Analyzing the interrelations among investors’ behavioral biases using an integrated DANP method
Notice bibliographique
Résumé
This research investigates the relationships between investors’ behavioral biases and compares their relative importance. For this purpose, a survey is conducted, and analytical methods are used. The sample for this study has been 512 individual investors of the Tehran Stock Exchange who completed an online questionnaire. The respondents replied about their behavior in different situations to analyze the prevalence of asymmetric discounting, mental accounting, shifting risk preference, loss aversion, regret aversion, overconfidence, proxy decision making, ambiguity aversion bias, anchoring, and herd behavior as significant fields of behavioral biases in their investment decisions. The data is analyzed using two different analytical techniques. A model based on structural equations is designed and tested to analyze the relations between these fields. Another integrated method, the DEMATEL-based analytic network process, is also used to prioritize and rank these behavioral biases. Finally, the results are compared and confirmed by each other. Analyzing the results proves the existence of 19 positive and statistically significant relations between these fields. Thus, an increase or decrease in the intensity of a particular field of behavioral biases in one’s decisions significantly affects the intensity of other fields. The present study finds that shifting risk preference, anchoring, loss aversion, and regret aversion are the most important fields of behavioral biases based on their prevalence among investors and their correlations with other biases.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,017 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,013 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,004 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».