Abstract

Representation bias betekent een soort cognitieve tendens en kan voor beleggers hun gedrag op de aandelenmarkt beïnvloeden. Of de representatiebias kan helpen bij de terugkeerprognose en portfolio selectie is een interessant probleem dat minder wordt bestudeerd. In dit artikel, gebaseerd op de representation bias theorie en de huidige situatie op de markten in China, wordt een nieuwe hiërarchie van aandelen meting systeem geconstrueerd en een overeenkomstige reeks criteria wordt ook voorgesteld. Op elk criterium proberen we de invloed tussen de bestanden te meten met aangepaste fuzzy AHP. Vervolgens wordt de Hausdorff-afstand toegepast op het gewicht en wordt de horizontale representatie returns berekend. Voor de voorspelde rendementen, volgens representatiegedrag, is er ook een nieuwe berekeningsmethode. Empirische resultaten tonen aan dat de informatie over representatievooringenomenheid nuttig is voor zowel de rendementsprognoses als de portefeuilleselectie.

1. Inleiding

het begrip representatievooroordeel wordt door Tversky en Kahneman voorgesteld als een normaal gedragskarakteristiek in financiële beslissingen. Zij geloven dat de” representatie heuristische ” slecht invloed op de beslissingen van mensen tijdens hun opinies opbouwen en redeneren. DeBondt en Thaler beweren dat er een overreactie bestaat die, na het corrigeren van de kansen, beleggers de nieuw verkregen informatie overgewicht kunnen geven. Wat betreft het gedrag van de beleggers in de effectenmarkt, Fuller definieert een van hen als representatievooroordeel dat de beleggers kan misleiden om te geloven dat ze de informatie al correct hebben verwerkt vlak voordat ze een beslissing nemen. In het algemeen zijn er twee soorten vertoningen: horizontale representatie bias en verticale representatie bias . Volgens Zhang betekent de horizontale vooringenomenheid dat mensen de neiging hebben om één ding te classificeren met zijn analogen en het ding in de toekomst te voorspellen op basis van zijn overeenkomsten. Ondertussen, de verticale bias impliceert dat, in de financiële markten, mensen gemakkelijk de neiging om een aandeel te beoordelen of te voorspellen op basis van zijn eigen geschiedenis records.

wat betreft de effecten die gedragspatronen kunnen hebben op de financiële markt, hebben veel wetenschappers interessant onderzoek gedaan. In de Chicago Stock Exchange market, Shefrin en Statman ‘ s tests laten zien dat gedrag bias beleggers aanzienlijk en op korte termijn van invloed kan zijn op de middag aandelenkoersen . Volgens Coval en Shumway worden de prijzen die door verliesverliezende handelaren worden vastgesteld, aanzienlijk en sneller omgekeerd dan die welke door onbevooroordeelde handelaren worden vastgesteld. In de afgelopen jaren, behavioral investment portfolio theory is toegepast om de behavioral investment portfolio frontier af te leiden en ook gebruikt voor de portefeuille selectie probleem. Op dit gebied, hoe de gedragsmatige vooringenomenheid de besluitvorming beà nvloedt wordt gericht op door onderzoekers. Chira et al. neem experimenten met de studenten op de universiteit, en dan analyseren ze de effecten van verschillende gedragsmatige vooroordelen op financiële beslissingen. Xu et al. breid Tversky’ s model uit op basis van de representatiebias van investeerders en onder het kader van het maximaliseren van het nut; dan onderzoeken ze het met de vertical representation bias als voorbeeld. Zhao en Fang stellen een berekeningsmethode voor van zowel de verticale als horizontale representatie bias returns en proberen te vinden of de representatie-informatie kan helpen return forecast in de financiële markt.

in de asset allocatie, zoals voor de meting van de subjectieve dingen, zoals gedrag en emoties, Saaty et al. oorspronkelijk gebruik maken van de AHP om te gaan met financiële problemen. Dan, met de ontwikkeling van de financiële theorie, complex financieel systeem trekt veel aandacht. En de fuzzy theorie en methoden, die, vergeleken met de traditionele, minder subjectief zijn en de fuzzy investeringsomgeving kunnen karakteriseren en beter kunnen verwerken, worden geleidelijk aan in berekening gebracht. Enea en Piazza combineren fuzzy theorie en AHP methode samen en stellen fuzzy AHP naar voren, maar ze lossen sommige problemen niet op met speciale waarden. Op basis van hun werk passen Tiryaki en Ahlatcioglu een aangepaste methode toe die het nulwaardeprobleem oplost op de Turkse aandelenmarkt, en de investeringsbeslissingen worden genomen met het gemiddelde variantiemodel. De optimale investeringsgewichten worden echter niet weergegeven. Volgens, de aangepaste fuzzy analytische hiërarchie proces methode wordt in de eerste plaats gebruikt om horizontale representatie bias te meten. Het werk is gebaseerd op de overweging dat, in de complexe financiële markt, het levendige pad van hoe de vertegenwoordiging bias invloed op de beslissingen van de belegger is nog onbekend. Hoewel voordat beleggers beleggingsbeslissingen nemen ze de markt zouden evalueren, zullen ze waarschijnlijk niet de dingen met specifieke AHP of sommige methoden zo strikt en nauwkeurig berekenen. Met andere woorden, het is als een vaag proces.

Dit artikel kan worden gezien als een bijgewerkte versie van ons laatste artikel hierboven. Dit artikel volgt de belangrijkste gedachten over hoe het effect van de horizontale en verticale representatie bias op de aandelenrendementen te meten, maar in plaats daarvan, gezien de huidige financiële omgeving in China en het gerelateerde beleid, vernieuwen we het evaluatiesysteem met hiërarchie, criterium en gewichten. In het rekengedeelte passen we de Hausdorff-afstand toe om de wegingsproblemen aan te pakken. Volgens de situatie dat de vertical representation bias van de beleggers de verwachting van het rendement in de toekomst kan beïnvloeden, stellen we een andere methode voor om te wegen met de mate van aanpassing van de historische gegevens van het aandeel en de huidige trend en het probleem van nul-noemer te overwinnen. Dan nemen we empirische experimenten met de gegevens in de Chinese aandelenmarkt, en de resultaten zijn aanvaardbaar. En de nieuwe methode wordt ook empirisch getest, en we vergelijken het met Chira et al.’s methode in . Eindelijk zetten we de voorspelde rendementen in een behavior investment portfolio selection model en tonen de effectieve grenzen, die suggereren dat representatie bias kan helpen de rendementen voorspellen en optimaliseren van de portefeuille selectie tot op zekere hoogte.

Dit papier is als volgt georganiseerd. In de volgende sectie staat een vage meting over het representatiegedrag en een gebruiksmodel. In Paragraaf 3 passen we de methoden toe met een empirisch experiment en bespreken we de computationele resultaten. We eindigen met een samenvatting van de conclusies in hoofdstuk 4.

2. Methoden

2.1. Representation Bias and Returns

in het algemeen zijn er twee soorten representation biases: horizontale bias en verticale bias. De horizontale representatievooroordeel impliceert een soort gedrag dat mensen de neiging hebben om een ding te classificeren met andere soortgelijke dingen en voorspellen het volgens de regels van de soortgelijke dingen. De Vertical representation bias betekent een ander gedrag of andere gewoonten die mensen de neiging om gemakkelijk te beoordelen of te voorspellen een ding volgens zijn eigen geschiedenis records (zie ). Xu et al. een methode voorstellen om de returns voor verticale en horizontale representaties te berekenen; dan stellen Zhao en Fang een nieuwe voor (zie ). Hier volgen we hun uitleg om de representatie terug te geven, maar we breiden de berekening in detail uit.

2.1.1. Horizontale Representatieresultaten

het horizontale representatieresultaat is het rendement dat beleggers voorspellen en berekenen aan de hand van horizontale representatiebias en informatie. Wanneer men bijvoorbeeld voorraden neemt, wordt de horizontale weergave van het rendement van een aandeel Voornamelijk Beïnvloed door de andere voorraden die vergelijkbare kenmerken hebben, zoals voorraden van soortgelijke industrieën en van dezelfde fondsonderneming. Beleggers met horizontale vertegenwoordiging vooringenomenheid gedrag hebben de neiging om een aandeel te beoordelen in het licht van de situaties van de andere soortgelijke aandelen. Daarom is het van vitaal belang om een goed voorraadhiërarchiesysteem op te zetten. In dit artikel, het berekenen van de horizontale representatie bias returns neemt twee stappen als volgt.

Stap 1 (Haal de oorspronkelijke voorraden op). Selecteer enkele aandelen om in de initiële portefeuille te zetten. Neem deel 3 van dit papier, bijvoorbeeld; we selecteren 15 voorraden en noemen ze als .

Stap 2 (weging en berekening van de horizontale vertekening). Kies een aantal kenmerken van de aandelen die de beleggers de zorg over. Hier verdelen we de indicatoren in vier groepen, waaronder het investeringsklimaat, bedrijfsproblemen, winstgevendheid van de aandelen en de doelstellingen van de beleggers. We kiezen 30 indicatoren en geven ze aan als .in de afgelopen jaren heeft de Chinese overheid haar regulering van de aandelenmarkt op een of andere manier verzwakt, en de “onzichtbare hand” heeft meer over de markt dan voorheen afgehandeld. In vergelijking met ons vorige werk hebben we hier het gewicht van het overheidstoezicht verlicht en het gewicht van de ontwikkeling van de industrie en de regionale economische omstandigheden verhoogd, afhankelijk van de regionale en industrie economische prestaties zijn aanzienlijk verbeterd. Het nieuwe systeem van de voorraadhiërarchie is zoals Tabel 1 laat zien.
definieer waar betekent de horizontale weergave rendement van de voorraad; betekent het rendement van de andere soortgelijke voorraden,; en betekent de effectfactor van de voorraad in vergelijking met het doelbestand voor criterium . Op het criterium, als voorraad heeft een grote invloed op de voorraad, zal worden begiftigd met een grote waarde. Bijvoorbeeld, als voorraad 1 heeft een grotere impact op voorraad dan voorraad 2 (hier), dan . het gewicht van het criterium in het gehele voorraadhiërarchiesysteem. Het is duidelijk dat de return of stock een soort gewogen som is van de andere stock returns.
er kan worden vastgesteld dat de sleutel om de horizontale representatiereserve te meten is om de effectfactor te berekenen ; dan wordt de representatiebias op een of andere manier gekwantificeerd.
definieer waar betekent de fuzzy waarde van voorraad op criterium, en het wordt voornamelijk berekend door de aangepaste fuzzy analytic hierarchy process method. Dan kan het in de meting van de gelijkenis tussen de voorraden worden gezet. Voor de afstand tussen fuzzy getallen passen we de Hausdorff afstand toe (zie ). Neem bijvoorbeeld de driehoek fuzzy getallen. Eerst definiëren we de afstand tussen punt en een fuzzy getal waar kan worden gezien als de waarde van de ledenfunctie groter is dan 0, wat impliceert . Dan is de afstand tussen twee vage getallen
Voor afstand, het moet voldoen aan de symmetrie. Daarom wordt de Hausdorff afstand tussen twee driehoekige fuzzy getallen gedefinieerd als
met de bovenstaande methoden, kan de effectfactor worden berekend, en dan wordt de horizontale representatiereturn berekend.

2.1.2. Vertical Representation Returns

De vertical representation bias suggereert dat beleggers de neiging hebben om een aandeel te beoordelen of te voorspellen op basis van zijn geschiedenis in plaats van de andere gerelateerde dingen. Daarom gaan we ervan uit dat de verticale weergave van een aandeel voornamelijk wordt beïnvloed door zijn eigen Historische gegevens. En de procedures voor het berekenen van de verticale representatieresultaten zijn zoals hieronder weergegeven.

Stap 1 (Haal de oorspronkelijke voorraden op). Selecteer enkele aandelen om in de initiële portefeuilles te zetten.

Stap 2 (gewicht en bereken de Vertical representation bias returns). Beleggers met verticale vertegenwoordiging behavioral bias richten zich op het rendement van een aandeel geschiedenis en passen hun verwachtingen op basis van het. Voor voorraad,, we kiezen de historische rendementen met perioden en wijzen ze aan als . We proberen de overeenkomst in de correlatie tussen de historische gegevens en de huidige gegevens van een aandeel te achterhalen, en, volgens dat, we wegen de historische gegevens van verschillende perioden met notaties . Chira et al. geloof dat de gewichten van verschillende perioden moeten voldoen, wat betekent dat hoe langer de periode is vanaf nu, hoe minder het gewicht is (zie ). Maar we stellen dat het effect van elke periode op de huidige prestatie niet zo gepast is. Door hun manier, kunnen we zien dat de kortere perioden meer effect op de prognose, die de neiging om gemakkelijk te zwaar op de late degenen, waardoor het feit dat de prognose zal volgen de tendens in hoge mate te hebben. Daarom stellen we een andere methode voor om met de weging om te gaan, en de nieuwe manier benadrukt de afstemming van de geschiedenis en het heden. We veronderstellen dat wanneer beleggers vinden soortgelijke geschiedenis, ze gaan om de geschiedenis te leren en de toekomstige rendementen te voorspellen op basis van het leren. Bovendien, in de berekening, gebruiken we ook het concept van “afstand” om de gewichten te behandelen. En de afstand is een absolute waarde van de min.
Definieer de Vertical representation return zoals weergegeven in het volgende: Waar is de vertical representation return of stock, is de historische return of stock op tijd , en is het gewicht van, wat het effect van de geschiedenis op het heden impliceert. Definieer
voor de huidige waarde, kiezen we het gemiddelde van de laatste perioden als een proxy variabele en geven het aan als . kan worden bepaald door tijdreeksregressies van de returns. is de absolute waarde van de periode minus aanwezig voor voorraad, die is als de afstand, Omdat we vooral de zorg over de effecten van de afgelopen perioden. Opgemerkt moet worden dat, om te voorkomen dat de noemer 0 is, we deze Instellen als de absolute waarde plus 1.

2.1.3. Representation Returns

in het echte leven, echter, voor beleggers met representatie gedragsmatige vooringenomenheid, is het moeilijk om de vooroordelen perfect duidelijk van elkaar te isoleren. Vandaar dat we hier proberen om de horizontale en verticale representatie returns te combineren en een nieuwe meting te bouwen als de representatie returns. We introduceren een voorkeursparameter voor horizontale representatiebias, die tussen 0 en 1 ligt.

definieer waar het gecombineerde representatierendement voor het aandeel is en de voorkeursparameter voor horizontale representatiebias. Uit (8), kunnen we zien dat wanneer is 1, Het betekent dat de beleggers volledig vertrouwen op de horizontale vertegenwoordiging rendement; wanneer is 0, het suggereert dat de beleggers zich tot de verticale vertegenwoordiging rendement. Hier analyseren we voornamelijk de voorspellingsfouten door. Volgens (8), gaan we ervan uit dat het echte rendement is , de voorspellingsfout van wordt aangeduid als , de voorspellingsfout van wordt aangeduid als, en de voorspellingsfout van is . Dan hebben we

door (11), kunnen we zien dat de voorspellingsfout van de representatiereturns wordt beïnvloed door de voorspellingsfouten van zowel horizontale als verticale representatiereturns. En het wordt ook beïnvloed door de horizontale representatie bias voorkeursparameter . Opgemerkt moet worden dat de parameter afhankelijk is van de representatievoorkeur van de beleggers. Als een belegger de voorkeur geeft aan horizontale representatie-informatie, is deze meestal groter dan 0,5; anders is de parameter kleiner.

2.2. Portefeuilleselectie op basis van Representatieresultaten en Prospect Theory

over het algemeen zijn er twee kaders over portefeuilleselectie: het maximaliseren van het nut en het rendement-risico-evenwicht. De mean-variance portfolio theorie stelt beleggers in staat om het risico met een aanvaardbaar rendement te minimaliseren of hun verwachte rendement met een redelijk risico te maximaliseren (zie ). Tegenwoordig is het op grote schaal gebruikt in de echte markt. Echter, gezien het feit dat het traditionele gemiddelde-variantie model misschien niet geschikt is voor het gedrag van de beleggers, selecteren we het portfolio selectie model op basis van prospect theorie in het empirische experiment.de Prospect theory wordt voorgesteld door Kahneman en Tversky in 1979. In deze theorie is referentiepunt een essentieel begrip. Het is als een benchmark die mensen hebben de neiging om te gebruiken voor vergelijking wanneer ze iets beoordelen. Volgens Kahneman en Tversky vinden zij dat beleggers een actief beoordelen meestal afhankelijk van het referentiepunt waarmee het rendement of het verlies wordt vergeleken in plaats van de werkelijke waarde. Met andere woorden, wanneer beleggers vergelijken met een bepaald referentieniveau, geven ze nog meer om de relatieve waarde dan om de absolute waarde. Wanneer een referentiepunt verandert, kunnen beleggers totaal andere beslissingen nemen. Hij en Zhou veronderstellen dat het referentiepunt altijd wordt ingesteld als de risicoloze couponrente van de obligatie met een lange looptijd, omdat beleggers de neiging hebben om het rendement te vergelijken met de couponrente van de obligatie. In het volgende gedeelte van dit artikel introduceren we een nieuwe parameter die het referentieniveau aangeeft.

ga ervan uit dat er een eenfasemodel bestaat en dat de markt vrij is van wrijving, waardoor baissetransacties niet mogelijk zijn. Er zijn risicovolle activa, en de initiële rijkdom is . De representatiereturns worden aangeduid met een vector . Definieer, waarin is het bedrag van de investering in activa, en . Aan het einde van de investering, de winst is .

Definieer het nut van de beleggers met representatiegedrag met Fibbo-functie. De klassieke vorm iswaar de nutsfunctie is en betekent de gevoeligheid van de beleggers wanneer zij geconfronteerd worden met de veranderingen in het rendement. Daarnaast gebruiken we de prospect theorie om de veranderingen te meten. Er is

Hier is de waarde-functie, en geeft het referentieniveau van de belegger aan. Volgens Kahneman en Tversky heeft het verlies een grotere impact dan het rendement op de besluitvorming, dus is de waardefunctie-vormig. In het bijzonder kan volgens Kahneman en Tversky als volgt worden gesteld:

rekening houdend met (14) en (13) in (12), is er

volgens de regel van het maximaliseren van het nut en de marktsituatie in China dat er geen short selling is, krijgen we het wiskundige programmeermodel als volgt:

3. Empirische experimenten

om verschillende industrieën en gebieden te bestrijken, selecteren we 15 aandelen uit Stock A market van China. De aandelen zijn 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, en ZTE. Duidt het aandeel aan door . Alle gegevens zijn van Wind Database, en het monster is van 6 januari 2012, tot 28 December 2012, wekelijks. De returns worden berekend met logaritme vóór berekening.

3.1. Berekening van de Returns voor horizontale representatie

met de stappen van berekening , zoals vermeld in Paragraaf 2, worden de returns voor horizontale representatie als volgt berekend.

Stap 1. Stel het gewicht van elk criterium in zoals we in Tabel 1 laten zien.

Stap 2. Analyseer elke indicator, en stel de fuzzy paarsgewijs vergelijkingswaarde op basis van de taalkundige belang waarde: gewoon gelijk, even belangrijk, zwak belangrijk, matig belangrijk, en sterk belangrijk. Hun driehoekige fuzzy paarsgewijze vergelijkingswaarden zijn (), (), (), (), en ().

Stap 3. Construeer de vergelijkingsmatrix voor elk criterium. Hier tonen we de vergelijkingsmatrix van de indicator verhandelbare aandeelhouders als voorbeeld in Tabel 2.

Stap 4. Bereken de en-matrices, die in totaal 30 zijn.

Stap 5. Bereken het fuzzy nummer voor elke voorraad op elk criterium; dan kunnen we krijgen . Hier tonen we de fuzzy nummers van elke voorraad op criterium als voorbeeld in Tabel 3.
zoals het voorbeeld hierboven laat zien, kunnen we ook de fuzzy waarden van de aandelen berekenen voor de andere 29 indicatoren. Wat meer is dat, afhankelijk van het belang van de verschillende hiërarchieën, we ook de verschillende waarden kunnen krijgen volgens de berekening met de gelijkenis tussen de aandelen. We gaan er bijvoorbeeld van uit dat de numerieke relatie tussen de vier hiërarchieën 1 : 1 : 1 : 1 is. Dan kunnen we de gelijkenissen standaardiseren en ze in de berekening van horizontale representatieresultaten plaatsen. Volgens Welch en Goyal kan het gemiddelde van de historische rendementen tussen bepaalde tijden worden ingesteld als benchmarks voor voorspellingen, omdat het wiskundige gemiddelde zonder enige berekening geen informatie zou moeten bevatten. Met deze aanname, als de verwachte horizontale weergave beter presteert, betekent dit dat de horizontale representatiebevestiging nuttige informatie biedt en nuttig kan zijn bij het marktoordeel. In het empirische experiment berekenen we het gemiddelde met de laatste vier historische getallen als benchmark en proberen we het rendement in de komende vier weken voortschrijdend te voorspellen. De resultaten zijn zoals uit Tabel 4 blijkt.
uit Tabel 4 blijkt dat de vier prognoses met horizontale representatie-informatie allemaal beter presteren dan de benchmarks en dat de gemiddelde foutenvermindering 29,77% bedraagt. Aangezien de benchmarks zijn vastgesteld omdat ze geen informatie bevatten en de nieuwe horizontale representatieresultaten er beter uitzien bij het voorspellen, wordt op de een of andere manier aangetoond dat de horizontale representatiebias kan helpen bij het voorspellen van de opbrengsten. Met andere woorden, het representatiegedrag van de beleggers kan nuttige informatie verschaffen in de rendementsprognose. Bovendien moet worden opgemerkt dat we ons hier vooral richten op de vraag of het representatiegedrag zinvolle informatie kan bevatten in plaats van de nauwkeurigheid van de voorspelling. Aangezien de benchmarks niet erg goed voorspellen, zijn de foutenreducties soms groot.

3.2. Berekening van de Vertical Representation Returns

voor de berekening en tests van de vertical representation returns, selecteren we de laatste vier maanden’ (zestien) returns als een monster gebruikt in de forecasting. Dan gebruiken we twee methoden om de methode in en de Onze te wegen en de vergelijking van de resultaten te tonen. De veronderstellingen zijn vergelijkbaar met de horizontale situatie hierboven vermeld, als de prognose rendement beter presteren, wat betekent dat de informatie van de verticale vertegenwoordiging gedrag kan worden gebruikt in de voorspellingen.

volgens de in genoemde methode volgen de gewichten een rekenkundige volgorde, die ervoor kan zorgen dat hoe dichter het vanaf nu is, hoe zwaarder het gewicht is, en de gewichten gelijkmatig groeien met de tijd. Daarom stellen we het initiële gewicht in op 0,01293, en de rekenkunde is 0. 0128. Op deze manier is de som van de laatste 12 gewichten 1. Met (6) kunnen de opbrengsten van de volgende 4 perioden worden voorspeld.

in Paragraaf 2 passen we een methode aan om de return van de verticale representatie te berekenen, en de methode maakt de situatie van nul-noemer leeg. In het deel van de berekening moeten we eerst de vertragingen van de return-reeks door regressies achterhalen en beslissen hoeveel perioden nodig zijn om ze op te pikken, omdat het gemiddelde een proxy-variabele van de huidige return zal zijn. Bovendien selecteren we het gemiddelde van de laatste vier perioden als het huidige rendement voor voorraad en geven het aan als . Dan kunnen de gewichten worden berekend volgens (7). Eindelijk, we erachter te komen van de terugkeer prognose resultaten. Uit Tabel 5 kunnen we de resultaten van de twee methoden zien. Er kan worden vastgesteld dat de resultaten met onze methode beter zijn dan die in , wat suggereert dat de informatie van de verticale representatie metingen nuttig kan zijn in de terugkeerprognose op een bepaalde manier.

3.3. Resultaten gebaseerd op de Portfolio modellen van Representatieresultaten en Prospect Theory

We nemen de verticale representatieresultaten berekend met onze methode als voorbeeld en zetten ze in het portfolio selectie model van prospect theory samen met hun benchmarks. Volgens Tversky en Kahneman (zie), in het model vermeld in 2.2, de gedragskenmerken worden het best gemeten wanneer,.

We kunnen de grenzen van de portefeuilles tekenen met de verticale representatieresultaten en de beslissingsvariabelen volgens het portefeuilleselectiemodel. Gezien het feit dat de portfolio rendement tussen -0,12 en 0,12, verdelen we het interval van in 20 verschillende niveaus en berekenen elke nutswaarde. Dan krijgen we de grenzen met andere. De grenzen zijn zoals figuur 1 laat zien.

figuur 1

The frontier when (line·), (line ), and (line +).

in Figuur 1 gaat de horizontale as over het rendement van de portefeuille, terwijl de verticale over het verwachte nut gaat. Alle drie de grenzen zijn glad en downside curves, waaruit de grenzen wanneer,, en . We kunnen duidelijk zien dat wanneer groter is, de curve steiler is. Dat komt omdat wanneer groter is, de impact van het overtollige rendement op het nut van beleggers groter is en de beleggers hebben de neiging om gevoeliger te zijn voor de veranderingen van het rendement. Aan de hand van dit cijfer kunnen we ook zien dat, met het rendement toeneemt, het nut afneemt. En dat komt omdat wanneer het rendement van de portefeuille omhoog gaat, de verwachtingen van de beleggers ook toenemen; dan nemen ook de verliezen uit de investering toe. We weten al dat de verliezen een grotere impact hebben dan het rendement op het nut, en dan valt het nut naar beneden. Opgemerkt moet worden dat wanneer , het betekent dat de houding van de beleggers ten opzichte van zowel de winst en het verlies zijn hetzelfde.

4. Conclusies

in dit artikel blijven we ons richten op het effect dat het representatiegedrag van beleggers kan hebben op de aandelenrendementen en beleggingsbeslissingen. Ten eerste actualiseren we de analytische hiërarchie en het criterium dat we eerder hebben opgesteld en proberen we de aandelenkenmerken te analyseren voor beleggers met horizontaal representatiegedrag. Vervolgens gebruiken we de aangepaste fuzzy AHP om de impact van het criterium op de voorraden te kwantificeren en besteden we aandacht aan de meting van de horizontale en verticale representatieresultaten op basis van het concept van “afstand”, wat de gelijkenis tussen de voorraden impliceert. Op deze manier wordt de Hausdorff-afstand toegepast op het gewicht en wordt de horizontale weergave geretourneerd berekend. En het probleem van nul-noemer in de verticale representatiereturnberekening is voorlopig opgelost.

met de empirische experimenten van de Chinese aandelenmarkt, is het horizontale representatiegedrag nuttig gebleken om het rendement op een of andere manier te voorspellen. En de effectieve grenzen van de gedragsportefeuilles met verticale representatieresultaten worden ook weergegeven, wat suggereert dat het representatiegedrag nuttige informatie kan bieden om de voorspelling van de aandelenrendementen te verbeteren, en de portfoliogrenzen variëren afhankelijk van de houding van de belegger ten aanzien van de rendementswijzigingen.

belangenconflict

De auteurs verklaren dat er geen belangenconflict is met betrekking tot de publicatie van dit artikel.

Dankbetuigingen