Streszczenie

tendencja reprezentacyjna oznacza rodzaj tendencji poznawczej, a dla inwestorów może wpływać na ich zachowanie na giełdzie. To, czy błąd reprezentacji może pomóc w prognozie zwrotu i wyborze portfela, jest interesującym problemem, który jest mniej badany. W niniejszej pracy, w oparciu o teorię stronniczości reprezentacji i aktualną sytuację na rynkach w Chinach, skonstruowano nową hierarchię systemu pomiaru zapasów i zaproponowano odpowiedni zestaw kryteriów. Na każdym kryterium staramy się mierzyć wpływ między stadami z dostosowanym rozmytym AHP. Następnie stosuje się odległość Hausdorffa do wagi i oblicza zwrot reprezentacji poziomej. W przypadku zwrotów prognozowanych, zgodnie z zachowaniami reprezentacji, istnieje również nowa metoda obliczeniowa. Wyniki empiryczne pokazują, że informacje o tendencjach reprezentacji są przydatne dla prognozy zwrotu, jak również dla wyboru portfela.

1. Wprowadzenie

koncepcja reprezentacji jest proponowana przez Tversky ’ ego i Kahnemana jako normalna cecha behawioralna w decyzjach finansowych. Uważają, że” heurystyka reprezentacji ” źle wpływa na decyzje ludzi podczas budowania ich opinii i rozumowania. DeBondt i Thaler twierdzą, że istnieje przesadna reakcja, która po skorygowaniu prawdopodobieństwa inwestorzy mogą nadwagi nowo uzyskanych informacji. Jeśli chodzi o zachowania inwestorów na rynku papierów wartościowych, Fuller definiuje jedno z nich jako stronniczość reprezentacji, która może wprowadzać inwestorów w błąd, że już przetworzyli informacje poprawnie tuż przed podjęciem decyzji. Ogólnie rzecz biorąc, istnieją dwa rodzaje błędów reprezentacji: odchylenie w poziomie i odchylenie w pionie. Według Zhanga poziome uprzedzenie oznacza, że ludzie mają tendencję do klasyfikowania jednej rzeczy z jej analogami i prognozowania rzeczy w przyszłości zgodnie z jej podobieństwami. Tymczasem pionowe nastawienie oznacza, że na rynkach finansowych ludzie łatwo oceniają lub prognozują akcje zgodnie z własnymi zapisami historycznymi.

co do efektów jakie mogą przynieść na rynek finansowy, wielu uczonych przeprowadziło ciekawe badania. Na Giełdzie Papierów Wartościowych w Chicago testy Shefrin i Statman pokazują, że uprzedzenia behawioralne inwestorów mogą znacząco i krótkoterminowo wpłynąć na popołudniowe ceny akcji . Według Coval i Shumway ceny ustalane przez traderów unikających strat ulegają znacznemu i szybszemu odwróceniu niż ceny ustalane przez bezstronnych traderów. W ostatnich latach teoria behawioralnego portfela inwestycyjnego została zastosowana do uzyskania granicy behawioralnego portfela inwestycyjnego, a także do problemu wyboru portfela. W tej dziedzinie, jak stronniczość behawioralna wpływa na podejmowanie decyzji koncentruje się przez naukowców. Chira i in. przeprowadzaj eksperymenty z uczniami na studiach, a następnie analizuj wpływ różnych uprzedzeń behawioralnych na decyzje finansowe. Xu i in. rozszerz model Tversky’ ego w oparciu o odchylenie reprezentacyjne inwestorów i pod ramą maksymalizacji użyteczności; następnie badają go z odchyleniem reprezentacyjnym pionowym jako przykładem. Zhao i Fang proponują metodę obliczania zarówno zwrotów pionowych, jak i poziomych i próbują znaleźć, czy informacje o reprezentacji mogą pomóc w prognozowaniu zwrotów na rynku finansowym.

w alokacji aktywów, co do pomiaru subiektywnych rzeczy, takich jak zachowania i emocje, Saaty et al. pierwotnie używać AHP do radzenia sobie z problemami finansowymi. Następnie, wraz z rozwojem teorii finansowej, złożony system finansowy zwraca dużą uwagę. A teoria i metody rozmyte, które w porównaniu z tradycyjnymi są mniej subiektywne i mogą lepiej scharakteryzować rozmyte środowisko inwestycyjne i proces, są stopniowo wprowadzane do obliczeń. Enea i Piazza łączą teorię rozmytą i metodę AHP i proponują rozmytą AHP, ale nie rozwiązują pewnych problemów za pomocą specjalnych wartości. Na podstawie swoich prac Tiryaki i Ahlatcioglu stosują zaadaptowaną metodę, która rozwiązuje problem zerowej wartości na tureckim rynku akcji, a decyzje inwestycyjne są podejmowane za pomocą modelu średniej wariancji. Jednak optymalne wagi inwestycji nie są pokazywane. Zgodnie z tym, zaadaptowana metoda fuzzy Analytic hierarchy process Method jest najpierw używana do pomiaru odchylenia reprezentacji poziomej. Praca opiera się na założeniu, że na złożonym rynku finansowym żywa ścieżka wpływu stronniczości na decyzje inwestora nie jest jeszcze znana. Chociaż zanim inwestorzy podejmą decyzje inwestycyjne, będą oceniać rynek, prawdopodobnie nie będą obliczać rzeczy za pomocą określonego AHP lub niektórych metod tak ściśle i dokładnie. Innymi słowy, jest to jak rozmyty proces.

Ten artykuł może być postrzegany jako zaktualizowana wersja naszego ostatniego artykułu wymienionego powyżej. W niniejszym artykule przedstawiono główne założenia dotyczące pomiaru wpływu horyzontalnego i wertykalnego odchylenia reprezentacji na zwroty akcji, ale zamiast tego, biorąc pod uwagę obecne otoczenie finansowe w Chinach i związane z tym polityki, odnowiliśmy system oceny za pomocą hierarchii, kryterium i wag. W części obliczeniowej stosujemy odległość Hausdorffa, aby poradzić sobie z problemami ważenia. W związku z sytuacją, w której pionowe nastawienie inwestorów może wpłynąć na oczekiwanie zysków w przyszłości, proponujemy inną metodę ważenia stopniem dopasowania danych historycznych akcji do jej obecnego trendu i przezwyciężenia problemu zerowego mianownika. Następnie przeprowadzamy eksperymenty empiryczne z danymi na chińskiej giełdzie, a wyniki są akceptowalne. Nowa metoda jest również testowana empirycznie i porównujemy ją z Chira et al.’s method in. W końcu umieściliśmy prognozę zwrotów w modelu wyboru portfela inwestycyjnego behawioralnego i pokazaliśmy efektywne granice, co sugeruje, że tendencja reprezentacji może pomóc w prognozie zwrotów i do pewnego stopnia zoptymalizować wybór portfela.

Ten artykuł jest zorganizowany w następujący sposób. W następnej sekcji przedstawiamy rozmyty pomiar zachowań reprezentacji i modelu użytkowego. W sekcji 3 stosujemy metody z eksperymentem empirycznym i omawiamy wyniki obliczeniowe. Kończymy pracę z podsumowaniem wniosków w punkcie 4.

2. Metody

2.1. Błąd reprezentacji i zwraca

ogólnie rzecz biorąc, istnieją dwa rodzaje błędów reprezentacji: odchylenie poziome i odchylenie pionowe. Stronniczość reprezentacji poziomej implikuje pewien rodzaj zachowania, że ludzie mają tendencję do klasyfikowania jednej rzeczy z innymi podobnymi rzeczami i prognozowania jej zgodnie z zasadami podobnych rzeczy. Pionowe odchylenie reprezentacji oznacza inne zachowanie lub inne nawyki, które ludzie mają tendencję do łatwego oceniania lub prognozowania rzeczy zgodnie z własnymi zapisami historii (zobacz ). Xu i in. zaproponuj metodę obliczania zwrotów reprezentacji pionowej i poziomej; następnie Zhao i Fang proponują nowy (patrz). Tutaj podążamy za ich wyjaśnieniami do zwrotów reprezentacji, ale szczegółowo rozszerzamy obliczenia.

2.1.1. Pozioma Reprezentacja Zwroty

pozioma reprezentacja zwrot oznacza zwroty, które inwestorzy prognozują i obliczają z odchyleniem i informacjami dotyczącymi reprezentacji poziomej. Na przykład biorąc pod uwagę zapasy, na poziome odzwierciedlenie zwrotu akcji mają wpływ głównie inne zapasy, które mają podobne cechy, takie jak zapasy podobnych branż i tego samego funduszu. Inwestorzy z horyzontalnymi tendencjami reprezentacji oceniają akcje w świetle sytuacji innych podobnych akcji. Dlatego budowanie odpowiedniego systemu hierarchii zapasów jest niezwykle ważne. W tym artykule, aby obliczyć odchylenia reprezentacji poziomej, należy wykonać dwa kroki w następujący sposób.

Krok 1 (podnieś początkowe zapasy). Wybierz akcje, które chcesz umieścić w portfelu początkowym. Weźmy na przykład część 3 tego artykułu; wybieramy 15 zapasów i nazwiemy je tak .

Krok 2 (ważenie i obliczanie zwrotów odchylenia reprezentacji poziomej). Wybierz cechy akcji, na których zależy inwestorom. W tym miejscu dzielimy Wskaźniki na cztery grupy, w tym otoczenie inwestycyjne, kwestie spółki, rentowność akcji oraz cele inwestorów. Wybieramy 30 wskaźników i oznaczamy je jako .
W ostatnich latach chiński rząd w jakiś sposób osłabił regulację rynku giełdowego, a „niewidzialna ręka” zajęła się tym rynkiem bardziej niż wcześniej. W związku z tym, w porównaniu z naszą poprzednią pracą, tutaj zmniejszyliśmy wagę nadzoru rządowego i zwiększyliśmy wagę rozwoju przemysłu i regionalnych warunków gospodarczych, zgodnie z regionalnymi i przemysłowymi wynikami gospodarczymi zostały znacznie poprawione. Nowy system hierarchii zapasów jest taki, jak pokazuje tabela 1.
Zdefiniuj gdzie oznacza poziomą reprezentację zwrotu zapasów ; oznacza zwroty innych podobnych zapasów ; i oznacza współczynnik efektu zapasów w porównaniu z docelowym zapasem dla kryterium . Na kryterium, jeśli zapasy mają duży wpływ na zapasy, zostaną obdarzone wielką wartością. Na przykład, jeśli zapas 1 ma większy wpływ na zapas niż zapas 2 (tutaj ), to . oznacza wagę kryterium w całym systemie hierarchii zapasów,. Oczywiste jest, że zwrot akcji jest rodzajem ważonej sumy pozostałych zwrotów akcji.
można stwierdzić, że kluczem do pomiaru powrotu reprezentacji poziomej jest obliczenie współczynnika efektu ; wtedy błąd reprezentacji jest w jakiś sposób kwantyfikowany.
Zdefiniuj gdzie oznacza wartość rozmytą zapasów na kryterium , a jest ona obliczana głównie za pomocą zaadaptowanej metody fuzzy Analytic hierarchy process. Następnie można go umieścić w pomiarze podobieństwa między zapasami. Dla odległości między liczbami rozmytymi stosujemy odległość Hausdorffa (patrz). Weźmy na przykład Trójkąt rozmyte liczby. Najpierw definiujemy odległość między punktem a liczbą rozmytą, gdzie można zobaczyć, że wartość jego funkcji jest większa od 0, co oznacza . Następnie odległość między dwoma liczbami rozmytymi jest
dla odległości, powinna spełniać symetrię. W związku z tym odległość Hausdorffa między dwoma liczbami rozmytymi trójkąta jest zdefiniowana jako
za pomocą powyższych metod, można obliczyć współczynnik efektu, a następnie obliczany jest zwrot reprezentacji poziomej.

2.1.2. Pionowa Reprezentacja zwraca

pionowa reprezentacja sugeruje, że inwestorzy mają tendencję do oceniania lub prognozowania akcji na podstawie jej historii, a nie innych powiązanych rzeczy. W związku z tym Zakładamy, że na wertykalny zwrot akcji mają głównie wpływ własne dane historyczne. Procedury obliczania zwrotów reprezentacji pionowej są przedstawione poniżej.

Krok 1 (podnieś początkowe zapasy). Wybierz akcje, które chcesz umieścić w początkowych portfelach.

Krok 2 (waga i Oblicz odchylenie pionowe reprezentacji). Inwestorzy z pionową reprezentacją nastawienia behawioralnego koncentrują się na historii zwrotu akcji i dostosowują swoje oczekiwania na jej podstawie. Dla akcji,, wybieramy jej historyczne zwroty z okresami i oznaczamy je jako . Staramy się znaleźć podobieństwo w korelacji pomiędzy danymi historycznymi i aktualnymi danymi o zasobach i zgodnie z tym ważymy dane historyczne z różnych okresów za pomocą notacji . Chira i in. uwierz, że wagi różnych okresów powinny spełniać, co oznacza, że im dłuższy okres jest od teraz, tym mniejsza jest waga (zobacz ). Ale uważamy, że wpływ każdego okresu na obecne wyniki nie jest tak odpowiedni. Przy okazji, możemy stwierdzić, że bliższe okresy mogą mieć większy wpływ na prognozę, która z łatwością obciąża zbytnio te późne, co zachęca do tego, że prognoza będzie w dużym stopniu podążać za tendencją. Dlatego proponujemy inną metodę radzenia sobie z ważeniem, a nowy sposób podkreśla dopasowanie historii i teraźniejszości. Przypuszczamy, że gdy inwestorzy znajdą podobną historię, poznają ją i prognozują przyszłe zyski w oparciu o tę wiedzę. Poza tym w obliczeniach używamy również pojęcia „odległość” do obsługi ciężarów. A odległość jest wartością bezwzględną minus.
Zdefiniuj zwrot reprezentacji pionowej, jak pokazano w następujący sposób: gdzie jest zwrot reprezentacji pionowej zapasów, jest historycznym zwrotem zapasów na czas i jest wagą, która implikuje wpływ historii na teraźniejszość. Zdefiniuj
dla wartości bieżącej, jako zmienną proxy wybieramy średnią z ostatnich okresów i oznaczamy ją jako . może być określona przez regresje szeregów czasowych zwrotów. jest wartością bezwzględną okresu minus obecny dla akcji, która jest jak odległość,, ponieważ zależy nam głównie na efektach minionych okresów. Należy zauważyć, że aby uniknąć sytuacji, w której mianownik jest równy 0, ustawiamy go jako wartość bezwzględną plus 1.

2.1.3. Reprezentacyjne Zwroty

w prawdziwym życiu, jednak dla inwestorów z reprezentacyjnymi tendencjami behawioralnymi trudno jest doskonale wyizolować uprzedzenia od siebie. Dlatego tutaj staramy się połączyć poziomy i pionowy powrót reprezentacji razem i zbudować nowy pomiar jak reprezentacja zwraca. Wprowadzamy parametr preferencji odchylenia reprezentacji poziomej, który mieści się w przedziale od 0 do 1.

Zdefiniuj, gdzie jest połączony zwrot reprezentacji dla zapasów i jest parametrem preferencji preferencji reprezentacji poziomej. Z (8), widzimy, że gdy jest 1, oznacza to, że inwestorzy całkowicie ufają zwrotom z reprezentacji poziomej; gdy jest 0, sugeruje to, że inwestorzy zwracają się do zwrotów z reprezentacji pionowej. Tutaj głównie analizujemy błędy prognozy Przez. Zgodnie z (8), Zakładamy , że rzeczywisty zwrot jest , błąd prognozy jest oznaczony jako, błąd prognozy jest oznaczony jako, a błąd prognozy jest . Następnie mamy

By (11), widzimy, że na błąd prognozy zwrotów reprezentacji mają wpływ błędy prognoz zarówno zwrotów reprezentacji poziomej, jak i pionowej. Wpływa na to również parametr preferencji odchylenia reprezentacji poziomej . Należy zauważyć, że parametr zależy od preferencji reprezentacji inwestorów. Jeśli inwestor preferuje informacje o reprezentacji poziomej, To zwykle jest większy niż 0,5; W przeciwnym razie parametr jest mniejszy.

2.2. Wybór portfela w oparciu o reprezentacyjne Zwroty i teorię perspektyw

Ogólnie rzecz biorąc, istnieją dwie ramy dotyczące wyboru portfela: maksymalizacja użyteczności i kompromis między ryzykiem zwrotu a ryzykiem. Teoria portfela średniej wariancji pozwala inwestorom zminimalizować ryzyko przy akceptowalnym zwrocie lub zmaksymalizować oczekiwany zwrot przy rozsądnym ryzyku(patrz). Obecnie jest szeroko stosowany na prawdziwym rynku. Jednak biorąc pod uwagę fakt, że tradycyjny model średniej wariancji może nie być odpowiedni dla zachowań inwestorów, wybieramy model wyboru portfela w oparciu o teorię perspektyw w eksperymencie empirycznym.

teoria perspektyw została zaproponowana przez Kahnemana i Tversky ’ ego w 1979 roku. W tej teorii punkt odniesienia jest niezwykle ważnym pojęciem. Jest to jak benchmark, którego ludzie używają do porównywania, gdy coś oceniają. Według Kahnemana i Tversky ’ ego inwestorzy oceniają aktywa głównie w zależności od punktu odniesienia, z którym porównuje się zysk lub stratę, a nie rzeczywistą wartość. Innymi słowy, gdy inwestorzy porównują się z pewnym poziomem odniesienia, dbają o wartość względną nawet bardziej niż wartość bezwzględną. Gdy zmienia się punkt odniesienia, inwestorzy mogą podejmować zupełnie inne decyzje. On i Zhou przypuszczają, że punkt odniesienia jest zawsze ustalany jako pozbawiona ryzyka stopa kuponowa obligacji o długim terminie zapadalności, ponieważ inwestorzy mają tendencję do porównywania stopy zwrotu ze stopą kuponową obligacji. W następnej części artykułu przedstawiamy nowy parametr pokazujący poziom odniesienia.

Załóżmy, że istnieje model jednostopniowy, a rynek jest wolny od tarcia, co nie pozwala na krótką sprzedaż. Są ryzykowne aktywa, a początkowe bogactwo jest . Zwroty reprezentacji są oznaczane przez wektor . Zdefiniuj, w którym jest kwota inwestycji w aktywa, i . Na koniec inwestycji zysk jest .

Zdefiniuj użyteczność inwestorów z reprezentacyjnym nastawieniem behawioralnym z funkcją Fibbo. Jego klasyczną formą jest funkcja użyteczności i wrażliwość inwestorów w obliczu zmian stóp zwrotu. Ponadto używamy teorii perspektyw do pomiaru zmian. Jest

tutaj jest funkcja wartości i oznacza poziom referencyjny inwestora. Według Kahnemana i Tversky ’ ego strata ma większy wpływ niż zwroty na podejmowanie decyzji, więc funkcja wartości jest kształtowana. W szczególności, według Kahnemana i Tversky ’ ego, można stwierdzić, jak poniżej:

biorąc (14) i (13) do (12), istnieje

zgodnie z zasadą maksymalizacji użyteczności i sytuacji rynkowej w Chinach, że nie ma krótkiej sprzedaży, otrzymujemy matematyczny model programowania w następujący sposób:

3. Eksperymenty empiryczne

aby objąć różne branże i obszary, wybieramy 15 zapasów z magazynu na rynku Chińskim. Zapasy to 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 i ZTE. Oznacz akcje według . Wszystkie dane pochodzą z bazy danych wiatr, a próbka jest od 6 stycznia 2012, do 28 grudnia 2012, Co tydzień. Zwroty są obliczane logarytmem przed obliczeniem.

3.1. Obliczanie zwrotów reprezentacji poziomej

z krokami obliczania , określonymi w sekcji 2, zwrotów reprezentacji poziomej oblicza się w następujący sposób.

Krok 1. Ustaw wagę każdego kryterium, jak pokazujemy w tabeli 1.

Krok 2. Przeanalizuj każdy wskaźnik i ustaw wartość porównania par rozmytych zgodnie z wartością znaczenia językowego: just equal, equally important, weakly important, umiarkowanie important, and strongly important. Ich trójkątne, rozmyte pary porównawcze są (), (), (), (), oraz ().

Krok 3. Skonstruuj macierz porównawczą dla każdego pojedynczego kryterium. Tutaj pokazujemy macierz porównawczą wskaźnika zbywalnych akcjonariuszy jako przykład w tabeli 2.

Krok 4. Oblicz macierze i, czyli 30.

Krok 5. Oblicz liczbę rozmytą dla każdego stada na każdym kryterium; wtedy możemy uzyskać . Tutaj pokazujemy rozmyte liczby każdego zasobu na kryterium jako przykład w tabeli 3.
Jak pokazuje powyższy przykład, Podobnie możemy obliczyć rozmyte wartości zapasów dla pozostałych 29 wskaźników. Co więcej, w zależności od znaczenia różnych hierarchii, możemy również uzyskać różne wartości zgodnie z obliczeniami z podobieństwem między zapasami. Na przykład Zakładamy, że numeryczna relacja między czterema hierarchiami wynosi 1: 1: 1: 1. Następnie możemy standaryzować podobieństwa i umieścić je w obliczeniach zwrotów reprezentacji poziomej. Według Welcha i Goyala średnia historycznych zwrotów między pewnymi czasami może być ustawiona jako punkt odniesienia dla prognozowania, ponieważ średnia matematyczna bez żadnych obliczeń nie powinna zawierać żadnych informacji. Przy tym założeniu, jeżeli prognozowane zyski z reprezentacji horyzontalnej działają lepiej, oznacza to, że potwierdzenie reprezentacji horyzontalnej dostarcza użytecznych informacji i może być pomocne w ocenie rynku. W eksperymencie empirycznym obliczamy średnią z ostatnich czterech liczb historycznych jako punkt odniesienia i staramy się przewijać zwroty w ciągu najbliższych czterech tygodni. Wyniki przedstawiono w tabeli 4.
z tabeli 4 wynika, że wszystkie cztery prognozy z informacjami o reprezentacji horyzontalnej działają lepiej niż benchmarki, a średnia redukcja błędów wynosi 29,77%. Biorąc pod uwagę, że poziomy odniesienia nie zawierają żadnych informacji, a nowe poziomy reprezentacji zwrotów wyglądają lepiej w prognozowaniu, wykazano w pewien sposób, że odchylenie reprezentacji poziomej może pomóc w prognozowaniu zwrotów. Innymi słowy, zachowania reprezentacyjne inwestorów mogą dostarczyć użytecznych informacji w prognozie zwrotu. Poza tym, należy zauważyć, że tutaj skupiamy się głównie na tym, czy zachowania reprezentacji mogą zawierać znaczące informacje zamiast dokładności prognozy. Ponieważ wskaźniki nie prognozują zbyt dobrze, redukcja błędów jest czasami bardzo duża.

3.2. Obliczanie zwrotów reprezentacji pionowej

Jeśli chodzi o obliczenia i testy zwrotów reprezentacji pionowej, wybieramy ostatnie cztery miesiące (szesnaście) jako próbkę używaną w prognozowaniu. Następnie stosujemy dwie metody ważenia metody w I naszej i pokazać porównanie wyników. Założenia są podobne do przedstawionej powyżej sytuacji horyzontalnej, jeśli prognozy osiągną lepsze wyniki, co oznacza, że informacje o zachowaniach reprezentacji pionowej mogą być wykorzystane w prognozach.

zgodnie z metodą wymienioną w, wagi podążają za sekwencją arytmetyczną, która może upewnić się, że im bliżej jest od teraz, tym cięższa jest waga, A wagi rosną równomiernie w czasie. Dlatego ustawiamy początkową wagę jako 0,01293, a arytmetyka wynosi 0. 0128. W ten sposób suma ostatnich 12 wag wynosi 1. Dzięki funkcji (6)można prognozować zwroty kolejnych 4 okresów.

w sekcji 2, dostosowujemy metodę do obliczania zwrotu reprezentacji pionowej, a metoda unieważnia sytuację zero-mianownika. W części obliczeniowej najpierw musimy dowiedzieć się o opóźnieniach serii return przez regresje i zdecydować, ile okresów jest potrzebnych do ich odebrania, ponieważ średnia będzie zmienną proxy obecnego zwrotu. Ponadto wybieramy średnią z ostatnich czterech okresów jako obecny poziom zwrotu dla zapasów i oznaczamy go jako . Następnie wagi można obliczyć zgodnie z (7). W końcu ustalamy wyniki prognozy zwrotu. Z tabeli 5 możemy zobaczyć wyniki obu metod. Można się dowiedzieć, że wyniki z naszej metody są lepsze niż te w, co sugeruje, że informacje o pomiarach reprezentacji pionowej mogą być w jakiś sposób przydatne w prognozie zwrotu.

3.3. Wyniki oparte na modelach Portfolio reprezentacji zwrotów i teorii perspektyw

jako przykład bierzemy pionową reprezentację zwrotów obliczonych za pomocą naszej metody i umieszczamy je w modelu wyboru portfela teorii perspektyw wraz z ich benchmarkami. Według Tversky ’ ego i Kahnemana (patrz ), w modelu wspomnianym w 2.2, cechy behawioralne są najlepiej mierzone, gdy,.

możemy narysować granice portfeli za pomocą zwrotów reprezentacji pionowej i zmiennych decyzyjnych zgodnie z modelem wyboru portfela. Biorąc pod uwagę, że zwroty z portfela wynoszą od -0,12 do 0,12, dzielimy przedział na 20 różnych poziomów i obliczamy każdą wartość użyteczności. Następnie dostajemy granice z innymi. Granice są jak pokazuje rysunek 1.

na rysunku 1 oś pozioma odnosi się do zysków portfela, podczas gdy pionowa dotyczy oczekiwanego narzędzia. Wszystkie trzy granice są gładkie i krzywe minusów, pokazując granice, kiedy,, i . Widać wyraźnie, że gdy jest większa, krzywa jest bardziej stroma. Dzieje się tak dlatego, że kiedy jest większy, wpływ nadwyżki zwrotu na użyteczność inwestorów jest większy, a inwestorzy są bardziej wrażliwi na zmiany zwrotu. Na podstawie tej liczby możemy również stwierdzić, że wraz ze wzrostem zwrotu, użyteczność maleje. A to dlatego, że kiedy zyski portfela idą w górę, rosną również oczekiwania inwestorów; wtedy rosną również straty z inwestycji. Wiemy już, że straty mają większy wpływ niż zyski na narzędzie, a następnie narzędzie upada. Należy zauważyć, że kiedy, oznacza to, że stosunek inwestorów zarówno do zysku, jak i straty są takie same.

4. Wnioski

w niniejszym artykule skupiamy się na tym, jaki wpływ mogą mieć zachowania reprezentacyjne inwestorów na zwroty akcji i decyzje inwestycyjne. Po pierwsze, aktualizujemy hierarchię analityczną i kryterium, które wcześniej skonstruowaliśmy, i staramy się analizować cechy giełdowe dla inwestorów z zachowaniami reprezentacji horyzontalnej. Następnie używamy dostosowanego rozmytego AHP do ilościowego określenia wpływu kryterium na zapasy i zwracamy uwagę na pomiar poziomych i pionowych zwrotów reprezentacji w oparciu o pojęcie „odległości”, co oznacza podobieństwo między zapasami. W ten sposób stosuje się odległość Hausdorffa do wagi i oblicza zwrot odwzorowania poziomego. I problem zero-mianownika w obliczaniu powrotu reprezentacji pionowej jest wstępnie rozwiązany.

dzięki eksperymentom empirycznym z chińskiego rynku akcji, horyzontalne zachowanie reprezentacji okazało się przydatne do prognozowania zysków w jakiś sposób. Pokazano również efektywne granice portfeli behawioralnych z pionową reprezentacją zwrotów, co sugeruje, że zachowania reprezentacyjne mogą dostarczyć przydatnych informacji w celu poprawy prognozy zwrotów akcji, a granice portfela różnią się w zależności od stosunku inwestora do zmian zwrotu.

konflikt interesów

autorzy oświadczają, że nie ma konfliktu interesów w związku z publikacją niniejszego artykułu.

podziękowania