Subjective probabilities under behavioral heuristics
Notice bibliographique
Résumé
We develop an approach to forming the subjective probabilities of future stock returns in the presence of multiple behavioral heuristics. This approach relaxes the assumption that behavioral heuristics are independent and makes it possible to investigate the individual effects as well as the joint effect of different behavioral heuristics on the investor’s probability assessment. In contrast to the objective probabilities, these subjective probabilities reflect the investor’s attitudes towards anticipated changes in the market conditions. They coincide with the objective probabilities when the investor is rational. To illustrate the use of this approach, we explore the implications of anchoring, overconfidence/doubt, and the availability heuristic for the predictability of individual stock returns based on past return data. We find empirically that the existing evidence against the random walk hypothesis may stem from the fact that the objective probabilities of large stock returns of either sign overstate the probabilities that the investor assigns to these returns given the market conditions that are anticipated to occur in the next period, which generates the “peso problem” in the data. Allowing for overconfidence in the subjective distribution of stock returns (induced by the anticipated decrease in the return volatility or the inability of the investor to adequately adjust the limits of the confidence interval away from the anchoring value) substantially decreases (compared with the case of the investor’s rationality) the degree, to which individual stock returns are predictable based on their past history, and, therefore, helps solve the stock return predictability puzzle.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 ».