1 The growth of the stock 0.1 ROE 0.08 Others 0.02 Investors’ perspectives The chosen fund company 0.2 Financial ability 0.2 Risk tolerance 0.25 Expectations for returns 0.25 Others 0.1

2.1.2. Vertical Representation Returns

vertical representation biasは、投資家が他の関連するものではなく、その歴史に基づいて株式を判断または予測する傾向があることを示唆しています。 したがって、我々は、株式の垂直表現リターンは、主に独自の履歴データによって影響されると仮定します。 そして、垂直表現のリターンを計算する手順は以下のようになります。

ステップ1（最初の株式を拾う）。 最初のポートフォリオに入れていくつかの株式を選択します。

ステップ2（重みと垂直表現バイアスのリターンを計算します）。 垂直表現行動バイアスを持つ投資家は、株式のリターン履歴に焦点を当て、それに基づいて彼らの期待を適応させます。 株式のために,,我々は、期間とその歴史的なリターンを選択し、としてそれらを示します. 株式の履歴データと現在のデータとの相関の類似性を把握しようとし，それによれば，異なる期間の履歴データを表記で重み付けする。 チラ他 異なる期間の重みが満たされるべきであると信じている、つまり、期間が今から長くなるほど、重みは少なくなる（参照）。 しかし、我々は、各期間が現在のパフォーマンスに及ぼす影響はそれほど適切ではないと主張する。 彼らの方法によって、我々は近い期間が予測に多くの影響を与えることができることを見つけることができます,これは簡単に後半のものにあまり重 そこで，重み付けに対処する別の方法を提案し，新しい方法は歴史と現在のマッチングを強調する。 私たちは、投資家が同様の歴史を見つけたとき、彼らは歴史を学び、学習に基づいて将来のリターンを予測しようとしていると仮定します。 また、計算では、重みを処理するために「距離」の概念も使用します。 そして、距離はマイナスの絶対値です。
次のように垂直表現リターンを定義します：ここで、株式の垂直表現リターンであり、時間通りの株式の歴史的リターンであり、現在の歴史の影響を意味す 定義
現在の値については、最後の期間の平均をプロキシ変数として選択し、それを次のように示します。 戻り値の時系列回帰によって決定することができます。 私たちは主に過去の期間の影響を気にしているので、期間の絶対値から在庫の現在を引いた値です。 なお、分母が0であるという状況を避けるために、絶対値に1を加えたものとして設定します。2.1.3.

Representation Returns

実際の生活の中では、しかし、表現行動バイアスを持つ投資家のために、それはお互いから完全に明確にバイアスを分離することは困難です。 したがって、ここでは、水平表現と垂直表現の戻り値を一緒に結合し、表現が戻るときに新しい測定値を構築しようとします。 0と1の間の水平表現バイアス優先パラメータを導入します。

は、株式の結合表現リターンであり、水平表現バイアス優先パラメータである場所を定義します。 （8）から、我々は1であるとき、それは投資家が完全に水平表現のリターンを信頼することを意味し、0であるとき、それは投資家が垂直表現のリターンに目を ここでは主に予測誤差を分析します。 (8)によれば、実際のリターンは、の予測誤差は、の予測誤差は、の予測誤差は、の予測誤差は、の予測誤差は、の予測誤差は、の予測誤差は、の予測誤差は、の予測誤差 次に、（11）によって

があり、表現リターンの予測誤差は、水平および垂直表現リターンの両方の予測誤差の影響を受けることがわかります。 また，水平表現バイアス優先パラメータの影響も受ける。 パラメータは、投資家の表現の好みに依存することに留意すべきである。 投資家が水平表示情報を好む場合は、0.5より大きくなる傾向があります。

2.2. 表現リターンとプロスペクト理論に基づくポートフォリオ選択

一般的に言えば、ポートフォリオ選択についての二つのフレームワークがあります：ユーティ 平均分散ポートフォリオ理論は、投資家が許容可能なリターンでリスクを最小限に抑えるか、合理的なリスクで期待リターンを最大化することができます（参照）。 この頃は、それはずっと実質の市場で広く利用されています。 しかし、従来の平均分散モデルが投資家の行動に適していない可能性があることを考慮して、実証実験ではプロスペクト理論に基づいてポートフォリオ選択モデルを選択した。

プロスペクト理論は1979年にKahnemanとTverskyによって提案されました。 この理論では、基準点は非常に重要な概念です。 それは、人々が何かを判断するときに比較のために使用する傾向があるベンチマークのようなものです。 KahnemanとTverskyによると、投資家は主に、実際の価値ではなく、リターンまたは損失が比較される基準点に応じて資産を評価することがわかります。 言い換えれば、投資家が特定の基準レベルと比較するとき、彼らは絶対値よりもさらに相対的な価値を気にします。 基準点が変更されると、投資家は全く異なる決定を下すことができます。 彼と周は、投資家が債券のクーポンレートとリターンレートを比較する傾向があるので、基準点は常に長い満期と債券のリスクレスクーポンレートとして設定されていると仮定します。 この論文の次のセクションでは、参照レベルを示す新しいパラメータを紹介します。

単段モデルがあり、市場は空売りを許可しない、摩擦から自由であることを前提としています。 そこに危険な資産があり、最初の富はあります。 表現の戻り値はベクトルで表されます。 定義します,これは、資産への投資の量であります,と. 投資の終わりに、利益はあります。

Fibbo関数を使用して表現行動バイアスを持つ投資家の有用性を定義します。 その古典的な形式は、効用関数であり、リターンの変化に直面したときの投資家の感受性を意味する。 さらに、我々は変化を測定するためにプロスペクト理論を使用する。 ここには値関数があり、投資家の参照レベルを示します。 KahnemanとTverskyによると、損失は意思決定に対するリターンよりも大きな影響を与えるので、値関数は-形をしています。 特に、KahnemanとTverskyによると、以下のように述べることができます：

（14）と（13）を（12）に取ると、

ユーティリティを最大化するルールと中国の市場状況によれば、空売りはないと、数学的計画モデルは次のようになる。

3。 実証実験

異なる産業や地域をカバーするために、我々は中国の株式市場から15銘柄を選択します。 在庫は多不動産、Daqinの鉄道、Greeの電気電気器具、ICBC、Gezhoubaのダム、巻貝のセメント、民生銀行、山東の金、Sany、万科A、Wuliangye、ユンナンBaiyao、Sinopec、ZoomlionおよびZTEです。 で株を表す。 すべてのデータはWindデータベースからのもので、サンプルはJanuary6,2012,to December28,2012,weeklyです。 戻り値は、計算前に対数で計算されます。

3.1. 水平表現の戻り値の計算

セクション2に記載されている計算のステップで、水平表現の戻り値は次のように計算されます。

ステップ1。 表1に示すように、すべての基準の重みを設定します。

ステップ2。 すべての指標を分析し、言語的重要度の値に従ってファジーペアワイズ比較値を設定します。 それらの三角ファジーペアワイズ比較値は次のとおりです(), (), (), (), と（）。

ステップ3。 すべての単一の基準の比較行列を作成します。 ここでは、指標取引可能株主の比較行列を表2の例として示します。

ステップ4。 And行列を計算し、これはすべてで30です。

ステップ5。 あらゆる規準のあらゆる在庫のための曖昧な数を計算して下さい;それから私達は得てもいいです。 ここでは、表3の例として、基準上のすべての在庫のファジー番号を示します。
上記の例が示すように、同様に、他の29の指標の株式のファジー値を把握することができます。 さらに、異なる階層の重要性に応じて、株式間の類似性を持つ計算に応じて異なる値を得ることもできるということです。 たとえば、4つの階層間の数値関係が1:1:1:1であると仮定します。 次に、類似点を標準化し、それらを水平表現の戻り値の計算に入れることができます。 WelchとGoyalによると、計算のない数学的平均には情報が含まれていないと想定されているため、特定の時間の間の履歴リターンの平均は予測のベンチマークと この仮定では、予測水平表現のリターンがより良い実行する場合、これは水平表現の確認応答が有用な情報を提供し、市場の判断に役立つことができるこ 実証実験では、過去4つの過去の数字を基準にして平均を計算し、今後4週間での収益を予測してみます。 その結果は表４に示す通りである。
表4から、水平表示情報を持つ四つの予測はすべてベンチマークよりも優れており、平均誤差の削減は29.77％であることがわかります。 ベンチマークが情報を含まないものとして設定されており、新しい水平表現の戻り値が予測でより良く見えることを考慮すると、水平表現のバイアスが戻り値を予測するのに役立つことが何らかの方法で示されています。 言い換えれば、投資家の表現行動は、リターン予測に有用な情報を提供することができます。 また、ここでは主に、予測の精度ではなく、表現行動に意味のある情報を含めることができるかどうかに焦点を当てることに留意すべきである。 ベンチマークは非常によく予測していないので、エラーの削減は時々素晴らしいです。Tr>

ファジー値() ファジー値() ファジー値() ファジー値() 0.0889 0.1156 0.3048 0.0357 0.0478 0.0889 0.1156 0.3048 0.0357 0.0478 0.0889 0.1156 0.3048 1451 0.0424 0.0558 0.1566 0.0414 0.0538 0.1566 0.0357 0.0478 0.1451 0.0536 0.0757 0.2232 0.0414 0.0538 0.1566 0.1095 0.1156 0.3292 0.0427 0.0538 0.1485 0.0691 0.0897 0.3292 0.0384 0.0505 0.1465 0.0406 0.0525 0.1465 0.0561 0.0757 0.2324 0.0436 0.0558 0.1582 0.0436 0.0558 0.1582

3.2. 垂直表現リターンの計算

垂直表現リターンの計算とテストについては、予測で使用されるサンプルとして、過去四ヶ月（十六）のリターンを選択します。 次に，二つの方法を用いてｉｎ法とｏｕｒ法を重み付けし，結果の比較を示した。 仮定は、予測のリターンがより良好に実行される場合、上記の水平状況と同様であり、垂直表現の動作の情報を予測に使用できることを意味します。

に記載されている方法によると、重みは算術シーケンスに従い、今から近いほど重みが重くなり、重みが時間によって均等に成長することを確認で したがって、初期重みを0.01293に設定し、算術は0です。 0128. このようにして、最後の12個の重みの合計は1になります。 (6)では、次の4つの期間のリターンを予測することができます。

セクション2では、垂直表現の戻り値を計算する方法を適応させ、この方法はゼロ分母の状況を無効にします。 計算部分では、まず回帰によって戻り系列の遅れを見つけ、平均が現在の戻りのプロキシ変数になるので、それらをピックアップするために必要な期間を決定する必要があります。 さらに、最後の4つの期間の平均を在庫の現在のリターンレベルとして選択し、それを次のように示します。 次に、重みは(7)に従って計算することができる。 最後に、我々はリターン予測結果を把握します。 表5から、2つの方法の結果を見ることができます。 この方法を用いた結果はｉｎよりも優れており，垂直表現測定の情報が何らかの形でリターン予測に有用であることを示唆している。