Abstrakt

Representation bias betyder en slags kognitiv tendens, och för investerare kan det påverka deras beteende på aktiemarknaden. Huruvida representationsförskjutningen kan hjälpa avkastningsprognosen och portföljvalet är ett intressant problem som är mindre studerat. I detta dokument, baserat på representation bias theory och nuvarande marknadssituation i Kina, en ny hierarki av lagermätningssystem konstrueras och en motsvarande uppsättning kriterier föreslås också. På varje kriterium försöker vi mäta påverkan bland bestånd med anpassad fuzzy AHP. Sedan appliceras Hausdorff-avståndet på vikt och beräknar den horisontella representationsavkastningen. För prognosavkastningen, enligt representationsbeteenden, finns det också en ny beräkningsmetod. Empiriska resultat visar att informationen om representationsförspänning är användbar för såväl avkastningsprognosen som portföljvalet.

1. Introduktion

begreppet representationsförskjutning föreslås av Tversky och Kahneman som en normal beteendekaraktäristik i ekonomiska beslut. De tror att” representation heuristiska ” dåligt påverkar människors beslut under deras åsikter byggnad och resonemang. DeBondt och Thaler hävdar att det finns en överreaktion som, efter att ha korrigerat sannolikheterna, kan investerare överviktiga den nyligen erhållna informationen. När det gäller investerarnas beteenden på säkerhetsmarknaden definierar Fuller en av dem som representationsfördomar som kan vilseleda investerarna att tro att de redan har behandlat informationen korrekt innan de fattar ett beslut. I allmänhet finns det två typer av representationsfördomar: horisontell representation bias och vertikal representation bias . Enligt Zhang betyder den horisontella förspänningen att människor har en tendens att klassificera en sak med sina analoger och förutse saken i framtiden enligt dess likheter. Samtidigt innebär den vertikala förspänningen att människor på finansmarknaderna lätt tenderar att bedöma eller förutse ett lager enligt sina egna historiska register.

När det gäller effekterna beteendebias kan ge till finansmarknaden har många forskare gjort en del intressant forskning. På Chicago Stock Exchange-marknaden visar Shefrin och Statmans tester att investerarnas beteendemässiga bias kan väsentligt och kortsiktigt påverka eftermiddagens aktiekurser . Enligt Coval och Shumway vänds priser som fastställs av förlustavvikande handlare betydligt och snabbare än de som fastställs av objektiva handlare. Under de senaste åren har beteendeinvesteringsportföljteori tillämpats för att härleda beteendeinvesteringsportföljens gräns och används också för portföljvalsproblemet. På detta område är hur beteendebias påverkar beslutsfattandet fokuserat på av forskare. Chira et al. ta experiment med eleverna på college, och sedan analyserar de effekterna av olika beteendefördomar på ekonomiska beslut. Xu et al. förläng tverskys modell baserad på investerarnas representationsförskjutning och under ramen för att maximera verktyget; sedan undersöker de det med den vertikala representationsförskjutningen som ett exempel. Zhao och Fang föreslå en beräkningsmetod för både vertikal och horisontell representation bias avkastning och försöka hitta om representation informationen kan hjälpa avkastning prognos på finansmarknaden.

i tillgångsallokeringen, som för mätning av subjektiva saker, såsom beteenden och känslor, Saaty et al. använd ursprungligen AHP för att hantera ekonomiska problem. Sedan, med utvecklingen av finansiell teori, komplexa finansiella systemet drar stor uppmärksamhet. Och den fuzzy teorin och metoderna, som jämfört med de traditionella, är mindre subjektiva och kan karakterisera den fuzzy investeringsmiljön och processen bättre, sätts gradvis i beräkning. Enea och Piazza kombinerar fuzzy teori och AHP-metod tillsammans och lägger fram fuzzy AHP, men de löser inte några problem med speciella värden. Baserat på deras arbete tillämpar Tiryaki och Ahlatcioglu en anpassad metod som löser nollvärdesproblemet på Turkiets aktiemarknad, och investeringsbesluten fattas med medelvariansmodellen. De optimala investeringsvikterna visas dock inte. Enligt, den anpassade fuzzy analytisk hierarki processmetod används först för att mäta horisontell representation bias. Arbetet bygger på övervägande att på den komplexa finansmarknaden är den livliga vägen för hur representationsförskjutningen påverkar investerarens beslut ännu okänd. Även om innan investerare fattar investeringsbeslut skulle de utvärdera marknaden, kommer de förmodligen inte att beräkna sakerna med specifika AHP eller några metoder så strikt och exakt. Med andra ord är det som en fuzzy process.

detta papper kan ses som en uppdaterad version av vårt senaste papper som nämns ovan. Detta dokument följer de viktigaste tankarna om hur man mäter effekten av den horisontella och vertikala representationsförskjutningen på aktieavkastningen, men i stället med tanke på den nuvarande ekonomiska miljön i Kina och den relaterade politiken renoverar vi utvärderingssystemet med hierarki, kriterium och vikter. I beräkningsdelen tillämpar vi Hausdorff distance för att hantera viktningsproblemen. Enligt situationen att investerarnas vertikala representationsförskjutning kan påverka förväntningarna på avkastningen i framtiden, föreslår vi en annan metod för viktning med graden av matchning av aktiens historiska data och dess nuvarande trend och övervinna problemet med nollnämnare. Sedan tar vi empiriska experiment med data på kinesiska aktiemarknaden, och resultaten är acceptabla. Och den nya metoden testas också empiriskt, och vi jämför den med Chira et al.metod i . Äntligen sätter vi prognostiseringsavkastningen i en modell för val av beteendeinvesteringsportfölj och visar de effektiva gränserna, vilket tyder på att representationsförskjutning kan hjälpa avkastningsprognosen och optimera portföljvalet i viss utsträckning.

detta dokument är organiserat enligt följande. I nästa avsnitt anger vi en fuzzy mätning om representationsbeteenden och en nyttighetsmodell. I Avsnitt 3 tillämpar vi metoderna med ett empiriskt experiment och diskuterar beräkningsresultaten. Vi avslutar uppsatsen med en sammanfattning av slutsatserna i Avsnitt 4.

2. Metoder

2.1. Representationsförspänning och avkastning

i allmänhet finns det två typer av representationsfördomar: horisontell bias och vertikal bias. Den horisontella representationsförskjutningen innebär ett slags beteende som människor tenderar att klassificera en sak med andra liknande saker och förutse det enligt dess liknande saker regler. Den vertikala representationsförskjutningen betyder ett annat beteende eller andra vanor som människor tenderar att enkelt bedöma eller förutse en sak enligt sina egna historiska register (se ). Xu et al. lägg fram en metod för att beräkna den vertikala och horisontella representationsavkastningen; sedan föreslår Zhao och Fang en ny (se ). Här följer vi deras förklaringar till representationsavkastningen, men vi utvidgar beräkningen i detalj.

2.1.1. Horisontell Representationsavkastning

den horisontella representationsavkastningen betyder den avkastning som investerare prognostiserar och beräknar med horisontell representationsavkastning och information. Om man till exempel tar aktier påverkas den horisontella representationsavkastningen för ett bestånd främst av de andra bestånd som har liknande egenskaper, såsom lager från liknande industrier och från samma fondbolag. Investerare med horisontell representation bias beteenden tenderar att bedöma ett lager i ljuset av situationerna i de andra liknande bestånden. Därför är det mycket viktigt att bygga ett korrekt lagerhierarkisystem. I detta dokument, för att beräkna den horisontella representationen bias avkastning tar två steg enligt följande.

Steg 1 (plocka upp de ursprungliga lagren). Välj några aktier att sätta i den ursprungliga portföljen. Ta del 3 av detta dokument, till exempel; vi väljer 15 Lager och namnger dem som .

steg 2 (viktning och beräkning av horisontell representation bias returnerar). Välj några egenskaper hos de aktier som investerarna bryr sig om. Här delar vi in indikatorerna i fyra grupper, inklusive investeringsmiljön, företagsfrågor, lönsamheten för aktierna och investerarnas mål. Vi väljer 30 indikatorer och betecknar dem som .
under de senaste åren har den kinesiska regeringen försvagat sin reglering på aktiemarknaden på något sätt, och den ”osynliga handen” har hanterat mer om marknaden än tidigare. Därför, jämfört med vårt tidigare arbete, här lättade vi vikten av den statliga tillsynen och höjde vikten av industrins utveckling och regionala ekonomiska förhållanden, enligt regionala och industriella ekonomiska resultat har förbättrats avsevärt. Det nya lagerhierarkisystemet är som Tabell 1 visar.
definiera var betyder den horisontella representationsavkastningen av beståndet; betyder avkastningen för de andra liknande bestånden ; och betyder effektfaktorn för beståndet jämfört med målbeståndet för kriteriet . På kriteriet , om lager har ett stort inflytande på lager, kommer att vara utrustad med ett stort värde. Till exempel, om lager 1 har större inverkan på lager än lager 2 (här), då . betyder vikten av kriteriet i hela lagerhierarkisystemet, . Det är uppenbart att avkastningen på lager är en slags viktad summa av de andra aktieavkastningarna.
det kan konstateras att nyckeln till att mäta horisontell representationsavkastning är att beräkna effektfaktorn ; då kvantifieras representationens bias på något sätt.
definiera var betyder det fuzzy värdet av lager på kriterium, och det beräknas huvudsakligen med den anpassade fuzzy analytiska hierarkiprocessmetoden. Då kan det sättas i mätningen av likheten mellan lager. För avståndet mellan fuzzy tal tillämpar vi Hausdorff-avståndet (se ). Ta till exempel triangeln fuzzy numbers. Först definierar vi avståndet mellan punkt och ett fuzzy tal Där kan ses som värdet av dess medlemsfunktion är större än 0, vilket innebär . Då är avståndet mellan två fuzzy tal
För avstånd, det borde uppfylla symmetrin. Därför definieras Hausdorff-avståndet mellan två triangelfuzzy tal som
med metoderna ovan kan effektfaktorn räknas ut och sedan beräknas den horisontella representationsavkastningen.

2.1.2. Vertikal Representation returnerar

den vertikala representationsförskjutningen antyder att investerare tenderar att bedöma eller förutse ett lager baserat på dess historia istället för de andra relaterade sakerna. Därför antar vi att den vertikala representationsavkastningen av ett lager huvudsakligen påverkas av dess egna historiska data. Och procedurerna för att beräkna den vertikala representationsavkastningen är som visas nedan.

Steg 1 (plocka upp de ursprungliga lagren). Välj några aktier som ska placeras i de ursprungliga portföljerna.

steg 2 (vikt och beräkna den vertikala representationen bias avkastning). Investerare med vertikal representation beteendebias fokuserar på en akties avkastningshistoria och anpassar sina förväntningar baserat på den. För lager,, vi väljer dess historiska avkastning med perioder och beteckna dem som . Vi försöker ta reda på likheten i korrelationen mellan historiska data och nuvarande data för ett lager, och enligt det väger vi historiska data från olika perioder med noteringar . Chira et al. tror vikterna av olika perioder bör tillfredsställa, vilket innebär att ju längre perioden är från och med nu, desto mindre är vikten (se ). Men vi hävdar att effekten av varje period på nuvarande prestanda inte är så lämplig. Förresten kan vi upptäcka att de närmare perioderna kan ha större effekt på prognosen, som tenderar att lätt väga för mycket på de sena, vilket uppmuntrar det faktum att prognosen kommer att följa tendensen i stor utsträckning. Därför föreslår vi en annan metod för att hantera viktningen, och det nya sättet betonar matchningen av historia och nutid. Vi antar att när investerare hittar liknande historia kommer de att lära sig historien och förutse framtida avkastning baserat på lärandet. Dessutom använder vi i beräkningen också begreppet” avstånd ” för att hantera vikterna. Och avståndet är ett absolut värde på minus.
definiera den vertikala representationsavkastningen som visas i följande: Var är den vertikala representationsavkastningen av lager, är den historiska avkastningen av lager i tid och är vikten av , vilket innebär historiens effekt på nutiden. Definiera
för nuvärdet väljer vi medelvärdet för de sista perioderna som en proxyvariabel och betecknar det som . kan bestämmas av tidsserieregressioner av avkastningen. är det absoluta värdet av period minus närvarande för lager, vilket är som Avståndet,, eftersom vi främst bryr oss om effekterna av de senaste perioderna. Det bör noteras att för att undvika situationen att nämnaren är 0, ställer vi in den som absolut värde plus 1.

2.1.3. Representation avkastning

i verkliga livet, men för investerare med representation beteende partiskhet, är det svårt att isolera fördomar helt klart från varandra. Därför försöker vi kombinera den horisontella och vertikala representationsavkastningen tillsammans och bygga en ny mätning när representationen återvänder. Vi introducerar en horisontell representation bias preferensparameter, som är mellan 0 och 1.

definiera var är den kombinerade representationsavkastningen för lager och är den horisontella preferensparametern för representations bias. Från (8) kan vi se att när är 1 betyder det att investerarna helt litar på den horisontella representationsavkastningen; när är 0 föreslår det att investerarna vänder sig till den vertikala representationsavkastningen. Här analyserar vi främst prognosfel av. Enligt (8) antar vi att den reala avkastningen är , prognosfelet för betecknas som , prognosfelet för betecknas som och prognosfelet för är . Då har vi

av (11), Vi kan se att prognosfelet för representationsavkastningen påverkas av prognosfelen för både horisontella och vertikala representationsavkastningar. Och det påverkas också av preferensparametern för horisontell representation. Det bör noteras att parametern beror på investerarnas representationspreferens. Om en investerare föredrar horisontell representationsinformation tenderar den att vara större än 0,5; annars är parametern mindre.

2.2. Portföljval baserat på Representationsavkastning och prospektteori

generellt sett finns det två ramar om portföljval: maximera nyttan och avkastningsriskavvägningen. Teorin om medelvariansportfölj gör det möjligt för investerare att minimera risken med en acceptabel avkastning eller maximera sin förväntade avkastning med rimlig risk (se ). Numera har det använts i stor utsträckning på den verkliga marknaden. Men med tanke på att den traditionella medelvariansmodellen kanske inte är lämplig för investerarnas beteenden väljer vi portföljvalsmodellen baserat på prospektteori i det empiriska experimentet.

prospektteori föreslås av Kahneman och Tversky 1979. I denna teori är referenspunkt ett mycket viktigt begrepp. Det är som ett riktmärke som människor tenderar att använda för jämförelse när de bedömer något. Enligt Kahneman och Tversky finner de att investerare utvärderar en tillgång mestadels beroende på referenspunkten med vilken avkastningen eller förlusten jämförs istället för det verkliga värdet. Med andra ord, när investerare jämför med en viss referensnivå, bryr de sig om det relativa värdet ännu mer än det absoluta värdet. När en referenspunkt ändras kan investerare fatta helt olika beslut. Han och Zhou antar att referenspunkten alltid är inställd som den riskfria kupongräntan för obligationen med lång löptid eftersom investerare tenderar att jämföra avkastningsgraden med kupongräntan för obligationen. I nästa avsnitt i detta dokument introducerar vi en ny parameter som visar referensnivån.

Antag att det finns en enstegsmodell, och marknaden är fri från friktion, vilket inte tillåter någon blankning. Det finns riskabla tillgångar, och den ursprungliga förmögenheten är . Representationsavkastningen betecknas med en vektor . Definiera, där är mängden investeringar i tillgången, och . I slutet av investeringen är vinsten .

definiera nyttan av investerarna med representation beteende bias med Fibbo funktion. Dess klassiska form ärvar är nyttofunktionen och betyder investerarnas känslighet när de står inför avkastningsförändringarna. Dessutom använder vi prospect-teorin för att mäta förändringarna. Det finns

här är värdefunktionen och betecknar investerarens referensnivå. Enligt Kahneman och Tversky gör förlusten större inverkan än avkastning på beslutsfattandet, så värdefunktionen är formad. I synnerhet, enligt Kahneman och Tversky, kan anges enligt nedan:

ta (14) och (13) in (12), Det finns

enligt regeln att maximera nyttan och marknadssituationen i Kina att det inte finns någon blankning, vi får den matematiska programmeringsmodellen enligt följande:

3. Empiriska experiment

för att täcka olika branscher och områden väljer vi 15 aktier från lager en marknad i Kina. Bestånden är Poly fastigheter, Daqin järnväg, Gree elektriska apparater, ICBC, Gezhouba Dam, Conch Cement, Minsheng Bank, Shandong guld, Sany, Vanke a, Wuliangye, Yunnan Baiyao, Sinopec, Zoomlion och ZTE. Beteckna beståndet av . All data är från Wind Database, och provet är från 6 januari 2012 till 28 December 2012, varje vecka. Avkastningen beräknas med logaritm före beräkning.

3.1. Beräkning av den horisontella Representationsavkastningen

med stegen för beräkning , som anges i Avsnitt 2, beräknas de horisontella representationsavkastningen enligt följande.

Steg 1. Ställ in vikten på varje kriterium som vi visar i Tabell 1.

steg 2. Analysera varje indikator och ställ in det fuzzy parvisa jämförelsevärdet enligt det språkliga betydelsevärdet: bara lika, lika viktigt, svagt viktigt, måttligt viktigt och starkt viktigt. Deras triangulära fuzzy parvis jämförelsevärden är (), (), (), (), och ().

steg 3. Konstruera jämförelsematrisen för varje enskilt kriterium. Här visar vi jämförelsematrisen för indikatorn omsättbara aktieägare som ett exempel i Tabell 2.

steg 4. Beräkna och matriser, som är 30 i alla.

Steg 5. Beräkna det fuzzy numret för varje lager på varje kriterium; då kan vi få . Här visar vi de fuzzy siffrorna för varje lager på kriterium som ett exempel i tabell 3.
som exemplet visar ovan kan vi på samma sätt räkna ut de fuzzy värdena för bestånden för de andra 29 indikatorerna. Vad mer är att vi, beroende på vikten av de olika hierarkierna, också kan få de olika värdena enligt beräkningen med likheten mellan lager. Till exempel antar vi att det numeriska förhållandet mellan de fyra hierarkierna är 1 : 1 : 1 : 1. Då kan vi standardisera likheterna och sätta dem i beräkningen av horisontella representationsavkastningar. Enligt Welch och Goyal kan medelvärdet av den historiska avkastningen mellan vissa tider ställas in som riktmärken för prognoser , eftersom det matematiska genomsnittet utan någon beräkning ska innehålla ingen information. Med detta antagande, om den prognostiserade horisontella representationsavkastningen fungerar bättre, innebär detta att den horisontella representationsbeviset ger användbar information och kan vara till hjälp i marknadsbedömningen. I det empiriska experimentet beräknar vi genomsnittet med de senaste fyra historiska siffrorna som riktmärke och försöker rullande förutse avkastningen under de kommande fyra veckorna. Resultaten är som Tabell 4 visar.
från Tabell 4 kan vi se att de fyra prognoserna med horisontell representationsinformation alla presterar bättre än riktmärkena gör, och den genomsnittliga felminskningen är 29, 77%. Med tanke på att riktmärkena är inställda som att de inte innehåller någon information och de nya horisontella representationsavkastningarna ser bättre ut i prognoserna, visas det på något sätt att den horisontella representationsavvikelsen kan hjälpa till att förutse avkastningen. Med andra ord kan investerarnas representationsbeteenden ge användbar information i avkastningsprognosen. Dessutom bör det noteras att vi här främst fokuserar på om representationsbeteenden kan innehålla meningsfull information istället för prognosens noggrannhet. Eftersom riktmärkena inte förutspår mycket bra är felminskningarna stora ibland.

3.2. Beräkning av den vertikala Representationsavkastningen

när det gäller beräkning och tester av den vertikala representationsavkastningen väljer vi de senaste fyra månadernas (sexton) avkastning som ett prov som används i prognoserna. Sedan använder vi två metoder för att väga metoden i och vår och visar jämförelsen av resultaten. Antagandena liknar den horisontella situationen som anges ovan, om prognosavkastningen fungerar bättre, vilket innebär att informationen om det vertikala representationsbeteendet kan användas i förutsägelserna.

enligt metoden som nämns i följer vikterna en aritmetisk sekvens, som kan se till att ju närmare det är, desto tyngre är vikten och vikterna växer jämnt med tiden. Därför ställer vi in initialvikten som 0,01293 och aritmetiken är 0. 0128. På detta sätt är summan av de sista 12 vikterna 1. Med (6) kan avkastningen för de kommande 4 perioderna prognostiseras.

i Avsnitt 2 anpassar vi en metod för att beräkna den vertikala representationsavkastningen, och metoden ogiltigförklarar situationen för noll-nämnare. I beräkningsdelen måste vi först ta reda på fördröjningarna i returserien genom regressioner och bestämma hur många perioder som behövs för att de ska hämtas, eftersom genomsnittet kommer att vara en proxyvariabel för den nuvarande avkastningen. Dessutom väljer vi medelvärdet för de senaste fyra perioderna som nuvarande returnivå för lager och betecknar det som . Då kan vikterna beräknas enligt (7). Äntligen räknar vi ut resultatet av avkastningsprognosen. Från Tabell 5 kan vi se resultaten av de två metoderna. Det kan konstateras att resultaten med vår metod är bättre än de i , vilket tyder på att informationen om de vertikala representationsmätningarna kan vara användbar i avkastningsprognosen på något sätt.

3.3. Resultat baserat på Portföljmodellerna för Representationsavkastning och prospektteori

Vi tar den vertikala representationsavkastningen beräknad med vår metod som ett exempel och lägger dem i portföljvalsmodellen för prospektteori tillsammans med deras riktmärken. Enligt Tversky och Kahneman (se ), i modellen som nämns i 2.2, mäts beteendeegenskaperna bäst när , .

Vi kan dra gränserna för portföljerna med den vertikala representationsavkastningen och beslutsvariablerna enligt portföljvalsmodellen. Med tanke på att portföljavkastningen är mellan -0,12 och 0,12 delar vi intervallet i 20 olika nivåer och beräknar varje nyttjandevärde. Sedan får vi gränserna med olika. Gränserna är som Figur 1 visar.

i Figur 1 handlar den horisontella axeln om portföljavkastningen, medan vertikalen handlar om det förväntade verktyget. Alla de tre gränserna är släta och nedåtkurvor, visar gränserna när,, och . Vi kan tydligt se att när är större är kurvan brantare. Det beror på att när är större är effekten av överskottsavkastningen på investerarnas nytta större och investerarna tenderar att vara mer känsliga för avkastningsförändringarna. Med denna siffra kan vi också finna att verktyget minskar med avkastningen ökar. Och detta beror på att när portföljavkastningen går upp ökar investerarnas förväntningar också; då ökar också förlusterna från investeringen. Vi har redan känt att förlusterna har större inverkan än avkastningen på verktyget, och sedan faller verktyget ner. Det bör noteras att när det betyder att investerarnas attityder till både vinst och förlust är desamma.

4. Slutsatser

i detta dokument fortsätter vi att fokusera på vilken effekt investerarnas representationsbeteende kan ha på aktieavkastning och investeringsbeslut. Först uppdaterar vi den analytiska hierarkin och kriteriet vi konstruerade tidigare och försöker analysera aktieegenskaperna för investerare med horisontella representationsbeteenden. Sedan använder vi den anpassade fuzzy AHP för att kvantifiera kriteriets inverkan på lager och uppmärksamma mätningen av den horisontella och vertikala representationsavkastningen baserat på begreppet ”avstånd”, vilket innebär likheten mellan lager. På detta sätt appliceras Hausdorff-avståndet på vikt och beräknar den horisontella representationsavkastningen. Och problemet med noll-nämnare i den vertikala representationen returberäkning är preliminärt löst.

med de empiriska experimenten från den kinesiska aktiemarknaden har det horisontella representationsbeteendet visat sig vara användbart för att förutse avkastningen på något sätt. Och de effektiva gränserna för beteendeportföljerna med vertikal representationsavkastning visas också, vilket tyder på att representationsbeteenden kan ge användbar information för att förbättra aktieavkastningsprognosen, och portföljgränserna varierar beroende på investerarens inställning till avkastningsförändringarna.

intressekonflikt

författarna förklarar att det inte finns någon intressekonflikt när det gäller publiceringen av detta dokument.

bekräftelser