Abstract

Representasjon skjevhet betyr en slags kognitiv tendens, og for investorer, kan det påvirke deres atferd i aksjemarkedet. Hvorvidt representasjonsforskjellen kan hjelpe returprognosen og porteføljevalget er et interessant problem som er mindre studert. I denne artikkelen, basert på representasjon skjevhet teori og dagens markedssituasjon I Kina, et nytt hierarki av lager målesystem er konstruert og et tilsvarende sett av kriterier er også foreslått. På hvert kriterium prøver vi å måle påvirkning blant aksjer med tilpasset fuzzy AHP. Deretter Brukes hausdorff-avstanden til vekt og beregner den horisontale representasjonsavkastningen. For prognoseavkastningen, i henhold til representasjonsadferd, er det også en ny beregningsmetode. Empiriske resultater viser at representasjonsskjevhetsinformasjonen er nyttig for returprognosen samt porteføljevalg.

1. Introduksjon

begrepet representasjonsbias er foreslått Av Tversky Og Kahneman som en normal atferdskarakteristikk i økonomiske beslutninger. De tror at «representasjon heuristisk» dårlig påvirker folks beslutninger under sine meninger bygningen og resonnement. DeBondt og Thaler hevder at det foreligger en overreaksjon som etter å ha korrigert sannsynlighetene, kan investorer overveie den nylig innhentede informasjonen. Når det gjelder investorenes atferd i sikkerhetsmarkedet, Definerer Fuller en av dem som representasjonsbias som kan villede investorene til å tro at de allerede har behandlet informasjonen riktig rett før de tar en beslutning. Generelt er det to typer representasjonsforskjeller: horisontal representasjon bias og vertikal representasjon bias . Ifølge Zhang betyr den horisontale bias at folk har en tendens til å klassifisere en ting med sine analoger og prognose saken i fremtiden i henhold til dens likheter. I mellomtiden innebærer den vertikale forspenningen at folk i finansmarkedene lett har en tendens til å dømme eller prognose en aksje i henhold til sine egne historieopptegnelser.når det gjelder effektene atferdsforstyrrelser kan bringe til finansmarkedet, har mange forskere gjort noen interessante undersøkelser. I Chicago Børsmarkedet Viser Shefrin Og Statmans tester at investorers atferdsmessige bias kan påvirke ettermiddagsprisene betydelig og kortsiktig . Ifølge Coval Og Shumway reverseres prisene satt av tap-averse handelsmenn betydelig og raskere enn de som er satt av objektive handelsmenn. I de senere år har atferdsinvesteringsporteføljeteori blitt brukt til å utlede atferdsporteføljegrensen og også brukt til porteføljeutvelgingsproblemet. I dette feltet, hvordan atferds bias påvirker beslutningsprosesser er fokusert på av forskere. Chira et al. ta eksperimenter med studentene på college, og så analyserer de effektene av ulike atferdsforstyrrelser på økonomiske beslutninger. Xu et al. utvid Tverskys modell basert på investorers representasjonsbias og under rammen for å maksimere verktøyet; så undersøker de det med vertikal representasjonsbias som et eksempel. Zhao og Fang foreslår en beregningsmetode for både vertikal og horisontal representasjon bias avkastning og prøve å finne ut om representasjon informasjon kan hjelpe avkastning prognose i finansmarkedet.

i aktivaallokering, som for måling av subjektive ting, slik som atferd og følelser, Saaty et al. OPPRINNELIG bruke AHP til å håndtere økonomiske problemer. Deretter, med utviklingen av økonomisk teori, komplekse finansielle systemet trekker mye oppmerksomhet. Og den fuzzy teorien og metodene, som sammenlignet med de tradisjonelle, er mindre subjektive og kan karakterisere det fuzzy investeringsmiljøet og behandle bedre, blir gradvis satt i beregning. Enea Og Piazza kombinerer fuzzy teori og AHP-metode sammen og legger frem fuzzy AHP, men de løser ikke noen problemer med spesielle verdier. Basert på deres arbeid bruker Tiryaki Og Ahlatcioglu en tilpasset metode som løser nullverdiproblemet Til Tyrkias aksjemarked, og investeringsbeslutningene fattes med middelvariansmodellen. De optimale investeringsvektene vises imidlertid ikke. I henhold til , tilpasset fuzzy analytisk hierarki prosess metode blir først brukt til å måle horisontal representasjon bias. Arbeidet er basert på hensynet til at i det komplekse finansmarkedet er den levende banen for hvordan representasjonsforskjellen påvirker investorens beslutninger ukjent ennå. Selv før investorer tar investeringsbeslutninger, vil de sannsynligvis ikke beregne tingene med bestemte AHP eller noen metoder så strengt og nøyaktig. Med andre ord, det er som en uklar prosess.

dette papiret kan ses som en oppdatert versjon av vårt siste papir nevnt ovenfor. Dette papiret følger hovedtankene om hvordan man måler effekten av horisontal og vertikal representasjonsforspenning på aksjeavkastningen, men i stedet vurderer det nåværende økonomiske miljøet I Kina og tilhørende politikk, vi renoverer evalueringssystemet med hierarki, kriterium og vekter. I beregningsdelen bruker Vi Hausdorff avstand for å håndtere vektingsproblemene. I henhold til situasjonen at investorenes vertikale representasjonsbias kan påvirke forventningen om avkastningen i fremtiden, foreslår vi en annen metode for vekting med graden av å matche aksjens historiske data og dens nåværende trend og overvinne problemet med null-nevner. Deretter tar vi empiriske eksperimenter med dataene I Det Kinesiske aksjemarkedet, og resultatene er akseptable. Og den nye metoden er også testet empirisk, og vi sammenligner Det Med Chira et al.’s metode i . Til slutt legger vi prognoseavkastningen inn i en oppførselsmodell for investeringsportefølje og viser de effektive grensene, noe som tyder på at representasjonsbias kan hjelpe avkastningsprognosen og optimalisere porteføljevalget til en viss grad.

dette papiret er organisert som følger. I neste avsnitt oppgir vi en uklar måling om representasjonsadferdene og en bruksmodell. I Avsnitt 3 bruker vi metodene med et empirisk eksperiment og diskuterer beregningsresultatene. Vi avslutter papiret med et sammendrag av konklusjoner i Avsnitt 4.

2. Metoder

2.1. Representasjon Skjevhet og Returnerer

generelt er det to typer representasjon skjevheter: horisontal skjevhet og vertikal skjevhet. Den horisontale representasjonsforskjellen innebærer en slags oppførsel som folk har en tendens til å klassifisere en ting med andre lignende ting og prognose det etter sine lignende tingregler. Den vertikale representasjonsforskjellen betyr en annen oppførsel eller andre vaner som folk har en tendens til å enkelt dømme eller forutsi en ting i henhold til sine egne historieopptegnelser (se ). Xu et al. legge frem en metode for å beregne vertikal og horisontal representasjon avkastning; Så Foreslår Zhao og Fang en ny (se ). Her følger vi deres forklaringer til representasjonsavkastningen, men vi utvider beregningen i detalj.

2.1.1. Horisontal Representasjon Returnerer

den horisontale representasjon avkastning betyr avkastningen som investorer prognose og beregne med horisontal representasjon skjevhet og informasjon. Å ta aksjer, for eksempel, er den horisontale representasjonsavkastningen av en aksje hovedsakelig påvirket av de andre aksjene som har lignende egenskaper, for eksempel aksjer i lignende næringer og i samme fondsselskap. Investorer med horisontal representasjon bias atferd har en tendens til å dømme en aksje i lys av situasjonene i de andre lignende aksjer. Derfor er det viktig å bygge et riktig lager hierarki system. I dette papiret, for å beregne horisontal representasjon bias returnerer tar to trinn som følger.

Trinn 1 (plukk opp de første aksjene). Velg noen aksjer å sette i den opprinnelige porteføljen. Ta del 3 av dette papiret, for eksempel; vi velger 15 aksjer og navngir dem som.

Trinn 2 (vekting og beregning av horisontal representasjon bias avkastning). Velg noen egenskaper av aksjene som investorene bryr seg om. Her deler vi indikatorene i fire grupper, inkludert investeringsmiljø, selskapsproblemer, lønnsomhet av aksjene og investorenes mål. Vi velger 30 indikatorer og betegner dem som .de Siste årene har Den Kinesiske regjeringen svekket sin regulering til aksjemarkedet på en eller annen måte, og den «usynlige hånden» har håndtert mer om markedet enn før. Derfor, sammenlignet med vårt tidligere arbeid, her lettet vi vekten av regjeringens tilsyn og hevet vekten av næringsutvikling og regionale økonomiske forhold, i henhold til regionale og industrielle økonomiske forestillinger har blitt forbedret betydelig. Det nye aksjehierarkisystemet er Som Tabell 1 viser.
Definere hvor betyr horisontal representasjon avkastning på lager; betyr avkastningen av andre lignende aksjer , ; og betyr effekten faktor på lager sammenlignet med målet lager for kriterium . På kriteriet, hvis aksjen har en stor innflytelse på lager, vil bli utstyrt med en stor verdi. For eksempel, hvis lager 1 har større innvirkning på lager enn lager 2 (her ), da . betyr vekten av kriteriet i hele lager hierarki system, . Det er klart at avkastningen på lager er en slags vektet sum av de andre aksjeavkastningen.det kan bli funnet at nøkkelen til å måle horisontal representasjonsavkastning er å beregne effektfaktoren; da blir representasjonsskjevheten kvantifisert på en eller annen måte.
Definer hvor betyr den fuzzy verdien av lager på kriterium , og den beregnes hovedsakelig av den tilpassede fuzzy analytic hierarchy process-metoden. Deretter kan det settes inn i måling av likheten mellom aksjer. For avstanden mellom fuzzy tall bruker Vi Hausdorff-avstanden(se). Ta trekanten fuzzy tall , for eksempel. Først definerer vi avstanden mellom punkt og et fuzzy tall der kan ses som verdien av medlemsfunksjonen er større enn 0, noe som innebærer . Da er avstanden mellom to fuzzy tall
for avstand, den skal oppfylle symmetrien. Derfor Er Hausdorff-avstanden mellom to trekant fuzzy tall definert som
med metodene ovenfor, effektfaktoren kan finne ut, og deretter beregnes den horisontale representasjonsavkastningen.

2.1.2. Vertikal Representasjon Returnerer

den vertikale representasjonsforskjellen antyder at investorer har en tendens til å dømme eller prognose en aksje basert på sin historie i stedet for de andre relaterte tingene. Derfor antar vi at den vertikale representasjonsavkastningen av en aksje hovedsakelig påvirkes av egne historiske data. Og prosedyrene for å beregne den vertikale representasjonsavkastningen er som vist nedenfor.

Trinn 1 (plukk opp de første aksjene). Velg noen aksjer å sette i de opprinnelige porteføljene.

Trinn 2 (vekt og beregne vertikal representasjon bias avkastning). Investorer med vertikal representasjon atferds bias fokus på en aksje avkastning historie og tilpasse sine forventninger basert på det. For lager,, vi velger sin historiske avkastning med perioder og betegne dem som . Vi prøver å finne ut likheten i sammenhengen mellom historiske data og nåværende data for en aksje, og i henhold til det vektlegger vi de historiske dataene i ulike perioder med notasjoner . Chira et al. tro at vektene i ulike perioder skal tilfredsstille, noe som betyr at jo lengre perioden er fra nå, desto mindre er vekten(se). Men vi hevder at effekten av hver periode på dagens ytelse ikke er så hensiktsmessig. Forresten kan vi oppdage at de nærmere perioder kan ha større effekt på prognosen, som har en tendens til å lett vekt for mye på de sene, noe som oppfordrer det faktum at prognosen vil følge tendensen i stor grad. Derfor foreslår vi en annen metode for å håndtere vektingen, og den nye måten understreker matchingen av historien og nåtiden. Vi antar at når investorer finner lignende historie, skal de lære historien og forutsi fremtidig avkastning basert på læringen. Dessuten bruker vi i beregningen også begrepet «avstand» for å håndtere vektene. Og avstanden er en absolutt verdi av minus.
Definer den vertikale representasjonsavkastningen som vist i følgende: hvor er den vertikale representasjonsavkastningen av lager, er den historiske avkastningen på lager i tide, og er vekten av , noe som innebærer effekten av historien på nåtiden. Definer
for nåverdien velger vi gjennomsnittet av de siste periodene som en proxy-variabel og betegner den som . kan bestemmes av tidsserier regresjoner av avkastningen. er absoluttverdien av perioden minus tilstede for lager, som er som avstanden , siden vi hovedsakelig bryr oss om effektene av de siste perioder. Det skal bemerkes at for å unngå situasjonen at nevneren er 0, setter vi opp den som absoluttverdien pluss 1.

2.1.3. Representasjon Avkastning

I det virkelige liv, men for investorer med representasjon atferds skjevhet, er det vanskelig å isolere skjevheter helt klart fra hverandre. Derfor prøver vi å kombinere den horisontale og vertikale representasjonsavkastningen sammen og bygge en ny måling som representasjonsavkastningen. Vi introduserer en horisontal representasjon bias preferanse parameter, som er mellom 0 og 1.

Definer hvor er den kombinerte representasjonsavkastningen for lager og er preferanseparameteren for horisontal representasjon. Fra (8) kan vi se at når er 1, betyr det at investorene helt stoler på den horisontale representasjonsavkastningen; når er 0, antyder det at investorene vender seg til den vertikale representasjonsavkastningen. Her analyserer vi hovedsakelig prognosefeilene ved. Ifølge (8) antar vi at realavkastningen er, prognosefeilen til er betegnet som, prognosefeilen til er betegnet som, og prognosefeilen til er . Da har vi

Ved (11), kan vi se at prognosefeilen til representasjonsavkastningen påvirkes av prognosefeilene for både horisontal og vertikal representasjonsavkastning. Og det er også påvirket av horisontal representasjon bias preferanse parameter . Det bør bemerkes at parameteren avhenger av investorenes representasjon preferanse. Hvis en investor foretrekker horisontal representasjonsinformasjon, har den en tendens til å være større enn 0,5; ellers er parameteren mindre.

2.2. Porteføljevalg basert på Representasjonsavkastning og Prospektteori

Generelt sett er det To rammer om porteføljevalg: maksimere verktøyet og avkastningsrisikoen. Den gjennomsnittlige variansporteføljeteorien tillater investorer å minimere risikoen med en akseptabel avkastning eller maksimere forventet avkastning med rimelig risiko (se ). I dag har det blitt mye brukt i det virkelige markedet. Men med tanke på at den tradisjonelle middelvariansmodellen kanskje ikke passer for investorenes atferd, velger vi porteføljevalgsmodellen basert på prospektteori i det empiriske eksperimentet.Prospektteori er foreslått Av Kahneman Og Tversky i 1979. I denne teorien er referansepunkt et viktig viktig konsept. Det er som en referanse som folk pleier å bruke til sammenligning når de dømmer noe. Ifølge Kahneman og Tversky finner de at investorer vurderer en eiendel hovedsakelig avhengig av referansepunktet som avkastningen eller tapet sammenlignes med i stedet for den virkelige verdien. Med andre ord, når investorer sammenligner med et bestemt referansenivå, bryr de seg om den relative verdien enda mer enn absoluttverdien. Når et referansepunkt endres, kan investorer ta helt forskjellige beslutninger. Han og Zhou antar at referansepunktet alltid er satt som den risikofrie kupongrenten for obligasjonen med lang løpetid siden investorer har en tendens til å sammenligne avkastningsrenten med kupongrenten på obligasjonen. I neste del av dette papiret introduserer vi en ny parameter som viser referansenivået.

Anta at det er en enkelt trinns modell, og markedet er fri for friksjon, slik at ingen shortsalg. Det er risikable eiendeler, og den opprinnelige rikdommen er . Representasjonsavkastningen er betegnet med en vektor . Definer, hvor er mengden investering i eiendel, og . På slutten av investeringen er fortjenesten .

Definer nytten av investorene med representasjon behavioral bias med Fibbo funksjon. Den klassiske formen erhvor er bruksfunksjonen og betyr følsomheten til investorene når de står overfor endringene i avkastningen. I tillegg bruker vi prospektteorien til å måle endringene. Det er

her er verdien funksjon, og betegner investorens referansenivå. Ifølge Kahneman og Tversky har tapet større innvirkning enn avkastningen på beslutningsprosessen, slik at verdifunksjonen er formet. Spesielt, Ifølge Kahneman Og Tversky, kan angis som nedenfor:

Tar (14) og (13) inn (12), er det

I henhold til regelen om å maksimere verktøyet og markedssituasjonen I Kina at det ikke er noen shortsalg, får vi den matematiske programmeringsmodellen som følger:

3. Empiriske Eksperimenter

for å dekke ulike bransjer og områder, velger vi 15 aksjer Fra Lager et marked I Kina. Aksjene er Poly Eiendom, Daqin Jernbane, Gree Elektriske Apparater, ICBC, Gezhouba Dam, Conch Sement, Minsheng Bank, Shandong gull, Sany, Vanke A, Wuliangye, Yunnan Baiyao, Sinopec, Zoomlion, OG ZTE. Betegne aksjen ved . Alle dataene er Fra Vinddatabasen, og utvalget er fra 6.januar 2012 til 28. desember 2012, ukentlig. Avkastningen beregnes med logaritmen før beregning.

3.1. Beregning av Den Horisontale Representasjonsavkastningen

med trinnene for beregning, angitt i Seksjon 2, beregnes den horisontale representasjonsavkastningen som følger.

Trinn 1. Sett vekten av hvert kriterium som vi viser I Tabell 1.

Trinn 2. Analyser hver indikator, og sett den fuzzy parvis sammenligningsverdien i henhold til den språklige betydningsverdien: like like, like viktig, svakt viktig, moderat viktig og sterkt viktig. Deres trekantede fuzzy parvise sammenligningsverdier er (), (), (), (), og ().

Trinn 3. Konstruer sammenligningsmatrisen for hvert enkelt kriterium. Her viser vi sammenligningsmatrisen til indikatoren omsettelige aksjonærer som et eksempel I Tabell 2.

Trinn 4. Beregn og matriser, som er 30 i alt.

Trinn 5. Beregn fuzzy nummer for hver aksje på hvert kriterium; så kan vi få . Her viser vi de fuzzy tallene for hver aksje pa kriterium som et eksempel i Tabell 3.
som eksemplet viser ovenfor, kan vi på samme måte finne ut de fuzzy verdiene til aksjene for de andre 29 indikatorene. Dessuten er det, i henhold til betydningen av de forskjellige hierarkiene, kan vi også få de forskjellige verdiene i henhold til beregningen med likheten mellom aksjer. For eksempel antar vi at det numeriske forholdet mellom de fire hierarkiene er 1 : 1 : 1 : 1. Da kan vi standardisere likhetene og sette dem inn i beregningen av horisontal representasjonsavkastning. Ifølge Welch Og Goyal kan gjennomsnittet av den historiske avkastningen mellom bestemte tider settes som referansepunkter for prognoser, siden det matematiske gjennomsnittet uten beregning skal inneholde ingen informasjon. Med denne antagelsen, hvis prognosen horisontal representasjon avkastning utføre bedre, innebærer dette at horisontal representasjon anerkjennelse gir nyttig informasjon og kan være nyttig i markedet dom. I det empiriske eksperimentet beregner vi gjennomsnittet med de siste fire historiske tallene som referanse og prøver å rulle prognosen avkastningen i de neste fire ukene. Resultatene er Som Tabell 4 viser.
Fra Tabell 4 kan vi se at de fire prognosene med horisontal representasjonsinformasjon alle gir bedre resultater enn referansene gjør, og gjennomsnittlig feilreduksjon er 29,77%. Med tanke på at referansene er angitt som ikke inneholder informasjon, og den nye horisontale representasjonsavkastningen ser bedre ut i prognoser, vises det på en eller annen måte at den horisontale representasjonsforskjellen kan bidra til å forutsi avkastningen. Med andre ord kan investorenes representasjonsadferd gi nyttig informasjon i returprognosen. Dessuten skal det bemerkes at her fokuserer vi hovedsakelig på om representasjonsadferdene kan inneholde meningsfylt informasjon i stedet for nøyaktigheten av prognosen. Siden referansene ikke prognose veldig bra, er feilreduksjonene gode noen ganger.

3.2. Beregning av Vertikal Representasjon Returnerer

når det gjelder beregning og tester av vertikal representasjon returnerer, velger vi de siste fire månedene (seksten) returnerer som et utvalg som brukes i prognosen. Deretter bruker vi to metoder til vektmetode i og vår og viser sammenligningen av resultatene. Forutsetningene ligner den horisontale situasjonen som er nevnt ovenfor, hvis prognoseavkastningen gir bedre resultater, noe som betyr at informasjonen om vertikal representasjonsadferd kan brukes i prognosene.

ifølge metoden nevnt i følger vektene en aritmetisk sekvens , som kan sørge for at jo nærmere fra nå er det, jo tyngre vekten er, og vektene vokser jevnt etter tid. Derfor setter vi startvekten som 0,01293, og aritmetikken er 0. 0128. På denne måten er summen av de siste 12 vektene 1. Med (6) kan avkastningen av de neste 4 periodene forventes.

I Seksjon 2 tilpasser vi en metode for å beregne den vertikale representasjonsavkastningen, og metoden tømmer situasjonen for nullnevneren. I beregningsdelen må vi først finne ut lagene i returserien ved regresjoner og bestemme hvor mange perioder som trengs for at de skal hentes, da gjennomsnittet vil være en proxy-variabel av den nåværende avkastningen. Videre velger vi gjennomsnittet av de siste fire periodene som nåværende avkastningsnivå for lager og betegner det som . Deretter kan vektene beregnes i henhold til (7). Til slutt finner vi ut resultatene for returprognosen. Fra Tabell 5 kan vi se resultatene av de to metodene. Det kan bli funnet ut at resultatene med vår metode er bedre enn de i, noe som tyder på at informasjonen om de vertikale representasjonsmålingene kan være nyttig i returprognosen på en eller annen måte.

3.3. Resultater Basert på Porteføljemodellene For Representasjonsavkastning og Prospektteori

Tar vi den vertikale representasjonsavkastningen beregnet med vår metode som et eksempel og legger dem inn i porteføljevalgmodellen av prospektteori sammen med deres referanser. Ifølge Tversky Og Kahneman (se), i modellen nevnt i 2.2, er atferdsegenskapene best målt når , .

vi kan trekke grensene for porteføljene med den vertikale representasjonsavkastningen og beslutningsvariablene i henhold til porteføljevalgmodellen. Med tanke på at porteføljeavkastningen er mellom -0,12 og 0,12, deler vi intervallet i 20 forskjellige nivåer og beregner hver nytteverdi. Deretter får vi grensene med forskjellige. Grensene er Som Figur 1 viser.

I Figur 1 handler den horisontale aksen om porteføljens avkastning, mens den vertikale handler om forventet nytte. Alle de tre grensene er glatte og nedadgående kurver, som viser grensene når,, og . Vi kan se klart at når er større, er kurven brattere. Det er fordi når er større, er virkningen av meravkastningen på investorers nytte større, og investorene har en tendens til å være mer følsomme for endringene i avkastningen. Ved denne figuren kan vi også finne at med avkastningen øker, er verktøyet avtagende. Og dette skyldes at når porteføljens avkastning går opp, øker investorernes forventninger også; da øker tapene fra investeringen også. Vi har allerede kjent at tapene har større innvirkning enn avkastningen på verktøyet, og deretter faller verktøyet ned. Det skal bemerkes at når det betyr at investorenes holdninger til både fortjeneste og tap er de samme.

4. Konklusjoner

i denne artikkelen fortsetter vi å fokusere på hvilken effekt investorenes representasjonsadferd kan ha på aksjeavkastning og investeringsbeslutninger. Først oppdaterer vi det analytiske hierarkiet og kriteriet vi konstruerte før, og prøver å analysere aksjeegenskapene for investorer med horisontal representasjonsadferd. Deretter bruker vi den tilpassede fuzzy AHP til å kvantifisere virkningen av kriteriet på aksjer og ta hensyn til måling av horisontal og vertikal representasjonsavkastning basert på begrepet «avstand», som innebærer likheten mellom aksjer. På Denne måten Brukes hausdorff-avstanden til vekt og beregner den horisontale representasjonsavkastningen. Og problemet med null-nevner i vertikal representasjon returberegning er foreløpig løst.

med de empiriske eksperimentene Fra Det Kinesiske aksjemarkedet har den horisontale representasjonsadferden vist seg å være nyttig for å forutsi avkastningen på en eller annen måte. Og de effektive grensene til atferdsporteføljene med vertikal representasjonsavkastning vises også, noe som tyder på at representasjonsadferdene kan gi nyttig informasjon for å forbedre prognosen for aksjeavkastning, og porteføljegrensene varierer i henhold til investorens holdning til avkastningsendringene.

Interessekonflikt

forfatterne erklærer at det ikke er noen interessekonflikt angående publisering av dette papiret.

Bekreftelser