تحقیقات مالی

تحقیقات مالی

نقش تجربه در سوگیری‌‌های رفتاری: ارائه چارچوب احتمالاتی مبتنی بر روش‌‌های بیزی در شرایط عدم قطعیت

نوع مقاله : مقاله علمی پژوهشی

نویسندگان
فریده فرجی 1
حمید رستمی جاز 2
سعید مرداپور 3
مهدی دسینه 4
1 دانشجوی دکتری، گروه حسابداری، واحد بندرعباس، دانشگاه آزاد اسلامی، بندرعباس، ایران،
2 استادیار، گروه حسابداری، دانشگاه آزاد اسلامی، واحد بندرعباس، بندرعباس، ایران
3 استادیار، گروه حسابداری و مدیریت مالی، دانشگاه آزاد اسلامی، واحد بندرعباس، بندرعباس، ایران،
4 استادیار، گروه حسابداری، دانشگاه آزاد اسلامی، واحد بندرعباس، بندرعباس، ایران،
10.22059/frj.2025.393962.1007734
چکیده
هدف: با توجه به اهمیت سوگیری‌های روان‌شناختی و تأثیر آن‌ها بر مدل‌سازی متغیرهای تصمیم‌گیری در شرایط عدم‌قطعیت، برای پیش‌بینی ارزش مورد انتظار، ریسک کلی، ریسک منفی، ارزش در معرض خطر و ریزش مورد انتظار، در طول سال‌ها، سوگیری بیش‌اعتمادی و کم‌اعتمادی با استفاده از فرضیه‌های احتمالی مفهومی ‎توضیح داده می‌شدند. مشکل اینجاست که وجود عدم‌قطعیت در چنین الگویی‌هایی باعث می‌شود که این مدل‌ها کارایی لازم را نداشته نباشند؛ زیرا عدم‌قطعیت باعث نوعی عدم تقارن می‌شود و در ساختار این مدل‌ها در نظر گرفته نمی‌شود. از این رو، هدف اصلی این پژوهش، ارائۀ یک چارچوب احتمالی شفاف‌سازی سوگیری‌های مدیریتی و بررسی نقش تجربۀ مدیران در کاهش سوگیری‌های رفتاری، در محیط‌های مالی پُرریسک و نامطمئن، براساس روش زنجیرۀ مارکوف مونت‌کارلو و الگوریتم متروپلیس ـ هیستینگز است که در آن با استفاده از یک تابع توزیع‌های نامتقارن، شرایط عدم‌قطعیت به‌خوبی نشان داده می‌شود.
روش: جامعۀ آماری این پژوهش، ۴۰ شرکت سرمایه‌گذاری در فرابورس و بورس اوراق بهادار تهران، طی سال ۱۴۰۱ است. روش پژوهش در چارچوب رویکردهای بیزی دولایه و یک توزیع نرمال چوله است. در این چارچوب، ارزش مورد انتظار، ریسک کلی، ریسک نزولی، ۱درصد ارزش در معرض ریسک و ریزش مورد انتظار، برای سه حالت مدیر منطقی، بیش از حد مطمئن و کم‌اعتماد بر اساس زنجیرۀ مارکوف مونت‌کارلو و الگوریتم متروپلیس ـ هیستینگز با استفاده از نمونه‌ای از ۱۵۰۰۰۰ نرخ بازده پورتفوی به‌طور تصادفی محاسبه شده است.
یافته‌ها: نتایج پژوهش نشان داد که مدیران با اعتمادبه‌نفس بیش از حد، تمایل دارند که احتمال رخدادهای مطلوب را بیش از حد برآورد کنند و احتمال رویدادهای نامطلوب را دست‌کم بگیرند. در مقابل، مدیران با اعتمادبه‌نفس کمتر از حد تمایل دارند که احتمال رخدادهای مطلوب را دست‌کم بگیرند و احتمال رویدادهای نامطلوب را بیش از حد برآورد کنند. همچنین نتایج پژوهش نشان داد که مدیران با اعتمادبه‌نفس بیش از حد، ارزش‌های مورد انتظار را بیش از مدیران منطقی برآورد می‌کنند؛ اما ریسک نزولی، ارزش در معرض خطر و ریزش مورد انتظار متغیرهای تصمیم‌گیری را دست‌کم می‌گیرند. از سوی دیگر، مدیران با اعتمادبه‌نفس کمتر از مدیران منطقی، ارزش‌های مورد انتظار را دست‌کم می‌گیرند؛ اما ریسک نزولی، ارزش در معرض خطر و ریزش مورد انتظار را بیش از مدیران منطقی برآورد می‌کنند. همچنین، تجربۀ مدیریتی به‌عنوان عامل تعدیل‌کننده شناسایی شد که از طریق افزایش استفاده از داده‌های تاریخی و تحلیل‌های کمی، اثرهای سوگیری‌های رفتاری را کاهش می‌دهد. نتایج مدل‌سازی سلسله‌مراتبی بیزی تأیید می‌کند که تجربۀ عملی مدیران نه‌تنها بر کاهش سوگیری‌ها مؤثر است، بلکه توانایی پیش‌بینی دقیق‌تر ریسک و بازده را بهبود می‌بخشد.
نتیجه‌گیری: این پژوهش یک چارچوب احتمالی را برای مدل‌سازی سوگیری‌های مدیریتی اعتماد بیش از حد و عدم اطمینان ایجاد می‌کند. این چارچوب به‌عنوان ابزاری برای مقایسۀ تفاوت‌ها و شباهت‌های این سوگیری‌ها و تحلیل تأثیر آن‌ها بر ارزش مورد انتظار، ریسک کلی، ریسک نزولی، ارزش در معرض خطر و ریزش مورد انتظار متغیرهای تصمیم‌گیری استفاده می‌شود. به‌طور خلاصه، هم مدیران با اعتمادبه‌نفس بیش از حد و هم مدیران با اعتمادبه‌نفس کمتر از حد، می‌توانند در فرایندهای تصمیم‌گیری خود، به‌دلیل کالیبراسیون نادرست احتمالات و توزیع احتمالات ذهنی ناهنجار دچار سوگیری رفتاری شوند. مدیران با اعتمادبه‌نفس، بیش از حد تمایل دارند تا احتمال موفقیت را بیش از حد برآورد کنند و ریسک را دست‌کم بگیرند، در حالی که مدیران با اعتمادبه‌نفس کمتر از حد، برعکس عمل می‌کنند. این سوگیری‌ها می‌تواند به تصمیم‌گیری غیربهینه و نتایج منفی بالقوه برای سازمان منجر شود. اگرچه آگاهی مدیران از این سوگیری‌ها و تلاش برای ارزیابی دقیق‌تر و متعادل‌تر احتمالات و ریسک‌ها، به‌منظور اتخاذ تصمیم‌های درست حائز اهمیت است؛ تجربۀ مدیریتی می‌تواند در این فرایند، نقشی تعدیل‌کننده و قوی ایفا می‌کند؛ بدین معنا که با هر سال افزایش سابقۀ مدیریت، مقدار چولگی ذهنی به‌سمت صفر میل می‌کند و برآوردهای معیار ریسک به‌شکل معناداری به مقادیر واقعی نزدیک‌تر می‌شود. این یافته‌ها با نظریه‌های پردازش دوگانۀ ذهن هم‌سو است و اهمیت انتقال تجربه و بازخورد سازمانی را در تقویت تفکر تحلیلی و کاهش سوگیری‌های رفتاری تأیید می‌کند. این پژوهش، گامی مهم در جهت طراحی چارچوب‌های تصمیم‌گیری بهینه در شرایط عدم قطعیت و ارائه ابزارهای تحلیلی برای کاهش خطاهای شناختی در مدیریت مالی است.
کلیدواژه‌ها
تجربه
سوگیری‌های مدیریتی
عدم‌قطعیت
ارزش در معرض خطر
موضوعات

عنوان مقاله English

The Role of Experience in Behavioral Biases: A Bayesian Probabilistic Framework Under Uncertainty

نویسندگان English

Farideh Faraji, 1
Hamid Rostami Jaz 2
Saeed Moradpour 3
Mahdi Dasineh 4
1 Ph.D. Candidate, Department of Accounting, Bandar Abbas Branch, Islamic Azad University, Bandar Abbas, Iran.
2 Assistant Prof., Department of Accounting, Bandar Abbas Branch, Islamic Azad University, Bandar Abbas, Iran.
3 Assistant Prof., Department of Accounting, Bandar Abbas Branch, Islamic Azad University, Bandar Abbas, Iran.
4 Assistant Prof., Department of Accounting, Bandar Abbas Branch, Islamic Azad University, Bandar Abbas, Iran.
چکیده English

Objective
Given the importance of psychological biases and their influence on modeling decision-making variables under uncertainty, overconfidence and underconfidence biases have been examined through conceptual probabilistic frameworks to predict expected value, overall risk, downside risk, value-at-risk, and expected drawdown. However, the uncertainty inherent in these models limits their effectiveness, as it introduces asymmetry that is not adequately incorporated into their underlying structures. Accordingly, the main objective of this study is to provide a probabilistic framework to clarify managerial biases and examine the role of managers' experience in reducing behavioral biases in risky and uncertain financial environments based on the Markov Chain Monte Carlo method and the Metropolis-Hastings algorithm, in which the uncertainty conditions are well represented by using an asymmetric distribution function.

Methods The statistical population of this study consists of 40 investment companies listed on the Tehran Stock Exchange and the Iranian Over-the-Counter (OTC) market in 2022. The research methodology is based on a two-layer Bayesian framework combined with a normal distribution approach. Expected value, total risk, downside risk, 1% value-at-risk, and expected drawdown are estimated for three managerial states—rational, overconfident, and underconfident—using the Markov Chain Monte Carlo (MCMC) method and the Metropolis–Hastings algorithm based on 150,000 randomly simulated portfolio returns.

Results
The results show that overconfident managers tend to overestimate the likelihood of favorable events and underestimate the likelihood of unfavorable outcomes, whereas underconfident managers exhibit the opposite pattern by underestimating favorable events and overestimating unfavorable outcomes. The findings further indicate that overconfident managers overestimate expected values compared with rational managers while underestimating downside risk, value-at-risk, and expected drawdown. Conversely, underconfident managers underestimate expected values but overestimate downside risk, value-at-risk, and expected drawdown relative to rational managers. Also, managerial experience was identified as a moderating factor that reduces the effects of behavioral biases through increased use of historical data and quantitative analysis. The results of Bayesian hierarchical modeling confirmed that managers’ practical experience not only reduces biases but also improves the ability to more accurately predict risk and returns.

Conclusion
This study develops a probabilistic framework for modeling the managerial biases of overconfidence and uncertainty. The framework is used as a tool to compare the differences and similarities of these biases and analyze their impact on expected value, overall risk, downside risk, value-at-risk, and expected drawdown of decision variables. In summary, both overconfident and underconfident managers can experience behavioral biases in their decision-making processes due to miscalibration of probabilities and distorted subjective probability distributions. Overconfident managers tend to overestimate the probability of success and underestimate risk, while underconfident managers do the opposite. These biases can lead to suboptimal decision-making and potentially negative outcomes for the organization. Although managers’ awareness of these biases and their efforts to assess probabilities and risks more accurately and objectively are essential for effective decision-making, managerial experience can play a significant moderating role in this process

کلیدواژه‌ها English

Experience
Managerial biases
Uncertainty
Value at risk
اقبال‌نیا، محمد؛ اسماعیل فدایی نژاد، محمد (۱۳۸۶). آزمون مدل ارزش در معرض ریسک برای پیش‌بینی و مدیریت ریسک سرمایه‌گذاری. چشم‌انداز مدیریت، 21(22)، 33-53.
حاجیها، زهره؛ هدایتی، قدرت‌اله (1395). ارتباط بین رفتار (خوش بینی) مدیران بر ریسک گزارشگری مالی در بورس اوراق بهادار تهران، کنفرانس جهانی مدیریت، اقتصاد، حسابداری و علوم انسانی در آغاز هزاره سوم.
دلشاد، افسانه؛ صادقی شریف، سیدجلال (1397). بررسی واکنش بازار سرمایه به کوته‌‎بینی مدیران در شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران. تحقیقات مالی، 20(1)، 91-106.
رادپور، میثم و عبده تبریزی، حسین (1388). اندازه‌گیری و مدیریت ریسک بازار رویکرد ارزش در معرض ریسک (چاپ اول)، انتشارات آگاه.
زمردیان، غلامرضا (۱۳۹۴). مقایسه توان تبیین مدل‌های پارامتریک (اقتصادسنجی) و ناپارآمتریک (مونت‌کارلو) در سنجش میزان ارزش در معرض خطر پرتفوی شرکت‌های سرمایه‌گذاری جهت تعیین پرتفوی بهینه در بازار سرمایه ایران. مهندسی مالی و مدیریت اوراق بهادار، ۶(۲۲)، ۱۴۷-۱۶۴.
کشاورز، غلامرضا؛ مفتخر دریایی، کبری (1397). تأثیر سرایت بازده و تلاطم در برآورد ارزش در معرض ریسک سبد دارایی، متشکل از طلا، ارز و سهام. فصلنامه تحقیقات اقتصادی، 53(1)، 117-152.
مهرفر، ابوطالب؛ کاظمی، حسین؛ رضایی، فرزین (1402). خوش‌بینی طبیعی و انگیزشی مدیران و تأثیر آن بر کیفیت گزارشگری مالی. دانش حسابداری و حسابرسی مدیریت، 12(48)، 161-176.
References
Alpert, M. & Raiffa, H. (1982). A progress report on the training of probability assessors. In: Kahneman, D., Slovic, P., Tversky, A. (Eds.), Judgment under Uncertainty: Heuristics and Biases. Cambridge University Press, Cambridge, 294–305.
Asparouhov, T. & Muthén, B. (2015). Structural Equation Models and Mixture Models with Continuous Nonnormal Skewed Distributions. Structural Equation Modeling: A Multidisciplinary Journal, 23(1), 1-19.
Azzalini, A. (1985). A class of distributions which includes the normal ones. Scandinavian journal of statistics, 171-178.
Barber, B. M. & Odean, T. (2001). Boys will be boys: Gender, overconfidence, and common stock investment. Quarterly Journal of Economics, 116(1), 261–292.
Ben-David, I., Graham, J.R. & Harvey, C.R. (2013). Managerial miscalibration. The Quarterly Journal of Economics, 128 (4), 1547–1584.
Bhandari, G. & Deaves, R. (2006). The demographics of overconfidence. Journal of Behavioral Finance, 7(1), 5–11.
Camerer, C. & Lovallo, D. (1999). Overconfidence and excess entry: An experimental approach. American Economic Review, 89 (1), 306–318.
Daniel, K., Hirshleifer, D. & Subrahmanyam, A. (2001). Overconfidence, arbitrage, and equilibrium asset pricing. Journal of Finance, 56(3), 921–965.
Delshad, A. & Sadeghi Sharif, J. (2017). Investigating the reaction of the capital market to the short-sightedness of managers in companies listed on the Tehran Stock Exchange. Financial Research, 20(1), 91-106. (in Persian)
Eisenbach, T. M. & Schmalz, M. C. (2015). Anxiety, overconfidence, and excessive risk taking, Staff Report, No. 711, Federal Reserve Bank of New York, New York, NY.
Ellina, P., Mascarenhas, B. & Theodossiou, P. (2020). Clarifying managerial biases using a probabilistic framework. Journal of Behavioral and Experimental Finance, 27, 100333.
Gabaix, X. & Laibson, D. (2002). The organization of speculation. Review of Economic Studies, 69(3), 827–852.
Graham, J. R. & Harvey, C. R. (2001). The theory and practice of corporate finance: Evidence from the field. Journal of financial economics, 60(2-3), 187-243.
Guo, M., Liu, J., He, Q. & Xin, J.Y. (2020). Managerial overconfidence and M&A performance: evidence from China. International Journal of Banking, Accounting and Finance, 11(3), 342-360.
Hajiha, V. & Hedayati, Gh. (2015). The relationship between managers' behavior (optimism) on financial reporting risk in Tehran Stock Exchange. World Conference on Management, Economics, Accounting and Human Sciences at the beginning of the third millennium.
(in Persian)
Hallin, M. & Trucíos. C. (2023). Forecasting value-at-risk and expected shortfall in large portfolios: A general dynamic factor model approach. Econometrics and Statistics 27, 1-15.
Hilary, G. & Menzly, L. (2006). Limited attention and the allocation of effort in financial decision making. Journal of Finance, 61(2), 751–802.
Iqbal Nia, M. & Ismail Fadainejad, M (2008). Testing the value-at-risk model for predicting and managing investment risk. Management perspective, 21(22), 33-53(in Persian)
Jorion, P. (2007). Value at Risk: The New Benchmark for Managing Financial Risk (3rd ed.). McGraw-Hill.
Kahneman, D. & Tversky, A. (1979). Prospect theory: An analysis of decision under risk. Econometrica, 47(2), 263–291.
Kang, J. (2017). Curbing Managerial Myopia: The Role of Managerial Overconfidence in Owner Managed Firms and Professionally Managed Firms. Available at: https://ssrn.com/abstract= 2944998.
Keshavarz, Gh. & Moftakhat Daryaee, K. (2017). The impact of return contagion and volatility on the value at risk of a basket, consisting of gold, currency and stocks. Quarterly Journal of Economic Research, 53(1), 117-152. (in Persian)
Kyle, A. S. & Wang, F. A. (1997). Speculation duopoly with agreement to disagree: Can overconfidence survive the market test? The Journal of Finance, 52 (5), 2073–2090.
Langer, E. J. (1975). The illusion of control. Journal of Personality and Social Psychology. 32(2), 311–328.
Lazar, E., Pan, J. & Wang, Sh. (2024). On the estimation of Value-at-Risk and Expected Shortfall at extreme levels. Journal of Commodity Markets, 34, 1-20.
Lichtenstein, S., Fischhoff, B. & Phillips, L. (1982). Calibration of Probabilities: The State of The Art To 1980. In: Daniel, K., Slovic, P., Tversky, A. (Eds.), Judgment Under Uncertainty: Heuristics and Biases. Cambridge University Press, Cambridge, New York.
Loewenstein, G., Weber, E. U., Hsee, C. K. & Welch, N. (2001). Risk as feelings. Psychological Bulletin, 127(2), 267–286.
Malmendier, U. & Tate, G. (2015). Behavioral CEOs: The role of managerial overconfidence. Journal of Economic Perspectives, 29(4), 37–60.
McDonald, J. B. & Xu, Y. J. (1995). A generalization of the beta distribution. Journal of Econometrics, 66 (1-2), 133–152.
Mehrfar, A., Kazemi, H. & Rezaei, F. (2024). Natural and motivational optimism of managers and its effect on the quality of financial reporting. Management accounting and auditing knowledge, 12(48), 161-176. (in Persian)
Moore, D. A. & Healy, P. J. (2008). The trouble with overconfidence. Psychological Review. 115 (2), 502–517.
Morris, P.A. (1974). Decision analysis expert use. Management Science. 20 (9), 1233–1241.
Oberlechner, T. & Osler, C. (2012). Survival of overconfidence in currency markets. Journal of Financial and Quantitative Analysis. 47 (1), 91–113.
Radpour, M and Abdo Tabrizi, H (2008). Value-at-Risk Market Risk Measurement and Management (1st ed.), Conscious Publications. (in Persian)
Roll, R. (1986). The Hubris Hypothesis of Corporate Takeovers. The Journal of Business, 59(2), 197–216.
Shefrin, H. & Statman, M. (1985). The disposition to sell winners too early and ride losers too long: Theory and evidence. Journal of Finance, 40(3), 777–790.
Shefrin, H. (2005). Behavioral Corporate Finance. McGraw-Hill/ Irwin, New York.
Stanovich, K. E. & West, R. F. (2000). Individual differences in reasoning: Implications for the rationality debate? Behavioral and Brain Sciences, 23(5), 645–665.
Svenson, O. (1981). Are we all less risky and more skillful than our fellow drivers? ActPsychol, 47 (2), 143–148.
Theodossiou, P. (1998). Financial data and the skewed generalized t distribution. Management Science, 44 (12), 1650–1661.
Theodossiou, P. (2015). Distribution of financial asset prices, the skewed generalized error distribution, and the pricing of options. Multinational Finance Journal, 19 (3–4), 223–266.
Theodossiou, Tsouknidis & Savva, C. (2020). Freight rates in downside and upside markets: pricing of own and spillover risks from other shipping segments. Journal of the Royal Statistical Society Series A: Statistics in Society, 183(3), 1097-1119.
Van den Steen, E. (2004). Rational over-optimism (and other biases). American Economic Association, 94 (4), 1141–1151.
Van den Steen, E. (2011). Overconfidence by Bayesian - rational agents. Management Science. 57 (5), 884–896.
Zhang, H. G., Su, C. W., Song, Y., Qiu, S., Xiao, R. & Su, F. (2017). Calculating Value-at-Risk for high-dimensional time series using a nonlinear random mapping model. Economic Modelling, 67, 355-367.
Zoia, M. G., Biffi, P. & Nicolussi, F. (2018). Value at Risk and Expected Shortfall based on Gram-Charlier-like expansions. Journal of Banking & Finance, 93, 92-104.
Zomorodian, Gh. (2014). Comparing the explanatory power of parametric (econometric) and non-parametric (Monte Carlo) models in measuring the value at risk of the market portfolio of investment companies to determine the optimal portfolio in Iran's capital. Journal Of Financial Engineering and Book Management, 6(22), 147-164. (in Persian)
تحقیقات مالی
دوره 28، شماره 3
1405
صفحه 771-809