demickiego, wspólnego programu i Uniwersytetów w Moguncji i …fip.uek.krakow.pl/wp-content/uploads/2019/05/Autoreferat... · 2019-05-22 · Stopień naukowy: dr nauk ekonomicznych,

1

Załącznik nr 2

Autoreferat

Spis treści

1. Przebieg pracy naukowej .......................................................................................... 1

2. Jednotematyczny cykl publikacji ............................................................................. 3

3. Szczegółowe omówienie cyklu publikacji ................................................................. 7

3.1 Wprowadzenie ...................................................................................................... 7

3.2 Identyfikacja czynników behawioralnych wpływających na skłonność do

stosowania narzędzi analizy technicznej .............................................................. 9

3.3 Zjawisko iluzji kontroli ...................................................................................... 13

3.4 Wpływ czynników behawioralnych na zachowania i rynki ............................... 16

3.5 Podsumowanie .................................................................................................... 19

4. Omówienie najważniejszych pozostałych publikacji ............................................ 21

5. Podsumowanie dorobku naukowego ...................................................................... 22

6. Referencje ................................................................................................................. 24

1. Przebieg pracy naukowej

Informacje podstawowe

a. Imię i nazwisko: Marcin Czupryna

b. Stopień naukowy: dr nauk ekonomicznych, stopień uzyskany w 2007 roku, w Szkole

Głównej Handlowej w Warszawie, tytuł rozprawy: Zależność decyzji finansowych od

elementów strukturalnych modelu sytuacji decyzyjnej, promotor: prof. dr hab. Tomasz

Szapiro.

c. Zatrudnienie: Uniwersytet Ekonomiczny w Krakowie, Wydział Finansów i Prawa, od

2012 roku.

Szczegółowy opis pracy naukowej

Ukończyłem V L.O. im. A. Witkowskiego w Krakowie. W latach 1995–1999 studio-

wałem w Szkole Głównej Handlowej w Warszawie (SGH) na kierunku Metody Ilościowe i

Systemy Informacyjne. Po obronie pracy licencjackiej „Czy dobra publiczne powinny być

dostarczane przez państwo” uzyskałem dyplom i tytuł zawodowy licencjata. Natomiast po

przedstawieniu pracy magisterskiej „Opcje na rynku niemieckim” ukończyłem studia z wyni-

kiem celującym, otrzymując dyplom i tytuł zawodowy magistra w dniu 28 października 1999

r. Promotorem obydwu prac był prof. dr hab. T. Szapiro.

W latach 1997–1999 uczestniczyłem w zajęciach Polsko-Niemieckiego Forum Aka-

demickiego, wspólnego programu SGH i Uniwersytetów w Moguncji i Duisburgu. W ramach

2

tego programu w 1999 roku byłem na stypendium na Uniwersytecie w Moguncji, gdzie bra-

łem udział w wybranych zajęciach z kierunku BWL (niem. Betriebswirtschaftslehre).

W 1999 r. rozpocząłem studia doktoranckie w Kolegium Analiz Ekonomicznych

(KAE) w SGH. W ramach studiów doktoranckich uczestniczyłem w prowadzonych przez

pracowników SGH wykładach i ćwiczeniach, a także w ramach stażu dydaktycznego prowa-

dziłem ćwiczenia z ekonometrii. W czasie studiów doktoranckich moje badania naukowe do-

tyczyły modelowania decyzji na rynkach finansowych. W szczególności zajmowałem się me-

todami matematycznej reprezentacji ryzyka (w postaci miar ryzyka), a także wielokryterial-

nymi problemami optymalizacyjnymi. W latach 2003–2004 otrzymałem stypendium Marie

Curie na pobyt w CORE (ang. Center for operations research and econometrics) w Louvain-

la-Neuve w Belgii. Uczestniczyłem tam w wykładach dla doktorantów, seminariach nauko-

wych, a także prowadziłem badania związane z doktoratem. W 2007 r. obroniłem w SGH

pracę doktorską pt. „Zależność decyzji finansowych od elementów strukturalnych modelu sy-

tuacji decyzyjnej”, której promotorem był prof. dr hab. T. Szapiro.

W latach 2004–2009 pracowałem w sektorze finansowym, w bankach BPH i HypoVe-

reinsbank AG, gdzie zajmowałem się modelowaniem i pomiarem ryzyka kredytowego. W

okresie 2009–2012 byłem zatrudniony w sektorze technologicznym, kolejno w przedsiębior-

stwach Unicredit Global Information Services i Efekt Technologies, jako programista i osoba

odpowiedzialna za program badawczo-rozwojowy.

W 2012 r. wznowiłem pracę naukową, najpierw na stanowisku asystenta, a po dwóch

latach adiunkta w Katedrze Rynków Finansowych, Wydziału Finansów i Prawa, Uniwersyte-

tu Ekonomicznego w Krakowie (UEK). W ramach mojej pracy prowadzę zajęcia na studiach

stacjonarnych i niestacjonarnych, na poziomie licencjackim i magisterskim. Realizuję wykła-

dy z przedmiotów inżynieria finansowa, zarządzanie ryzykiem finansowym, zarządzanie port-

felem obligacji oraz analiza techniczna. Prowadziłem także wykłady na studiach doktoranc-

kich z przedmiotu inżynieria finansowa. Regularnie promuję prace licencjackie (dotychczas

wypromowałem 30 prac) i magisterskie (dotychczas wypromowałem 6 prac).

W trakcie mojego zatrudnienia na UEK kilkukrotnie odbyłem tygodniowe staże

i wizyty naukowe w ramach programów ERASMUS K103 i K107, a także programu CE-

EPUS. Byłem m.in. na Słowenii (Uniwersytet w Mariborze), w Hiszpanii (Uniwersytet w San

Sebastian), a także w Chorwacji (Uniwersytet w Rijece) i w Kazachstanie (Uniwersytet w

Astanie). W roku 2017, w ramach stypendium, odbyłem czteromiesięczny staż naukowy w

Cluster of Excellence "Integrated Climate System Analysis and Prediction" (CliSAP), Uni-

wersytetu w Hamburgu (UHH). W czasie pobytu pracowałem naukowo, wygłosiłem zapro-

szony wykład, a także prowadziłem gościnnie zajęcia ze studentami.

Od czasu uzyskania stopnia naukowego doktora moje zainteresowania naukowe obej-

mowały zagadnienia identyfikacji behawioralnych uwarunkowań decyzji ekonomicznych oraz

modelowania zjawisk i zachowań ekonomicznych. Interesuje mnie możliwość wykorzystania

danych uzyskiwanych metodami eksperymentalnymi i za pomocą badań ankietowych do wy-

jaśniania i opisu obserwowanych zachowań ekonomicznych. W szczególności możliwość

zastosowania metod ilościowych, takich jak symulacje (w tym - modelowanie wieloagento-

we) oraz analiza ekonometryczno-statystyczna w opisie i modelowaniu zachowań ekono-

micznych.

3

Obecnie kontynuuję badania naukowe nad identyfikacją uwarunkowań behawioral-

nych i ich konsekwencjami dla obserwowanych rynków, m.in. w ramach grantu MINIATU-

RA, zatytułowanego „Zachowania animatorów rynku na rynkach opcyjnych”,

nr. 2018/02/X/HS4/00251.

2. Jednotematyczny cykl publikacji

Osiągnięciem naukowym jest jednotematyczny cykl publikacji, zatytułowany „O identyfika-

cji i konsekwencjach uwarunkowań behawioralnych zachowań ekonomicznych”. Cykl

obejmuje osiem publikacji, realizowanych ze współautorami, między innymi, ze względu na

interdyscyplinarny charakter badań:

1) Czupryna, M., Kubińska, E., Markiewicz, Ł. (2015). What Makes Technical Analysis

Popular?. Argumenta Oeconomica Cracoviensia, (12), 53-66. DOI:

10.15678/AOC.2015.1205 (Lista B, 13 pkt MNiSW)

2) Kubińska, E., Czupryna, M., Markiewicz, Ł., Czekaj, J. (2016). Technical Analysis

as a Rational Tool of Decision Making for Professional Traders. Emerging Markets

Finance and Trade, 52(12), 2756-2771. DOI: 10.1080/1540496X.2016.1217004

(Lista A, 20 pkt MNiSW, IF = 0,468)

3) Kubińska, E., Czupryna, M., Markiewicz, Ł., Czekaj, J. (2018). Technical Analysis

Gives You Courage, But Not Money-on the Relationship between Technical Analysis

Usage, Overconfidence and Investment Performance. Argumenta Oeconomica, (1

(40)), 317-343. DOI: 10.15611/aoe.2018.1.14 (Lista A, 15 pkt MNiSW, IF = 0,133)

4) Czupryna, M., Kubińska, E., Markiewicz, Ł. (2017). On the Need for Cognitive Clo-

sure and Judgmental Trend Forecasting. Argumenta Oeconomica Cracoviensia, (17),

21-32. DOI: 10.15678/AOC.2017.1702 (Lista B, 13 pkt MNiSW)

5) Kubińska, E., Czupryna, M., Markiewicz, Ł. (2017). The Illusion of Control and In-

formation Overload within a Bayesian Updating Framework. Psychologia Ekonomic-

zna, (12), 5-13, DOI: 10.15678/PJOEP.2017.12.01 (Lista B, 8 pkt MNiSW)

6) Czupryna, M., Kubińska, E., Markiewicz, Ł. (2018). Can conjugate prior probability

explain the illusion of control?. Decyzje, (29), 87-114. DOI: 10.7206/DEC.1733-

0092.104 (Lista B, 11 pkt MNiSW)

7) Morawski, L., Czupryna, M., Mycielski, J., Rączka, J. (2018). Offering Time-of-Use

Electricity Rates to Households in a Formerly Centrally Planned Economy: Insights

from Consumer Tests in Poland. Eastern European Economics, 56(3), 246-267. DOI:

10.1080/00128775.2018.1449657 (Lista A, 15 pkt MNiSW, IF = 0,302)

8) Czupryna, M., Oleksy, P., Przybek, P., Kamiński, B. (2018). Agent-Based Modelling

of Viticulture Development in Emerging Markets: The Case of the Małopolska Re-

gion. Journal of Artificial Societies & Social Simulation, 21(3). DOI:

10.18564/jasss.3726 (Lista A, 30 pkt MNiSW, IF = 0,941)

Przedstawiam cykl, powyżej wymienionych publikacji, jako osiągnięcie naukowe w ro-

zumieniu ustawy z dnia 14 marca 2003 r. o stopniach naukowych i tytule naukowym oraz o

4

stopniach i tytule w zakresie sztuki (art. 16, ust. 1 i 2), stanowiące znaczny wkład w rozwój

dyscypliny finanse.

W dalszej części niniejszego rozdziału przedstawiam, problem badawczy, opisuję ogól-

ny schemat cyklu, tzn. współzależności pomiędzy poszczególnymi artykułami, czyli jak

przedmiot badania w kolejnych artykułach wynika z rezultatów wcześniejszych badań. W

Rozdziale 3. przedstawiony został bardziej szczegółowy opis metod badawczych i wyników

poszczególnych artykułów, stanowiących elementy jednotematycznego cyklu.

W artykułach poruszono naukowy problem identyfikacji i konsekwencji behawioral-

nych uwarunkowań zachowań ekonomicznych. W szczególności, badane są dwa powiązanie

zagadnienia: wpływ czynników behawioralnych na obserwowane zachowania ekonomiczne

oraz wpływ czynników behawioralnych na obserwowane cechy rynków. W ramach pierwsze-

go zagadnienia badawczego badano wpływ iluzji kontroli [1] 1

, [3] oraz stylu poznawczego

[2] na skłonność do stosowania analizy technicznej, potrzeby domknięcia poznawczego na

proces prognozowania [4], przeciążenia informacyjnego na obserwowaną iluzję kontroli [5],

[6] oraz reakcję popytu na energię elektryczną na zmieniające się ceny [7]. Natomiast w ra-

mach drugiego zagadnienia badawczego, badano wpływ stosowania analizy technicznej na

osiągany wynik finansowy [3] oraz wpływ czynników społecznych na tendencję do prze-

strzennego skupiania się czynników wytwórczych (winnic) [8].

W artykule [1] badałem czynniki behawioralne zwiększające skłonność do wykorzy-

stania analizy technicznej (zachowanie) w decyzjach inwestycyjnych. W pracy tej empirycz-

nie zweryfikowano pozytywną zależność pomiędzy trzema różnymi formami nadmiernej

pewności siebie, a wiarą w skuteczność metod analizy technicznej. Relacja ta została po-

twierdzona jedynie w wypadku efektu „lepiej niż średnia”2. W przypadku dwóch kolejnych

form nadmiernej pewności siebie: błędnej kalibracji oraz iluzji kontroli nie zanotowano staty-

stycznie istotnych wyników. Brak potwierdzenia postulowanej zależności przez wszystkie

trzy formy nadmiernej pewności siebie jest zgodny z wynikami dotychczas opublikowanymi

w literaturze, mówiącymi o braku istotnych związków między różnymi formami nadmiernej

pewności siebie.

Badania były kontynuowane [2] na większej próbie badawczej, uwzględniającej także

profesjonalnych uczestników rynku oraz z zastosowaniem bardziej ogólnych czynników be-

hawioralnych, tj. różnych stylów poznawczych. W szczególności badano różnice w postrze-

ganiu narzędzi analizy technicznej przez potencjalnych inwestorów (w badaniu ta grupa inwe-

storów jest reprezentowana przez studentów specjalności rynki finansowe) a profesjonalnymi

uczestnikami rynku (traderami). W artykule tym wykazano, że sposób używania narzędzi

analizy technicznej przez pierwszą grupę jest bardziej intuicyjny i polega na eksperymento-

waniu (ang. experiential), podczas gdy w drugiej grupie jest bardziej racjonalny. Metody ana-

lizy technicznej pomagają profesjonalnym uczestnikom rynku (w szczególności na bardziej

skomplikowanych rynkach, jak np. rynek kontraktów terminowych) przetwarzać informacje

1 Odniesienia do artykułów zawartych w cyklu są w formacie [x], gdzie x jest numerem kolejnego

artykułu w cyklu, ze względów na przejrzystość i zwięzłość tekstu, w sytuacji omawiania całego cyklu

łącznie. Pozostałe odniesienia są zgodne ze standardem APA. 2 Zjawisko iluzji kontroli, w szczególności jej trzy wymienione formy, zostały zdefiniowane i opisane,

w sposób bardziej szczegółowy z Rozdziale 3.

5

oraz są one, przez nich postrzegane, jako racjonalne narzędzie poznawcze wspierające podej-

mowanie decyzji inwestycyjnych.

Uzyskane w artykule [2] wyniki, w szczególności zaobserwowane różnice w zacho-

waniach profesjonalnych i nieprofesjonalnych uczestników rynku, stanowiły inspirację do

powtórzenia przeprowadzonych już badań [1] na rozszerzonej próbie badawczej. Wyniki tych

powtórzonych badań zostały przedstawione w artykule [3].

Zgodnie z nimi nadmierna pewność siebie w szczególności jedna z jej form, tj. iluzja

kontroli zwiększa skłonność do stosowania narzędzi analizy technicznej w decyzjach inwe-

stycyjnych, w obydwu badanych grupach. Pozostałe formy iluzji kontroli, tj. błędna kalibracja

i efekt „lepiej niż średnia”, zwiększają skłonność do korzystania z narzędzi analizy technicz-

nej tylko w grupie profesjonalnych traderów. Drugim istotnym wynikiem było wskazanie, że

występuje negatywna zależność pomiędzy poleganiem na narzędziach analizy technicznej, a

osiąganymi zyskami.

Murphy (1999) podkreśla identyfikację trendów i ich zmian, jako główny cel stosowa-

nych narzędzi analizy technicznej. Badania tego zagadnienia rozpoczęte w artykule [1] są

kontynuowane w artykule [4]. W szczególności w tym ostatnim artykule, zamiast deklarowa-

nej skłonności do stosowania narządzi analizy technicznej (badania kwestionariuszowe), ba-

dano stopień wykorzystania obserwowanych trendów cen instrumentów finansowych w pro-

gnozowaniu (badania eksperymentalne). Rozważony został także inny czynnik behawioralny,

mianowicie potrzeba domknięcia poznawczego (ang. need for cognitive closure). W szcze-

gólności pozytywnie zweryfikowana została hipoteza, że potrzeba domknięcia poznawczego

zmniejsza wykorzystanie obserwacji historycznych w prognozach, ale tylko w przypadku,

kiedy rynek znajduje się w fazie trendu bocznego. Zaobserwowana relacja została wyjaśniona

za pomocą wygenerowanych danych syntetycznych. Mianowicie pragnienie przewidywalno-

ści (ang. desire for predictability), stanowiące jeden z wymiarów potrzeby domknięcia po-

znawczego, powoduje, że w sytuacji trendu bocznego (brak jednoznacznego trendu wzrosto-

wego lub spadkowego) badani rezygnują z pogłębionej analizy tj. nie szukają trendów wtór-

nych. Przeciwne zachowania można zaobserwować w przypadku wyraźnych trendów wzro-

stowych lub spadkowych: inny wymiar potrzeby domknięcia poznawczego tj. decyzyjność

(ang. decisiveness), skłania do nadmiernego polegania na zaobserwowanych trendach w pro-

gnozowaniu. Skutkiem tego może być podejmowanie nadmierne ryzyka.

Badania były kontynuowane w dwóch kierunkach. Po pierwsze, ze względu na zaob-

serwowaną pozytywną zależności pomiędzy behawioralną cechą: skłonnością do ulegania

iluzji kontroli a zachowaniem polegającym na skłonności do wykorzystywania narzędzi ana-

lizy technicznej w decyzjach inwestycyjnych, w sposób bardziej szczegółowy badaniu podda-

no samo zjawisko iluzji kontroli, por [5] i [6]. Po drugie rozważano wpływ uwarunkowań

behawioralnych (obserwowanych w dotychczasowych artykułach głównie w postaci do-

świadczeń laboratoryjnych) na rzeczywiste zachowania ekonomiczne, także w realnym śro-

dowisku, por. [7] i [8]. W literaturze wskazuje się, że na rynkach finansowych wpływ czynni-

ków behawioralnych jest, w porównaniu z innymi rynkami, mniejszy, por. Mullainathan i

Thaler (2000). Aby sprawdzić wpływ uwarunkowań behawioralnych na zachowania ekono-

miczne i rynki, badania były kontynuowane na innych, wybranych na podstawie literatury,

rynkach: rynku energii i rynku wina. Oba rynki cechuje duży udział i wrażliwość na czynniki

behawioralne, które mogą wpływać na obserwowane zachowania. W szczególności Frederiks

6

i in. (2015) podkreślają rolę czynników motywacyjnych i behawioralnych (błędów poznaw-

czych/heurystyk) w rozumieniu, prognozowaniu oraz ich wpływie na złożone zachowania

związane z zużyciem energii. Sam produkt, tj. wino jest opisywane w literaturze, jako skład-

nik hedoniczny (ang. hedonic asset). Scott Morton i Podolny (2002) identyfikują i opisują

wpływ czynników behawioralnych na decyzje związane z uprawą i produkcją wina w Kali-

fornii.

W artykule [5] wykazano, że przeciążenie informacyjne statystycznie istotnie zwięk-

sza iluzję kontroli. Przeciążenie informacyjne występuje "…podczas procesu przetwarzania

informacji, który wymaga od jednostki czasu na interakcje, a także wewnętrzne obliczenia,

które jednakże przekraczają czas dostępny dla takiego przetwarzania…" (Schick, Gorden,

Haka, 1990, str. 199) . W artykule [6] zweryfikowano empirycznie hipotezę, że zjawisko ilu-

zji kontroli może mieć dwa równoczesne źródła: czynnik „racjonalny” i czynnik „emocjonal-

ny”. Pierwszy z nich wynika z uprzedniej wiedzy i założeń dotyczących poziomu kontroli,

drugi zaś z niewłaściwego, wskutek zaangażowania emocjonalnego, procesu uaktualniania o

nowe informacje. Artykuł ma też charakter metodyczny. W szczególności zaproponowana

została metoda identyfikacji tych dwóch źródeł iluzji kontroli. W oparciu o nią zweryfikowa-

no dwie hipotezy: H1: Czynnik emocjonalny powoduje przeszacowanie faktycznego poziomu

kontroli i H2: Czynnik racjonalny jest odpowiedzialny za odwrotną relację pomiędzy obser-

wowanymi poziomami iluzji kontroli w trzech oddzielnych sytuacjach, gdy podmioty mają

kontrolę znaczną, umiarkowaną lub brak kontroli. Tylko hipoteza H2 uzyskała potwierdzenie

empiryczne.

W artykule [7] pokazano, że w początkowym etapie wdrażania nieliniowych taryf

(systemów, zależnych od pory dnia, cen energii elektrycznej), preferowane są prostsze syste-

my taryfowe (konsumenci mogą mieć trudności ze zrozumieniem nowych stawek bardziej

skomplikowanych taryf). W przypadku prostszych taryf reakcja konsumentów na bodźce ce-

nowe jest silniejsza i zgodna z teorią ekonomiczną, niż w przypadku taryf skomplikowanych,

gdzie nie zaobserwowano reakcji na zmieniające się w ciągu doby ceny. Klarowność systemu

taryfowego wydaje się, zatem być kluczowym czynnikiem, która pomaga zredukować poten-

cjalne problemy poznawcze i anomalie behawioralne pojawiające się, gdy konsumenci są

konfrontowani z nowo wdrożonymi systemami taryfowymi.

Natomiast w artykule [8] wskazano, że nie ma jednego dominującego czynnika, który

wpływałby na rozwój regionu winiarskiego (zestawy czynników mają znaczenie). Dodatkowo

czynniki behawioralne o charakterze społecznym, osobistym i psychologicznym odgrywają

istotną rolę w rozwoju regionów winiarskich o mniej korzystnych warunkach klimatycznych,

np. jak ma to miejsce w Małopolsce. Małe winnice, których właściciele motywowani są bar-

dziej za pomocą czynników społecznych i behawioralnych są zazwyczaj zgrupowane na

względnie małych obszarach. Natomiast duże winnice, których właściciele motywowani są w

większym stopniu czynnikami finansowymi/ekonomicznymi są bardziej rozproszone. Przy-

czyną takiego zjawiska może być obserwowana w Małopolsce segmentacja rynku na ograni-

czone, lokalne obszary produkcji i sprzedaży. Skupienie winnic na jednym obszarze prowadzi

do większej konkurencji na takim rynku lokalnym.

Należy też zwrócić uwagę na analogię pomiędzy wynikami, które uzyskane zostały w

laboratorium i na rynkach rzeczywistych. W szczególności nadmierna ilość informacji pro-

wadzi do mniej racjonalnych zachowań w postaci obserwowanej większej skłonności do ule-

7

gania iluzji kontroli w eksperymencie omówionym w artykule [5]. W analogiczny sposób

bardziej skomplikowane systemy taryfowe prowadzą do mniej racjonalnych zachowań w po-

staci słabszej reakcji popytu na zmiany cen energii elektrycznej, [7]. Deklarowana w grupie

profesjonalnych traderów skłonność do stosowania narządzi analizy technicznej [3] oraz ob-

serwowana tendencja do geograficznego skupiania uprawy winorośli i produkcji wina przez

właścicieli małych winnic [8] prowadzą do mniejszych zysków. W obu tych przypadkach

gorszy wynik ekonomiczny jest rekompensowany korzyściami behawioralnymi: odwagą do

podejmowania decyzji inwestycyjnych, zgodnie z tytułem artykułu [3], w przypadku profe-

sjonalnych traderów oraz przynależnością do określonej wspólnoty społecznej i wynikający-

mi z tego korzyściami, w przypadku właścicieli małych winnic w Małopolsce [8].

Szczegółowa analiza bibliometryczna dorobku naukowego przedstawiona została w

Załączniku 5. Większość z przedstawionych powyżej prac ma charakter interdyscyplinarny, a

badania wymagały współpracy z innymi autorami. Wkład własny w powyższych pracach po-

dałem w Załączniku 4 (zgodnie ze stosownymi oświadczeniami własnymi i współautorów).

We wszystkich wymienionych pracach uczestniczyłem w opracowaniu koncepcji badań, re-

dakcji tekstu i akceptacji jego finalnej wersji. W artykule [1] w znacznej mierze moim wkła-

dem było opracowanie koncepcji badania i eksperymentu, a całkowicie moim jego przepro-

wadzenie. W artykułach [2] i [3] moim głównym osiągnięciem był istotny udział w opraco-

waniu koncepcji badań oraz przeprowadzeniu obliczeń. W artykule [4] w znacznej mierze

moim udziałem było zaproponowanie metody i przeprowadzenie obliczeń. W artykułach [5] i

[6] brałem udział we wszystkich etapach opracowywania tych artykułów, a całkowicie moim

wkładem była implementacja i przeprowadzenie eksperymentów, zaproponowanie metody i

przeprowadzenie obliczeń. W artykule [7] moim wkładem było przeprowadzenie weryfikacji

empirycznej zaproponowanej procedury ekonometrycznej. W artykule [8] brałem udział we

wszystkich etapach opracowywania artykułu, a całkowicie moim udziałem była implementa-

cja modelu wieloagentowego oraz przeprowadzenie analizy ekonometrycznej.

3. Szczegółowe omówienie cyklu publikacji

Poniżej omówię, w sposób bardziej szczegółowy, zastosowane w artykułach metody

badawcze, w szczególności przeprowadzone badania eksperymentalne oraz najważniejsze ich

wyniki.

3.1 Wprowadzenie

Mullainathan i Thaler (2000) definiują ekonomię behawioralną, jako połączenie eko-

nomii i psychologii. Jej głównym celem jest wyjaśnienie wpływu ludzkich ograniczeń, takich

jak na przykład: ograniczone zdolności poznawcze, ograniczona siła woli na obserwowane

rynki. W szczególności czynniki behawioralne uzupełniają klasyczne podejście w ekonomii,

stanowiąc wyjaśnienie dla wielu obserwowanych na rynkach anomalii (zachowań innych niż

racjonalne z punktu widzenia maksymalizacji użyteczności czy zysku). W tym kontekście

„…czynniki behawioralne stanowią niezbędny element każdej pełnej teorii deskryptywnej…”.

8

W podobny sposób ten obszar badawczy definiuje Kahneman (2003) w ramach badań nad

ograniczoną racjonalnością, jako dziedzinę systematycznych badań „…różnic pomiędzy rze-

czywistymi przekonaniami i wyborami, a optymalnymi przekonaniami i wyborami wynikają-

cymi z teorii o pełnej racjonalności agentów…”. W tym kontekście, na przykład Thaler

(1985) bada wpływ księgowania mentalnego na wybór konsumenta, czy też obserwowane na

rynkach paradoksy i anomalie, Thaler (2012).

W badaniach prowadzonych przeze mnie oraz współautorów rozważane było w szcze-

gólności, zjawisko nadmiernej pewności siebie w trzech formach opisywanych w literaturze,

jako: efekt błędnej kalibracji, iluzja kontroli oraz efekt „lepiej niż średnia”. Efekt błędnej ka-

libracji polega na nadmiernej pewności, co do dokładności własnego przekonania, prowadząc

do ustawienia zbyt wąskich przedziałów ufności w ocenie możliwego popełnianego błędu

(Lichtenstein, Fischhoff i Phillips, 1982). Efekt „lepiej niż średnia” został wprowadzony,

przez Svensona (1981) na podstawie badania, w którym pokazał, że większość uczestników

uważało się za lepszych od innych (przy braku obiektywnych podstaw do takiej oceny). Iluzja

kontroli polega na oczekiwaniu sukcesu z subiektywnym prawdopodobieństwem znacznie

wyższym niż obiektywne (Langer, 1975; Alloy i Abramson, 1979). Innym badanym zjawi-

skiem było przeciążenie informacyjne wynikające z ograniczonych zasobów poznawczych i

w konsekwencji prowadzące do zachowań o ograniczonej racjonalności. Badany był także

wpływ czynników behawioralnych na zachowania ekonomiczne obserwowane na wybranych

rynkach: finansowym, energii elektrycznej i wina.

Zastosowanie eksperymentów (zarówno tych z udziałem uczestników przeprowadza-

nych w laboratoriach i terenie, jak i tych polegających na symulacjach komputerowych), jako

źródło kontrolowanych i powtarzalnych danych ma swoją długoletnią tradycję w ekonomii,

patrz na przykład Roth (1995), Castro i Weingarten (1970) oraz Naylor (1972). Wyniki eks-

perymentalne są traktowane, jako uzupełnienie tradycyjnych narzędzi stosowanych w na-

ukach ekonomicznych, Kagel i Roth (2016). Wykorzystanie danych eksperymentalnych jest

przedmiotem intensywnej debaty w naukach ekonomicznych na różnych poziomach. Na

przykład Smith (1985) rozważa, na gruncie filozofii nauki, problem relacji pomiędzy teorią a

wynikami eksperymentów. Postuluje on „…eksperymentalne i inne badania nie powinny

ograniczać się do testowania teorii formalnej (na przykład eksperymentów nomotetycznych),

ponieważ cel ten wymaga od nas narzucenia większej struktury do inaczej swobodnego proce-

su podejmowania decyzji, niż ostatecznie może być uzasadnione…”. W ten sposób podkreślo-

ne zostało znaczenie właściwego zaprojektowania eksperymentu, w sposób umożliwiający

interpretację obserwowanych, możliwie zgodnych z rzeczywistymi, zachowań uczestników

eksperymentu.

Większość prowadzonych badań miała charakter eksperymentalny. W szczególności ich

przeprowadzenie wymagało samodzielnego zaprojektowania eksperymentu i przeprowadze-

nia badań. W artykule [7] wykorzystane zostały natomiast dane z dużego eksperymentu w

środowisku rzeczywistym, który został przeprowadzony z udziałem konsumentów energii

elektrycznej. Ponadto przeprowadzone eksperymenty laboratoryjne, głównie z udziałem stu-

dentów, zostały uzupełnione eksperymentami z udziałem profesjonalnych uczestników rynku

[2] i [3] oraz analizą danych rzeczywistych [8]. Zgodnie z postulatem Smith’a (1985) umoż-

liwiło to obserwację zachowań ekonomicznych w warunkach rzeczywistych lub zbliżonych

do takich warunków [7].

9

3.2 Identyfikacja czynników behawioralnych wpływających na skłonność do

stosowania narzędzi analizy technicznej

Analiza techniczna jest jedną z najpopularniejszych metod wspierania decyzji inwesty-

cyjnych (ciesząca się szczególnie dużą popularnością wśród praktyków). Analiza techniczna

jest wykorzystywana do prognozowania wartości cen instrumentów finansowych, na podsta-

wie analizy dostępnych danych historycznych: cen i wolumenu obrotu. Skuteczność narzędzi

analizy technicznej jest przedmiotem debaty w środowiskach akademickim, jak i inwestor-

skim od lat siedemdziesiątych XX wieku. Hipoteza Efektywności Rynków – EMH (ang. Effi-

cient Markets Hypothesis) jest jedną z dominujących teorii w finansach (Fama 1970). EMH

zakłada, że wszystkie nowe istotne informacje są natychmiast uwzględniane w rynkowej ce-

nie. W konsekwencji, stopy zwrotu z inwestycji w papiery wartościowe są nieprzewidywalne,

bowiem same informacje są nieprzewidywalne, a gdyby były przewidywalne, to już by były

uwzględnione w cenach. W konsekwencji inwestorzy nie mogą uzyskiwać systematycznych

zysków powyżej rynkowej stopy zwrotu, za pomocą narządzi analizy technicznej lub innej

metody inwestycyjnej. W jednym z pierwszych badań nad metodami analizy technicznej, Fa-

ma i Blume (1966) pokazali, że strategia oparta na relatywnie prostym narzędziu filtrowania,

zaproponowanym przez Aleksandra (1961) nie jest bardziej efektywna niż alternatywna stra-

tegia „kup i trzymaj”. Inne wyniki uzyskał Schulmeister (2009), który badał efektywność

ponad tysiąca różnych modeli inwestycyjnych opartych o wskaźniki średnie ruchome i mo-

mentum w okresie 1976-2007 dla kursu jena/dolara. Nowsze badania empiryczne pokazują,

że strategie handlu opartego na narzędziach analizy technicznej są efektywne na rynkach wa-

lutowych i kontraktów terminowych, ale nie na rynkach akcji (Gradojevica i Lentob 2015;

Neely, Weller, i Dittmar 1997; Park i Irwin 2007).

W ramach prowadzonych przeze mnie i współautorów badań wykonana została seria

eksperymentów. Uczestniczyli w nich zarówno profesjonalni traderzy, handlujący na rynku

kontraktów terminowych, jak i studenci. Pierwsze runda badań z udziałem 17 traderów zosta-

ła przeprowadzona w 2013 roku, natomiast druga runda z udziałem początkowo 18, ostatecz-

nie 36 traderów w 2014 r. Uczestniczyli oni w badaniu online, wypełniając początkowy ze-

staw kwestionariuszy oraz cotygodniowe pytania uzupełniające. Studenci brali udział w eks-

perymencie w ramach kursu analizy technicznej, 31 osób w 2012 oraz 43 osoby w 2013 roku.

Dane eksperymentalne zostały wykorzystane w trzech artykułach.

W artykule Czupryna, Kubińska i Markiewicz (2015) postulowana była pozytywna

zależność między różnymi formami nadmiernej pewności siebie a wiarą w efektywność me-

tod analizy technicznej. Analogiczne badania były prowadzone, ale w kontekście innych cech

inwestorów. Na przykład Zielonka (2002, 2004) stwierdza, że popularność analizy technicz-

nej wiąże się z występowaniem błędów poznawczych i heurystyk. W tym kontekście, pod-

stawowym celem artykułu była weryfikacja wpływu różnych form nadmiernej pewności sie-

bie na wiarę w skuteczność analizy technicznej. Eksperyment przeprowadzono na grupie stu-

dentów, którzy zostali poproszeni o przygotowanie, w arkuszu kalkulacyjnym Excel, uprosz-

czonego systemu handlu algorytmicznego opartego na wybranych wskaźnikach analizy tech-

nicznej. Dodatkowo dwa tygodnie przed egzaminem przeprowadzono badanie kwestionariu-

10

szowe. Pytano o oczekiwaną stopę zwrotu systemu i 90% przedział ufności (długość przedzia-

łu jest typową miarą nadmiernej precyzji), jej porównanie z oczekiwanymi wynikami kole-

gów (typowa miara efektu „lepiej niż przeciętnie”). W ankiecie studenci musieli także wyra-

zić w jakim stopniu zgadzają się z zestawem stwierdzeń dotyczących finansów osobistych

oraz analizy technicznej (w skali od 1 - zdecydowanie nie zgadzam się, do 4 - zdecydowanie

się zgadzam). Na podstawie udzielonych odpowiedzi skonstruowano autorskie skale do po-

miaru: wiary w analizę techniczną i iluzji kontroli. Do konstrukcji wykorzystano metodę

głównych składowych (ang. principal component analysis), a weryfikację przeprowadzono z

zastosowaniem współczynnika alfa Cronbacha (1951). Dodatkowo do pomiaru nadmiernej

precyzji wykorzystano prognozy i ich przedziały ufności dla wybranych indeksów giełdo-

wych: WIG, DAX, CAC40, DJIA i NIKKEI. Wiara w skuteczność analizy technicznej kore-

lowała, w sposób istotny statystycznie, tylko z jednym wymiarem nadmiernej pewności sie-

bie, mianowicie z efektem „lepszy niż średnia”, r(31) = 0,487, p = 0,005. W przypadku

dwóch kolejnych form – nadmiernej pewności siebie: błędnej kalibracji oraz iluzji kontroli

nie zanotowano statystycznie istotnych wyników. Brak potwierdzenia postulowanej zależno-

ści przez wszystkie trzy formy nadmiernej pewności siebie jest zgodny z wynikami dotych-

czas opublikowanymi w literaturze, mówiącymi o braku istotnych związków między różnymi

formami nadmiernej pewności siebie.

W artykule Kubińska, Czupryna, Markiewicz i Czekaj (2016) badano, jaki rodzaj

inwestorów stosuje analizę techniczną. W szczególności, czy są to inwestorzy, którzy głównie

polegają na własnej intuicji i postrzegają analizę techniczną, jako narzędzie o charakterze

bardziej jakościowym, czy wręcz przeciwnie inwestorzy, którzy polegają na racjonalnej

analizie i postrzegają analizę techniczną, jako narzędzie o charakterze bardziej ilościowym.

Pytanie to ma także uzasadnienie w tradycji nauk psychologicznych, w szczególności z bada-

niami nad teoriami dualnego procesu przetwarzania, Epstein (1973), Epstein i in. (1996),

Evans i Over (1996), Sloman (1996), Stanovich i West (2000). Główne założenie, wcześniej

wymienionych teorii, jest podobne. Proces ludzkiego rozumowania obejmuje dwa podstawo-

we systemy myślenia: intuicyjnego (System 1) oraz analitycznego (System 2), patrz (Kahne-

man, 2011). Pierwszy system jest łatwy, asocjacyjny, automatyczny i przeznaczony do udzie-

lania szybkich i oszczędnych poznawczo odpowiedzi na rozwiązywane problemy. Drugi wy-

maga wysiłku poznawczego i logicznego myślenia o charakterze deliberatywnym. Chociaż

matematyczne równania wskaźników analizy technicznej są potrzebne do aktywacji Systemu

2, wydaje się możliwe, że analiza wykresów, formacji analizy technicznej może być wyko-

nywana w Systemie 1.

Do pomiaru różnic indywidualnych w skłonności do intuicyjnego/eksperymentalnego

lub racjonalnego myślenia został użyty 40-punktowy kwestionariusz „Rational-Experiential

Inventory” (REI-40), Pacini i Epstein (1999). Dodatkowo wszyscy badani zostali poproszeni o

wypełnienie autorskiego kwestionariusza związanego z ich postawami wobec analizy tech-

nicznej. W kwestionariuszu postawy studentów i traderów wobec analizy technicznej mierzo-

no za pomocą miar behawioralnych i poznawczych. Na podstawie uzyskanych odpowiedzi

skonstruowano trzy miary postaw wobec analizy technicznej. W szczególności dwie pierwsze

behawioralne miary zostały skonstruowane w oparciu o odpowiedzi na pytania o czynniki

wpływające na decyzje inwestycyjne oraz na pytania służące do pomiaru poziomu zaawanso-

11

wania stosowanych metod analizy technicznej. Czynnik poznawczy, czyli wiara w skutecz-

ność modeli analizy technicznej, został zmierzony na podstawie czterech stwierdzeń. Analiza

głównych składowych wykazała, że cztery stwierdzenia obciążają pojedynczy czynnik (wyja-

śnia 58% i 68% odpowiednio dla badanych podgrup studentów i traderów). Skala ma rela-

tywnie wysoką wewnętrzną spójność: alfa Cronbacha = 0,821 (alfa Cronbacha 0,760 i 0,832

odpowiednio dla badanych podgrup studentów i traderów).

Uzyskane wyniki wskazują, że traderzy przypisywali znacznie większą wagę analizie

technicznej i własnej intuicji podczas podejmowania decyzji inwestycyjnych, a nie analizie

fundamentalnej czy rekomendacjom kolegów. Zaobserwowane różnice pomiędzy rolą analizy

technicznej a własną intuicją dla traderów nie są statystycznie istotne (t (33) = 0,159, wartość

p = 0,8756) . W przeciwieństwie do traderów, studenci przypisywali znacznie mniejszą wagę

analizie technicznej. Analiza fundamentalna i własna intuicja to najbardziej popularne metody

wspierające decyzje inwestycyjne w badanej grupie studentów, a różnice między nimi nie są

statystycznie istotne (t (42) = 0,121, p = 0,9045). W celu bardziej szczegółowej analizy

wpływu przynależności do badanej grupy zastosowana została analiza moderacji3, z dycho-

tomicznym moderatorem (przynależność do grupy traderów albo studentów). Na podstawie

obu analiz moderacji możemy stwierdzić, że analiza techniczna ma podobny status jak intu-

icja w grupie studentów, natomiast traderzy na rynku kontraktów terminowych postrzegają

analizę techniczną i intuicję w przeciwstawny sposób. Zaangażowanie doświadczalne (ang.

Experiential Engagement) wzmacnia używanie intuicji, ale nie wykorzystywanie narządzi

analizy technicznej.

W artykule Kubińska, Czupryna, Markiewicz i Czekaj (2018) analizowano czynni-

ki psychologiczne, które wpływają na stopień korzystania z analizy technicznej na rynkach

finansowych. W szczególności badano, czy nadmierna pewność siebie (niezależnie od jej

formy: błędna kalibracja, efekt „lepiej niż średnia” oraz iluzja kontroli) wzmacnia stosowanie

narzędzi analizy technicznej.

Na podstawie przeglądu literatury, rozważone zostały trzy, uprzednio opisane, formy

nadmiernej pewności siebie: efekt błędnej kalibracji, iluzja kontroli oraz efekt „lepiej niż

średnia”. Skłonność inwestorów do stosowania metod analizy technicznej może być powiąza-

na z wszystkimi wyżej wymienionymi formami nadmiernej pewności siebie. Należy jednak

zauważyć, że nadmierna pewność siebie jest cechą osobistą, która raczej rozwija się, zanim

ktokolwiek nauczy się analizy technicznej. Stąd bardziej prawdopodobne jest, że inwestorzy

zbyt pewni siebie wybierają tę metodę. Możliwe jest także, że samo stosowanie analizy tech-

nicznej rozwija nadmierną pewność siebie wśród inwestorów, wzmacniając zależność obu

tych zjawisk. W tym kontekście Menkhoff i Taylor (2007) sugerują, że stosowanie analizy

technicznej może być wskaźnikiem nie w pełni racjonalnego zachowania, na przykład, niedo-

szacowania ryzyka związanego z transakcjami.

Do oceny stopnia nadmiernej pewności siebie stworzona została autorska skala dosto-

sowana do kontekstu podejmowania decyzji inwestycyjnych. Do oceny efektu „lepiej niż

średnia” obydwu badanym grupom zostało postawione pytanie o ich przewidywane wyniki w

porównaniu ze swoją grupą odniesienia. Jako ostateczną miarę tego efektu przyjęto różnicę

3 Moderacja występuje wtedy, gdy zależność pomiędzy dwiema zmiennymi zależy od trzeciej zmien-

nej, określanej jako moderator, por Hayes (2017)

12

pomiędzy subiektywną oceną, a obiektywnymi wynikami rzeczywistego handlu na rynkach

(dla traderów) i odpowiednio zwrotu z systemów transakcyjnych zaprojektowanych przez

studentów w ramach prowadzonego przedmiotu i zastosowanych do niezależnych danych

podczas egzaminu (dla studentów). Ponadto studenci i traderzy zostali poproszeni o podanie

dolnych i górnych limitów 90-procentowego przedziału ufności dla nieznanych wartości,

sprawdzających ich ogólną wiedzę.

Do oceny statystycznej istotności uzyskanych wyników zastosowano testy statystycz-

ne (test t-Studenta, testy korelacji liniowej) oraz analizę regresji. Najciekawsze wyniki uzy-

skano dla grupy traderów, w szczególności pokazano, że iluzja kontroli (r = 0,3253, p =

0,033), efekt „lepiej niż średnia” (r = 0,3774, p = 0,026) oraz efekt błędnej kalibracji (r = -

0,3381, p = 0,026) wpływają na stopień stosowania analizy technicznej w handlu. Wyniki

uzyskane dla studentów były mniej jednoznaczne, [1]. Ponadto samo poleganie na modelach

analizy technicznej nie zapewnia lepszych wyników inwestycyjnych. Im bardziej dany trader

polegał na narzędziach analizy technicznej przy podejmowaniu decyzji inwestycyjnych

(zgodnie z jego deklaracją), tym gorsze były jego tygodniowe zyski (r (35) = -0,3284; p =

0,0541). Wiara w metody analizy technicznej zależy także od wieku; im starszy był trader,

tym mniej wierzył w skuteczność metod analizy technicznej (r (43) = -0,3104; p = 0,0427). Za

najważniejszy wynik badań przedstawionych w artykule można uznać obserwację, że nad-

mierna pewność siebie w szczególności jej forma: iluzja kontroli wyjaśnia skłonność do

stosowania analizy technicznej w obydwu badanych grupach.

W artykule Czupryna, Kubińska i Markiewicz, (2017) pozytywnie zweryfikowano

hipotezę, że potrzeba domknięcia poznawczego (ang. need for cognitive closure) zmniejsza

wykorzystanie obserwacji historycznych w tworzonych prognozach, ale tylko w przypadku,

kiedy rynek znajduje się w fazie cyklu bocznego. Od pewnego czasu w literaturze toczy się

dyskusja, czy subiektywne prognozy stanowią wartość dodaną (zwiększają ich dokładność)

do statystycznych prognoz (patrz np. Lawrence i in. 2006). Z literatury wiadomo, że liczne

czynniki mogą wpływać na subiektywne prognozy, w tym czynniki zewnętrzne, takie jak spo-

sób prezentacji szeregu czasowego (Weber i in., 2005), jego statystyczne właściwości (na

przykład zmienność) oraz cechy osoby prognozującej, na przykład jej wiedza i cechy psycho-

logiczne. Poprzednie badania (Tyszka i in. 2017) wykazały również, że zarówno indywidual-

ne różnice, jak i postrzeganie natury zjawiska, które generuje obserwowane wyniki (tj. czy

zależy od ludzkich umiejętności, czy też jest czysto losowe) wpływają na proces identyfikacji

trendów.

W tym kontekście w badaniach, w których uczestniczyłem, skoncentrowano się na

wpływie indywidualnych różnic, w szczególności potrzeby domknięcia poznawczego, na za-

kres wykorzystania danych historycznych przy prognozowaniu. Kruglanski (1989) wprowa-

dził do psychologii pojęcie potrzeba zamknięcia poznawczego, które zdefiniował, jako

„…pragnienie ostatecznej odpowiedzi na jakiś temat, dowolnej odpowiedzi, jako przeciwień-

stwo do zmieszania i niejednoznaczności…”. W celu weryfikacji postawionej hipotezy stu-

denci w czasie całego semestru, prognozowali wartość indeksów WIG i DAX (a dokładniej

przewidywaną stopę zwrotu, procentową zmianę indeksu w prognozowanym okresie) na pod-

stawie dostępnego szeregu czasowego. W pierwszym eksperymencie udział wzięło 58 uczest-

ników (w tym 18 kobiet), w drugim 66 (w tym 21 kobiet). Do pomiaru potrzeby domknięcia

poznawczego wykorzystano kwestionariusz z 15 pytaniami (ang. Need for Closure Scale -

13

patrz Webster i Kruglanski, 1994; Roets i van Hiel, 2011). Kwestionariusz ten zawiera nastę-

pujące podskale:

• pragnienie przewidywalności (ang. desire for predictability),

• preferencja dla porządku i struktury (ang. preference for order and structure),

• dyskomfort z niejednoznacznością (ang. discomfort with ambiguity),

• decyzyjność (ang. decisiveness),

• zamkniętość umysłowa (ang. close-mindedness).

W celu identyfikacji, w jakim stopniu uczestnik badania (student) wykorzystywał dane

historyczne w prognozach, zaproponowano następującą procedurę numeryczną. W pierwszym

kroku procedury za pomocą filtra Alexandra (1961) zastosowanego z różnymi wartościami

parametru, który określa dokładność identyfikacji, zidentyfikowano ciąg lokalnych minimów

i maksimów obserwowanego szeregu czasowego. W drugim kroku rozważono aktualny trend,

(jako zmianę wartości indeksu w okresie od ostatniego zidentyfikowanego ekstremum do ak-

tualnej obserwacji), a także obliczono średnią stopę zwrotu w tym okresie (dla każdego z pa-

rametrów filtra, ponieważ dla różnych parametrów uzyskuje się potencjalnie różne ciągi lo-

kalnych ekstremów). W trzecim kroku policzono wartości absolutne współczynników korela-

cji średnich stóp zwrotu dla zidentyfikowanych trendów i prognoz uczestnika eksperymentu.

W czwartym kroku, wybrano taki parametr filtra Alexandra, dla którego wartość bezwzględ-

na, obliczonego w poprzednich krokach, współczynnika korelacji była największa. Taki

współczynnik określał, w jakim stopniu dane historyczne były wykorzystywane w progno-

zach, a także pozwalał określić nieznany subiektywny sposób identyfikacji trendów przez

uczestników badania.

Wyniki prognoz danych rzeczywistych były niejednoznaczne. Uczestnicy pierwszego

oraz drugiego eksperymentu prognozowali, co prawda te same szeregi czasowe (indeksy WIG

i DAX), ale w różnych okresach czasu i dla różnych sytuacji rynkowych. W celu weryfikacji,

na ile sytuacja rynkowa wpływa na zależność stopnia wykorzystania danych historycznych w

prognozie od potrzeby domknięcia poznawczego, przeprowadzono dodatkowy eksperyment.

Mianowicie uczestnikom drugiego badania przedstawiono wygenerowane syntetycznie szere-

gi czasowe, przedstawiające wykresy wartości hipotetycznych indeksów, w różnych sytu-

acjach rynkowych: trendu wzrostowego, bocznego i spadkowego. Analiza tak uzyskanych

danych pozwoliła na identyfikację i zrozumienie wpływu poszczególnych wymiarów potrze-

by domknięcia poznawczego na subiektywne prognozy. W szczególności pragnienie przewi-

dywalności (ang. desire for predictability) powoduje, że w sytuacji trendu bocznego (brak

jednoznacznego trendu wzrostowego lub spadkowego) badani rezygnują z pogłębionej anali-

zy tj. nie szukają trendów wtórnych. Przeciwne zachowania można zaobserwować w przy-

padku wyraźnych trendów wzrostowych lub spadkowych, cecha decyzyjność (ang. decisive-

ness) skłania do nadmiernego polegania na zaobserwowanych trendach w prognozowaniu.

3.3 Zjawisko iluzji kontroli

Iluzja kontroli jest zdefiniowana, jako zawyżona w nieuzasadniony sposób ocena

prawdopodobieństwa osobistego sukcesu w stosunku do obiektywnego prawdopodobieństwa

(Langer, 1975). Gino i in. (2011) zaproponowali, jako miarę odczuwanej efektywności po-

14

dejmowanych działań różnicę pomiędzy procentem sukcesów (ilorazu wyników zgodnych z

celem uczestnika i wszystkich wyników)4, gdy uczestnik podjął działanie (po tym jak uczest-

nik naciskał przycisk sterowania), a procentem sukcesów, gdy nie podjęto żadnych działań

(tzn., kiedy uczestnik nie naciskał przycisku sterowania). Ze względu na złudzenie kontroli,

badani zazwyczaj uważają, że mogą zwiększyć szansę na sukces, jeśli są bardziej zaangażo-

wani w proces sterowania nawet, jeśli proces generujący wyniki ma charakter czysto losowy.

Możliwość warunkowania iluzji kontroli poprzez dwie przyczyny została zaproponowana

przez Gino i in. (2011) w postaci prostego modelu, w którym subiektywna ocena częstotliwo-

ści obserwowanego zdarzenia, wynika z obserwowanej częstotliwość zdarzenia, (które może

być zbliżone do rzeczywistej częstotliwości), błędu oceny i wcześniejszej wiedzy/przekonań.

Błąd oceny uwzględnia zarówno czynniki psychologiczne, jak i losowy szum.

W prowadzonych badaniach, w których uczestniczyłem, zaadaptowany został ekspe-

ryment oryginalnie zaprojektowany przez Fenton-O'Creevy i in. (2003). W trakcie trwania

eksperymentu jego uczestnicy obserwowali wykres przedstawiający wartości indeksu, wy-

świetlany na ekranie w sposób przyrastający, w pojedynczych krokach. W każdym pojedyn-

czym kroku wartość obserwowanego na wykresie indeksu mogła wzrosnąć albo spaść (w od-

niesieniu do wartości indeksu obserwowanej w poprzednim kroku). W eksperymencie do-

stępne były też dodatkowe przyciski kontrolne. Ponadto, w różnych rundach eksperymentu

zastosowano różne parametry determinujące prawdopodobieństwa wzrostu wartości indeksu

w pojedynczym kroku. Zostały one określone dla sytuacji sterowania oraz bazowej, odpo-

wiednio, kiedy uczestnik sterował za pomocą przycisku kontrolnego albo nie. W pierwszej

części eksperymentu, składającego się z dziewięciu rund, dostępny był jeden przycisk kontro-

lny (zmieniający prawdopodobieństwo wzrostu indeksu w pojedynczym kroku), a uczestnicy

nie mieli wstępnej informacji o parametrach. W drugiej części eksperymentu, składającego

się z sześciu rund, dostępny był jeden przycisk kontrolny (zmieniający prawdopodobieństwo

wzrostu indeksu w pojedynczym kroku) albo trzy przyciski kontrolne (z pozostałych dwóch

dodatkowych przycisków kontrolnych jeden zwiększał wartość wzrostu/spadku kursu w poje-

dynczym kroku, drugi nie miał żadnej funkcji). Ich funkcje nie były znane uczestnikowi eks-

perymentu przed jego rozpoczęciem. W poszczególnych rundach eksperymentu różny był też

zakres uprzedniej informacji uczestników o parametrach prawdopodobieństwa bazowego:

brak informacji, (czyli możliwa jest dowolna wartość z przedziału (0, 1)), dowolna wartość z

przedziału (0.5, 0.8) oraz podana konkretna wartość prawdopodobieństwa. Eksperyment zo-

stał zaprojektowany, a także samodzielnie zaprogramowany w systemie Millisecond Software

(2015). Po zakończeniu każdej rundy eksperymentu uczestników pytano o obserwowane

prawdopodobieństwa sterowania i bazowe. W programie badawczym uczestniczyli studenci

kursu analizy technicznej. Pierwszą część eksperymentu przeprowadzono na grupie 51 osób

(w tym 17 kobiet), podczas gdy druga część została przeprowadzony na grupie 60 studentów

(w tym 18 kobiet). Wyniki eksperymentu zostały omówione w dwóch artykułach przedsta-

wionych poniżej.

W artykule Kubińska, Czupryna i Markiewicz (2017) pokazano, że przeciążenie in-

formacyjne statystycznie istotnie zwiększa iluzję kontroli. W artykule tym, w celu interpreta-

cji oraz statystycznej oceny uzyskanych wyników zastosowano matematyczny model wnio-

4 W oryginalnym eksperymencie był to czas pojawienia się niebieskiego kółka na ekranie.

15

skowania bayesowskiego, por (Turner, van Zandt, 2012). Było to szczególnie istotne, ze

względu na różną informację wstępną dostępną dla uczestnika eksperymentu, w różnych run-

dach eksperymentu. Porównywalność wyników w różnych rundach uzyskano konstruując

alternatywną miarę iluzji kontroli. Jej konstrukcja została przeprowadzona w kolejnych kro-

kach. W pierwszym kroku wygenerowano, w sposób numeryczny, dystrybuantę rozkładu wy-

nikowego dla obiektywnej kontroli (zdefiniowanej, jako różnica pomiędzy rzeczywistymi

prawdopodobieństwami sterowania i bazowymi). W drugim kroku obliczono wartości dystry-

buanty, uzyskanej w poprzednim kroku, dla subiektywnej i obiektywnej kontroli. W trzecim

kroku policzono różnicę obydwu tych wartości, uzyskując zmodyfikowaną miarę iluzji kon-

troli.

Wyniki uzyskane poprzez porównanie parami wartości obserwowanej iluzji kontroli w

różnych rundach wskazują, że większe przeciążenie informacyjne, uzyskiwane poprzez do-

datkowe przyciski kontrolne albo nietypową informację wstępną (nietypowe rozkłady a’priori

prawdopodobieństwa bazowego), zwiększają iluzję kontroli. Nie zaobserwowano takiego

efektu w sytuacji, kiedy rundy różniły się tylko liczbą kroków sterowania, albo różnymi roz-

kładami a’priori o podobnej trudności informacyjnej. W celu wyjaśnienia takich wyników,

odniesiono się do klasycznego modelu dualnego przetwarzania informacji. Zgodnie z tym

modelem informacje przetwarzane są w dwóch równoległych systemach bazowych: empi-

rycznym (System 1), determinowanym poprzez myślenie intuicyjne oraz racjonalnym (Sys-

tem 2), determinowanym poprzez myślenie analityczne (Evans i Stanovich, 2013). Przepro-

wadzone badania doprowadziły do wniosku, że przeciążenie informacyjne powoduje, że

uczestnicy zostali zmuszeni do działania raczej zgodnie z Systemem 1, w sposób bardziej

intuicyjny, emocjonalny, co spowodowało większy błąd w ocenie prawdopodobieństw.

W artykule Czupryna, Kubińska i Markiewicz, (2018) dokonana została empiryczna

weryfikacja hipotezy, że zjawisko iluzji kontroli może mieć dwa równoczesne źródła: czynnik

„racjonalny” i czynnik „emocjonalny”. W artykule zaproponowana została metoda identyfi-

kacji i pomiaru tych dwóch źródeł iluzji kontroli. W zastosowanej metodzie pomiaru wyko-

rzystano model wnioskowania bayesowskiego oraz uwzględniona została, jako inspiracja,

metoda modelowania rozkładów wielowymiarowych z wykorzystaniem funkcji copula (Co-

lonius, 2016). Funkcja copula służy do opisania zależności między jednowymiarowymi

zmiennymi losowymi reprezentowanymi przez brzegowe rozkłady prawdopodobieństwa. W

zastosowanej metodzie badanie empirycznych dystrybuant (osobno dla prawdopodobieństwa

sterowania oraz bazowego) pozwala wnioskować o roli czynnika emocjonalnego w iluzji kon-

troli. Empiryczne dystrybuanty zostały uzyskane osobno dla każdego uczestnika w następują-

cy sposób. W każdej z dziewięciu rund określono stosowny percentyl dla odpowiedniego roz-

kładu wynikowego – a’posteriori (przy założeniu braku uprzedniej wiedzy). Tak określone

empiryczne dystrybuanty były statystycznie porównywane z teoretycznymi dystrybuantami

rozkładu jednostajnego. Natomiast zależność (mierzona, jako korelacja) pomiędzy oboma

rozkładami brzegowymi pozwalała wnioskować o czynniku „racjonalnym”, czyli uprzedniej

wiedzy dotyczącej rzeczywistej kontroli (wpływu na proces sterowania).

W badaniu uzyskane zostały następujące, najważniejsze wyniki. Dla prawdopodobień-

stwa bazowego, w przypadku 12 uczestników (na 51), empiryczne dystrybuanty wykazały

statystycznie istotne różnice od rozkładu jednostajnego na poziomie istotności 5% w dwu-

16

stronnym teście Kołmogorova-Smirnova. Dla prawdopodobieństwa sterowania zaobserwo-

wano istotne różnice dla 22 osób (na 51). Istotna różnica pomiędzy tymi liczbami pozwoliła-

by na wnioskowanie, że czynnik emocjonalny powoduje przeszacowanie faktycznego pozio-

mu kontroli. Dla korelacji między rozkładami brzegowymi, w 26 (na 49) przypadków zaob-

serwowano ujemną korelację (średnią wartość współczynnika korelacja -0,43 i odchylenie

standardowe 0,19), podczas, gdy w 23 przypadkach zaobserwowano dodatnią korelację (śred-

nia wartość współczynnika korelacji 0,33 i odchylenie standardowe 0,21). Ogólnie średni

współczynnik korelacji w grupie badanych wyniósł -0,07 przy odchyleniu standardowym

0,43. Ujemna wartość współczynnika korelacji wskazuje, że czynnik racjonalny jest odpo-

wiedzialny za odwrotną relację pomiędzy obserwowanymi poziomami iluzji kontroli w trzech

oddzielnych sytuacjach, gdy podmioty mają kontrolę znaczną, umiarkowaną lub brak kontro-

li.

3.4 Wpływ czynników behawioralnych na zachowania i rynki

W dotychczas opisywanych artykułach rozważano wpływ uwarunkowań behawioral-

nych na zachowania ekonomiczne, obserwowane głównie w doświadczeniach laboratoryj-

nych. W kolejnych dwóch opisywanych artykułach zachowania ekonomiczne obserwowane

są w realnym środowisku. Na rynkach finansowych wpływ czynników behawioralnych jest, w

porównaniu z innymi rynkami, mniejszy, por. Mullainathan i Thaler (2000). Dlatego, aby

sprawdzić konsekwencje uwarunkowań behawioralnych na zachowania ekonomiczne i rynki,

badania były kontynuowane na innych, wybranych na podstawie literatury, rynkach: rynku

energii [7] i rynku wina [8]. Oba rynki cechuje duży udział i wrażliwość na czynniki beha-

wioralne, które mogą wpływać na obserwowane zachowania.

W artykule Morawski, Czupryna, Mycielski i Rączka, (2018) pokazane zostało, że

preferowane są prostsze systemy taryfowe (w przeciwnym przypadku konsumenci mogą mieć

trudności ze zrozumieniem nowych stawek bardziej skomplikowanych taryf).

Cechą wyróżniającą rynki energii elektrycznej jest między innymi brak możliwości

magazynowania, co oznacza, że w danej chwili podaż musi być równa popytowi, (Stoft,

2002). Aktualne trendy w produkcji energii elektrycznej takie jak: generacja rozproszona i

rosnący udział odnawialnych źródeł o niestabilnym i zależnym od pogody profilu wytwarza-

nia, zwiększają losowość strony podażowej. Stanowi to nowe wyzwania dla zarządzania sys-

temami elektroenergetycznymi. W konsekwencji firmy energetyczne zaczęły interesować się

mechanizmami zarządzania stroną popytową – DSR (ang. Demand Side Response). Jednym z

takich mechanizmów są zróżnicowane (nieliniowe) systemy cen energii elektrycznej – syste-

my taryfowe, w których cena energii elektrycznej jest zależna od godziny jej konsumpcji.

Wcześniejsze badania empiryczne na rynku energii elektrycznej wykazały, że bardziej za-

awansowane (nieliniowe) systemy cen, mogą być z powodzeniem wykorzystywane do zarzą-

dzania zapotrzebowaniem konsumentów na energię elektryczną w rozwiniętych gospodarkach

rynkowych np. Bartusch et al. (2011), Faruqui i Sergici (2010), Hausman, Kinnucan i

McFadden (1979), Jessoe and Rapson (2015).

17

W badaniu wykorzystano dane z unikatowego badania terenowego, które zostało

przeprowadzone w średniej wielkości mieście w centralnej Polsce (Kalisz), z udziałem około

750 gospodarstw domowych. Badane gospodarstwa domowe dobrowolnie zgodziły się na

stosowanie w trakcie eksperymentu taryfy ze zmiennymi w czasie cenami zamiast wcześniej

stosowanej prostej taryfy z jedną stała ceną. Test konsumencki w Kaliszu został zainicjowany

przez polską firmę energetyczną, która obsługuje trzy milionów klientów w północno-

wschodniej Polsce i uprzednio wdrożyła zaawansowane metody pomiaru (umożliwiają one

zdalne uzyskiwanie informacji o zużyciu prądu w odstępach 15 minutowych). Badania odby-

ły się w latach 2013 i 2014. Uczestnicy testu byli rekrutowani z podpopulacji gospodarstw

domowych, w której pierwotnie stosowano stawkę ryczałtową G11. Początkowo próba objęła

1720 gospodarstw domowych, podzielonych na grupy: badaną (1285) oraz kontrolną (435).

Ostatecznie w badaniu (grupa badana) wzięło udział około 750 gospodarstw domowych, po-

dzielonych na trzy grupy, ze względu na testowany system taryfowy EPC1, EPC2 oraz EPC3.

W przypadku taryfy EPC1 schemat cen był niezależny od pory roku i charakteryzowa-

ły go dwa identyczne okresy szczytowe z umiarkowanie zwiększonymi opłatami (o 80% po-

wyżej stawki ryczałtowej G11), która trwała od późnego rana do wczesnego popołudnia

(godz. 10:00 - 14:00) oraz wieczór (godz. 17:00 - 22:00). W przeciwieństwie do taryfy EPC1,

w systemach taryfowych EPC2 i EPC3 schemat cen był zależny od pory roku. W taryfie

EPC2 był jeden okres szczytowy, natomiast w taryfie EPC3 dwa.

W badaniu analizowane były zmiany średnich dobowych profilów zużycia energii

elektrycznej w 15-minutowych odstępach. Statystyczna ocena uzyskiwanych wyników wy-

magała uwzględnienie dwóch czynników. Po pierwsze zużycie prądu nie jest stałe i podlega

ciągłym wahaniom ze względu na np. warunki pogodowe, czy różnice sezonowe. Stąd ko-

nieczne było wykorzystanie grupy kontrolnej i zastosowanie estymatora różnica różnic DiD

(ang. difference in differences). Ponieważ w grupie kontrolnej nadal używano stałej taryfy dla

wszystkich okresów obserwowane zmiany w konsumpcji energii elektrycznej dla tej grupy,

można było przypisać wcześniej wspomnianym: sezonowości lub warunkom pogodowym.

Drugim problemem był sposób rekrutacji gospodarstw domowych, w szczególności nieloso-

wy charakter doboru próby. Aby zmniejszyć błąd, dodatkowo zastosowano metodę PSM

(ang. propensity score matching). Procedura ta zapewnia, że grupa kontrolna jest jak najbar-

dziej zbliżona do grupy badanej. Istota metody PSM oparta jest na spostrzeżeniu Rosenbauma

i Rubina (1983), że zamiast porównywać obie grupy (badaną i kontrolną) w odniesieniu do

wszystkich istotnych cech, wyniki obserwacji w obu grupach można dopasować w oparciu o

podobieństwo wyniku skłonności (ang. propensity score), określonym poprzez prawdopodo-

bieństwo włączenia do grupy badanej. W wyniku przeprowadzonych badań w artykule zapro-

ponowano procedurę DiD-PSM, która łączy dwie opisane powyżej metody. Ponadto zbadano

jej teoretyczne własności oraz przeprowadzono empiryczną weryfikację możliwość jej zasto-

sowania do badania konsumpcji energii elektrycznej. W tym celu wykorzystano dane z ankiet

dla wszystkich 1720 gospodarstw domowych. W szczególności, rozważono następujące

zmienne: rodzaj zakwaterowania, metraż w metrach kwadratowych, postawa proekologiczna,

wykształcenie, liczba członków gospodarstwa domowego i średni dochód. W ramach prze-

prowadzonej weryfikacji pokazano, że zastosowanie metod PSM prowadzi do braku staty-

stycznie istotnych różnic (ze względu na rozważane cechy socjoekonomiczne) pomiędzy gru-

pami badanymi i dobieranymi za pomocą metody PSM grupami kontrolnymi.

18

Ostatecznie uzyskany efekt, mierzony zmniejszeniem średniego zużycia w grupie ba-

danej względem kontrolnej, jest największy dla stawki taryfowej EPC1 (zmniejszenie zużycia

o 3,4%) i odpowiednio EPC2 (1,4%) oraz EPC 3 (3,2%). Średni uzyskany efekt jest rzędu

3%. Natomiast tylko w przypadku taryfy EPC1 reakcje konsumentów, polegające na przesu-

nięciu popytu na energię elektryczną z okresów o zwiększonych opłatach na okresy o zmniej-

szonych opłatach, były zgodne z teorią ekonomiczną.

W artykule Czupryna, Oleksy, Przybek i Kamiński (2018) zastosowane zostało po-

dejście wieloagentowe w celu wyjaśnienia zarówno stanu końcowego, jak i dynamiki procesu

rozwoju sektora winiarskiego w województwie Małopolskim. Na podstawie analizy literatury

(np. Scott Morton i Podolny, 2002), postawiona została hipoteza, że nie ma jednego dominu-

jącego czynnika, który wpływałby na rozwój regionu winiarskiego (zestawy czynników mają

znaczenie) oraz że czynniki behawioralne o charakterze społecznym, osobistym i psycholo-

gicznym odgrywają istotną rolę w rozwoju regionów winiarskich o mniej korzystnych warun-

kach klimatycznych, np. jak ma to miejsce w Małopolsce.

W ramach badań przeprowadzono ankietę wśród właścicieli winnic z województwa

małopolskiego. Ankieta miała na celu, między innymi, identyfikację i zbadanie głównych

motywów (maksymalizacja użyteczności lub maksymalizacja zysku) leżących u podstaw de-

cyzji właścicieli o założeniu oraz późniejszym prowadzeniu winnicy. Badanie przeprowadzo-

no w formie elektronicznej i papierowej Do respondentów zwrócono się za pośrednictwem

organizacji winiarskich i otrzymano 22 ankiety (18 ankiet zakończonych).

W przeprowadzonej w artykule analizie ekonometrycznej wykorzystane zostały in-

formacje o istniejących winnicach w Małopolsce, które można pobrać ze strony

http://www.winogrodnicy.pl. Dane te zawierają między innymi informacje na temat właści-

ciela, lokalizacji, obszaru winnicy i roku, w którym została ona założona. Analizowany był

rozwój całkowitej liczby winnic (w podziale na winnice duże i małe) w latach 1990-2015 oraz

ich koncentracja geograficzna. Ta ostatnia cecha była mierzona testem I Moran’a. W szcze-

gólności zaobserwowano różne wartości tej statystyki dla małych i dużych winnic. W analizie

wykorzystane zostały modele ekonometryczne z klasy przestrzennych modeli autoregresyj-

nych. Ponadto wstępna ekonometryczna analiza dostępnych danych empirycznych (o przekro-

ju czasowym i przestrzennym) umożliwiła oszacowanie wpływu różnych czynników na ob-

serwowaną liczbę winnic w każdej z rozważanych gmin, nie wyjaśniła jednak dynamiki pro-

cesu powstawania nowych winnic w całym obserwowanym okresie. Nie było też możliwe

uzyskanie informacji o nieobserwowalnych postawach i wynikających z nich zachowaniach

właścicieli winnic.

Skonstruowano zatem model oparty na heterogenicznych agentach (zwyczajne gospo-

darstwa rolne oraz duże i małe winnice). W modelu przyjęto, że z określonym prawdopodo-

bieństwem właściciele gospodarstw rolnych mogą przeistaczać się w entuzjastów produkcji

wina, a same gospodarstwa rolne mogą się przekształcać w winnice (małe lub duże). Na okre-

ślone w symulacji prawdopodobieństwa transformacji wpływ ma liczba obecnych w najbliż-

szym sąsiedztwie entuzjastów i winnic (modelowany był różny wpływ dla winnic małych i

dużych).

Zbudowany model, pozwolił zidentyfikować dwustopniową dynamikę rozwoju: bu-

dowanie społeczności winiarskiej oraz powstawanie winnic. Wkład do literatury przedmiotu

19

jest dwojakiego rodzaju. Po pierwsze, pokazano jak modele oparte na agentach mogą uzupeł-

nić klasyczną analizę ekonometryczną. Po drugie, oszacowano parametry modelu i przepro-

wadzono analizę wrażliwości, co umożliwiło identyfikację istotnych czynników, które przy-

czyniły się do rozwoju uprawy winorośli w Małopolsce. Mianowicie wyodrębnione zostały

trzy grupy parametrów, które w istotny sposób wpływają na dynamikę procesu powstawania

winnic. Pierwsza grupa parametrów rzutuje na liczbę entuzjastów wina poprzez prawdopodo-

bieństwo spontanicznego pojawienia się entuzjasty na danym obszarze, społecznego wpływu

entuzjastów (produkcji) win (przyciągających kolejnych nowych entuzjastów win) i tendencji

do wygaszania entuzjazmu. Druga grupa parametrów wpływa na proces transformacji entu-

zjastów wina w właścicieli małych winnic oraz określa oddziaływanie istniejącej dużej winni-

cy na powstawanie małych winnic w jej okolicy. Trzecia grupa to dodatkowo parametr, który

określa, jaki procent dużych gospodarstw może przekształcić się tylko w małe winnice (tylko

część gospodarstwa jest wykorzystywana do uprawy winorośli).

Ponadto pokazano, że w pierwszych etapach rozwoju entuzjaści winiarstwa koncentru-

ją się w regionach o bardziej sprzyjających warunkach naturalnych. Natomiast założenie

pierwszych winnic obniża bariery wejścia poprzez możliwość praktycznej wymiany wiedzy,

wspólnych działań marketingowych lub dzielenie się środkami produkcji winorośli i wina.

Teoretyczny model jest zgodny z empirycznymi obserwacjami, które pokazują silne efekty

koncentracji. Mianowicie relatywnie duża liczba winnic powstaje w stosunkowo podobnym

czasie i w podobnej lokalizacji.

3.5 Podsumowanie

Prowadzone badania, które zostały włączone do cyklu publikacji miały charakter inter-

dyscyplinarny, w obszarze zastosowania wyników badań eksperymentalnych w modelowaniu

zjawisk ekonomicznych. W omówionych badaniach podejmowany jest problem identyfikacji

wpływu czynników behawioralnych na zachowania ekonomiczne i w konsekwencji na rynki.

W zaprezentowanych artykułach wykorzystano różne narzędzia analizy: modelowanie

wieloagentowe [8], narzędzia matematyczne: modelowanie bayesowskie i metodę funkcji

copula, jako inspirację [5] i [6], zaawansowane metody ekonometryczno-statystyczne: metodę

symulowanych momentów [8], metodę PSM [7], metodę głównych składowych i analizę mo-

deracji [2], a także bardziej standardowe narzędzia jak testy korelacji i regresja liniowa.

W analizach wykorzystano rzeczywiste dane z ograniczonego nietypowego obszaru [8],

dane z przeprowadzonego „eksperymentu w terenie” [7] oraz [2] i [3] w części związanej z

badaniami traderów, jak również z zaprojektowanych i przeprowadzonych eksperymentów

laboratoryjnych, [1], [4], [5] i [6], a także [2] i [3] w części związanej z badaniami zachowań

studentów. Ponadto w badaniach wykorzystywano ankiety. Zarówno te, które zostały samo-

dzielnie skonstruowane [1], [2], [3] i [8], jak i te, które były dostępne w literaturze [2], [3] i

[4].

Za najważniejszy wkład do rozwoju dyscypliny finanse uzyskany w ramach przedsta-

wionego osiągnięcia uważam:

20

1. Zaproponowanie i systematyczną empiryczną weryfikację behawioralnych uwarunkowań

wpływających na skłonność do stosowania analizy technicznej, w szczególności stylu po-

znawczego (racjonalny i eksperymentalny) oraz różnych form iluzji kontroli, Dodatkowo

wskazano, że występują istotne różnice w postrzeganiu i sposobie wykorzystania narzędzi

analizy technicznej w zależności od doświadczenia, [1], [2] i [3].

2. Systematyczne badania wpływu domknięcia poznawczego na proces identyfikacji tren-

dów na rynkach finansowych. W szczególności pokazanie, że z jednej strony potrzeba

zamknięcia poznawczego zmniejsza wykorzystanie obserwacji historycznych w progno-

zowaniu, kiedy rynek znajduje się w fazie trendu bocznego, z drugiej zaś strony w przy-

padku wyraźnych trendów wzrostowych lub spadkowych skłania do nadmiernego polega-

nia na zaobserwowanych trendach w prognozowaniu, por [4].

3. Wykorzystanie modelowania bayesowskiego w badaniach nad zjawiskiem iluzji kontroli.

W szczególności zaproponowanie autorskiej metody badania (dekompozycji) wpływu

czynnika „racjonalnego” tj. wcześniejszych założeń, wiedzy oraz czynnika „emocjonalne-

go” wynikającego z zaangażowania w proces generowania wyników i ich wykorzystanie

do badania tego zjawiska, [5]. Zaprojektowanie eksperymentu, który wskazał, że przecią-

żenie informacyjne może wpływać na obserwowane zjawisko iluzji kontroli, [6].

4. Pokazanie, że przeciążenie informacyjne w postaci nadmiernie skomplikowanego schema-

tu taryfowego, może prowadzić do nieracjonalności zachowań konsumentów na rynkach

energii elektrycznej. Zaproponowanie procedury wykorzystującej metodę PSM i metodę

różnicy różnic, która umożliwia identyfikację podobnych, ze względu na cechy socjolo-

giczne i ekonomiczne, gospodarstw domowych na podstawie obserwacji ich profilów do-

bowego zużycia energii elektrycznej. Przeprowadzenie teoretycznej analizy i empirycznej

weryfikacji zaproponowanej procedury oraz oszacowanie wpływu zmian taryf na zmiany

w zużyciu energii elektrycznej dla gospodarstw domowych w Polsce z wykorzystaniem

tej procedury, [7].

5. Pokazanie, że modelowanie wieloagentowe może być zastosowane, jako uzupełnienie

analizy ekonometrycznej do analizy dynamiki obserwowanych zjawisk ekonomicznych.

W tym kontekście zidentyfikowanie czynników behawioralnych jako tych, które pozwoli-

ły na wyjaśnienie i zrozumienie dynamiki procesu powstawania winnic w województwie

Małopolskim, por.[8].

Uzyskane wyniki mają także wymiar praktyczny. Artykuły [1], [2] i [3] wyjaśniają przy-

czyny popularności wśród praktyków, zajmujących się rynkami finansowymi, kontrowersyj-

nej (z punktu widzenia naukowego) metody analizy technicznej. Artykuł [7] zawiera prak-

tyczne rekomendacje dla konstrukcji potencjalnych taryf cen energii elektrycznej dla gospo-

darstw domowych. Identyfikacja mechanizmów procesu powstawania winnic, umożliwia bar-

dziej skuteczne tworzenie polityki i mechanizmów, mogących wpływać na ten proces [8].

21

4. Omówienie najważniejszych pozostałych publikacji

W niniejszym rozdziale zostały w sposób syntetyczny omówione wybrane publikacje,

które nie stanowią części cyklu (pełna lista publikacji zwarta jest w załączniku Z4), a są efek-

tem prowadzonych badań po uzyskaniu stopnia doktora nauk ekonomicznych.

Przedmiotem wynalazku (Bień i in, 2018) jest, zgodnie z opisem patentowym „… spo-

sób obserwowania urządzenia elektrycznego oraz strażnik obiektu elektrycznego do realizacji

tego sposobu. Rozwiązanie przeznaczone jest do obserwacji, zwłaszcza ciągłej, odbiorników

energii elektrycznej celem reagowania na nienormalne zachowanie urządzenia. Obserwowa-

ne urządzenia to odbiorniki energii elektrycznej współpracujące z maszynami pracującymi w

zakładach przemysłowych…”. W szczególności zaproponowany został sposób ciągłej obser-

wacji urządzenia elektrycznego w celu monitorowania i wykrywania nietypowych zachowań

urządzenia, np. w wyniku uszkodzenia. Monitorowanie ma być realizowane przez dedykowa-

ne urządzenie o zdefiniowanych w patencie cechach.

W artykule Kamiński, Czupryna, Szapiro (2009) zaproponowana została nowa proce-

dura wyboru optymalnego portfela inwestycyjnego. W procedurze stosuje się wielokryterial-

ny model optymalizacji z zastosowaniem, jako funkcje celu różnych miar ryzyka, tj. warun-

kowych wartości narażonych na ryzyko o różnych poziomach istotności. W ten sposób gene-

rowany jest zbiór rozwiązań niezdominowanych. Ostateczny wybór optymalnego portfela,

wymagał zastosowania programowania celowego. W celu oceny proponowanej procedury,

opracowana została nowa metoda porównywania różnych modeli wyboru optymalnego port-

fela inwestycyjnego. Zaproponowana procedura została zastosowana do danych z Giełdy Pa-

pierów Wartościowych w Warszawie. Uzyskiwano portfele o lepszej efektywności, niż port-

fele konstruowane poprzez zastosowanie wybranych, standardowych metod selekcji portfela.

W artykule Czupryna i in. (2017) rozważano przypadek administracji publicznej, która

wykorzystuje platformę internetową do pozyskiwania danych o preferencjach populacji. Pro-

blemem jest, że dostępne są dane tylko dla części populacji, a obserwowane preferencje mogą

być niereprezentatywne dla całego społeczeństwa. W artykule rozważono dwa źródła braku

reprezentatywności obserwowanych preferencji: (1) odmienną strukturę demograficzną oraz

(2) różnice w procesie dynamiki dyfuzji preferencji. W celu badania dynamiki preferencji

skonstruowano wieloagentowy model symulacyjny, z matematyczną reprezentacją w postaci

grafu. Sam proces estymacji preferencji polegał na generowaniu sztucznej populacji, symu-

lowaniu dynamiki preferencji oraz wyborze różnych, potencjalnie niereprezentatywnych pod-

populacji metodą kuli śnieżnej.

W artykule Oleksy i Czupryna (2018) empirycznie zweryfikowane zostało, że nie wy-

stępuje, statystycznie istotne, zróżnicowanie językowe tekstów komentarzy sporządzanych po

zakończeniu tygodni o relatywnie niskich oraz tygodni o relatywnie wysokich stopach zwro-

tu. Ponadto pokazano, że zawartość językowa wybranych komentarzy rynkowych nie ma war-

tości predykcyjnej dla polskiego rynku akcji oraz że komentarze z jednotygodniową różnicą

czasową różnią się pod względem lingwistycznym mniej niż komentarze z kilkutygodniową

różnicą czasu. W badaniach wykorzystano dane z Giełdy Papierów Wartościowych w War-

szawie, 108 tygodniowych komentarzy rynkowych analityków funduszu inwestycyjnego.

Zastosowano narzędzia automatycznej analizy danych tekstowych.

22

W artykule Czupryna (2013) analizowano czynniki wpływające na obserwowalność

relacji kointegrującej pomiędzy analogicznymi indeksami Giełdy Niemieckiej we Frankfurcie

oraz Giełdy Papierów Wartościowych w Warszawie. Na podstawie danych empirycznych

pokazano, że wybór indeksów, a w szczególności ich porównywalność ze względu na portfel

spółek wchodzących w skład indeksu ma istotne znaczenie dla uzyskiwanych wyników. W

szczególności niewłaściwy jest wybór i zastosowanie w analizie zjawiska kointegracji giełd

par indeksów, w których jeden indeks jest indeksem dochodowym, natomiast drugi indeks

jest indeksem cenowym. Błąd ten jest często popełniany w literaturze.

W artykule Kubińska, Markiewicz i Czupryna (2015) potwierdzono dużą popularność

analizy technicznej wśród inwestorów. Analiza techniczna była najwyżej oceniana wśród za-

proponowanych narzędzi wspierających decyzje inwestycyjne. Natomiast procent transakcji

motywowanych sygnałami analizy technicznej był nieskorelowany z deklaracją o jej stoso-

waniu.

5. Podsumowanie dorobku naukowego

W momencie składania wniosku mój punktowany dorobek naukowy (uwzględniając jedynie

publikacje opublikowane po uzyskaniu stopnia doktora) obejmuje:

4 artykuły opublikowane w czasopismach naukowych z listy A Ministerstwa Nauki i

Szkolnictwa Wyższego,

15 artykułów opublikowanych w czasopismach z listy B Ministerstwa Nauki i Szkol-

nictwa Wyższego (MNiSW),

6 rozdziałów opublikowanych w monografiach naukowych lub materiałach konferen-

cyjnych,

1 patent,

1 rozdział w podręczniku akademickim.

Sumaryczny całkowity IF, także dla publikacji z cyklu wynosi 1,844. Łączna liczba cytowań

moich prac (wg analizy bibliometrycznej, bez uwzględniania daty powstania publikacji i au-

tocytowań) wynosi

7 (wg. Web of Science),

7 (wg. Scopus),

11 (wg. Bazekon)

3785 (wg. Google Scholar).

Cytowania te przekładają się na indeks Hirscha równy

1 (wg. Web of Science),

1 (wg. Scopus),

2 (wg. Bazekon)

5 Liczba ta jest zawyżona, przez Google scholar, poprzez przypisanie, w dwóch monografiach, cyto-

wań także z pierwszych wydań, podczas, gdy byłem współautorem tylko ich kontynuacji w postaci

kolejnych wydań. Przybliżona korekta na podstawie daty wydania daje liczbę 124.

23

5 (wg. Google Scholar).

Statystyka całościowa zgodnie z załączoną analizą bibliometryczną wynosi 32 cytowania, 12

cytowanych publikacji, a obliczony na podstawie tych cytowań indeks Hirscha 4.

Wyniki moich badań prowadzonych po uzyskaniu stopnia doktora prezentowałem na konfe-

rencjach w kraju i zagranicą:

8 prezentacji ustnych na międzynarodowych konferencjach naukowych zagranicą,

4 prezentacje ustne na konferencjach naukowych w Polsce,

2 prezentacje na warsztatach naukowych zagranicą,

1 prezentacja w formie plakatu na konferencji międzynarodowej zagranicą,

1 prezentacja na zagranicznym seminarium naukowym (Uniwersytet w Hamburgu).

Wyniki prezentowałem na następujących konferencjach: Social Simulation Conferen-

ce, konferencji stowarzyszenia International Association for Research in Economic Psycho-

logy, Derivative Markets Conference, Finance and Risk, Global Conference on Managing

and Recovering Markets, Konferencji Katedr Finansowych, Metody Zarządzania i Badań

Operacyjnych, konferencji Akademickiego Stowarzyszenie Psychologii Ekonomicznej oraz

warsztatach naukowych: 1st Hamburg Workshop on Agent-based Modeling of Environmental

Challenges and Climate Policy oraz 4th Münster Workshop on Agent-based Modeling.

Recenzowałem artykuły naukowe nadesłane do redakcji czasopism Palgrave Commu-

nications, Our Economy, Central European Journal of Economic Modelling and Economet-

rics. Jestem członkiem kolegium redakcyjnego czasopisma Argumenta Oeconomica

Cracoviensia.

Jestem lub byłem członkiem stowarzyszeń naukowych: European Social Simulation

Association, European Finance Association, American Association of Wine Economics. W

2017 byłem na czteromiesięcznym wyjeździe naukowym w Cluster of Excellence "Integrated

Climate System Analysis and Prediction" (CliSAP) na Uniwesytecie w Hamburgu.

Aktualnie realizuję grant Miniatura, przyznany przez Narodowe Centrum Nauki pt.

„Zachowania animatorów rynku na rynkach opcyjnych”, nr. rejestracyjny

2018/02/X/HS4/00251 oraz biorę udział, jako wykonawca, w projekcie pt. „Społeczno-

gospodarcze konsekwencje czwartej rewolucji przemysłowej” w ramach ministerialnego pro-

gramu Regionalnych Inicjatyw Doskonałości (nr projektu: 021/RID/2018/19).

Byłem także wykonawcą w następujących projektach badawczych:

Horizon 2020 („Raising Open and User-friendly Transparency-Enabling Technologies

for Public Administrations (ROUTE-TO-PA)”, kierownik: Bogumił Kamiński),

projekt badawczy finansowany przez Ministerstwo Nauki i Szkolnictwa Wyższego,

(„Efektywność polskiego rynku akcji i racjonalność działań polskich inwestorów gieł-

dowych”, numer N N113 308338, kierownik Jan Czekaj),

Opus („Behawioralne i mikrostrukturalne uwarunkowania rynków finansowych i in-

westycji alternatywnych”, UMO-2015/17/B/HS4/02708, kierownik Jan Czekaj),

1.4 Program Operacyjny Innowacyjna Gospodarka 2007-2013 („Rozproszony bez-

przewodowy system pomiarowy parametrów operacyjnych w tym energii elektrycznej

niskiego i średniego napięcia” nr POIG.01.04.00-26-006/10),

24

Badania statutowe Uniwersytetu Ekonomicznego w Krakowie: „Mikro i makroeko-

nomiczne uwarunkowania rynków finansowych” oraz „Rynki wschodzące a nowe

tendencje w gospodarce globalnej”.

Współpracuję też, w roli eksperta, z otoczeniem gospodarczym. W tej roli przygotowałem

model ekonomiczny dla Ministerstwa Środowiska, a także ekspertyzy dla przedsiębiorstw

prywatnych. Byłem także biegłym sądowym (ad hoc) w dwunastu sprawach sądowych doty-

czących rynków i instrumentów finansowych, w szczególności kontraktów pochodnych.

6. Referencje

1) Alexander S.S., (1961). “Price Movements in Speculative Markets: Trends or Random

Walk”, Industrial Management Review, No. 2 (2).

2) Alloy, L. B., Abramson, L. Y., (1979) “Judgment of Contingency in Depressed and

Nondepressed Students: Sadder but Wiser?”, Journal of Experimental Psychology: Gen-

eral, 108, pp. 441-485

3) Bartusch, C., F. Wallin, M. Odlare, I. Vassileva, and L. Wester. (2011). “Introducing a

Demand-Based Electricity Distribution Tariff in the Residential Sector: Demand Re-

sponse and Customer Perception.” Energy Policy 39 (9):5008–25.

doi:10.1016/j.enpol.2011.06.013.

4) Bień, A., Borkowski, D., Kowalski, J., Wetula, A., Czupryna M,, (2018), Sposób obser-

wowania urządzenia elektrycznego i strażnik urządzenia elektrycznego, Urząd Patentowy

Rzeczypospolitej Polskiej, wynalazek, numer prawa wyłącznego 229798

5) Castro, B., & Weingarten, K. (1970). Toward experimental economics. Journal of Politi-

cal Economy, 78(3), 598-607.

6) Chewning, E. Jr, Harrell, A. M. (1990). The Effect of Information Load on Decision

Makers’ Cue Utilization Levels and Decision Quality in a Financial Distress Decision

Task, Accounting, Organizations and Society, 15(6), 527–542.

https://doi.org/10.1016/0361-3682(90)90033-q.

7) Colonius, H. (2016). An invitation to coupling and copulas: with applications to multi-

sensory modeling. Submitted to Journal of Mathematical Psychology, Special issue in

honor of R.D. Luce, http://dx.doi.org/10.1016/j.jmp.2016.02.004

8) Cronbach, L. J. (1951). Coefficient alpha and the internal structure of

tests. Psychometrika, 16(3), 297-334.

9) Czupryna, M. (2013). O współzależności giełd na przykładzie giełdy polskiej i niemiec-

kiej. Annales Universitatis Mariae Curie-Skłodowska, sectio H–Oeconomia, 47(3).

10) Czupryna, M., Kubińska, E., & Markiewicz, Ł. (2015). What Makes Technical Analysis

Popular?. Argumenta Oeconomica Cracoviensia, (12), 53-66. DOI:

10.15678/AOC.2015.1205

11) Czupryna, M., Szufel, P., Kamiński, B., & Wiertlewska, A. (2017). O estymacji preferen-

cji w sztucznych sieciach społecznych. Optimum. Studia Ekonomiczne.

12) Czupryna, M., Kubińska, E., & Markiewicz, Ł. (2017). On the Need for Cognitive Clo-

sure and Judgmental Trend Forecasting. Argumenta Oeconomica Cracoviensia, (17), 21-

32. DOI: 10.15678/AOC.2017.1702

25

13) Czupryna, M., Kubińska, E., & Markiewicz, Ł. (2018). Can conjugate prior probability

explain the illusion of control?. Decyzje, (29), 87-114. DOI: 10.7206/DEC.1733-

0092.104

14) Czupryna, M., Oleksy, P., Przybek, P., & Kamiński, B. (2018). Agent-Based Modelling

of Viticulture Development in Emerging Markets: The Case of the Małopolska Re-

gion. Journal of Artificial Societies & Social Simulation, 21(3). DOI:

10.18564/jasss.3726

15) Epstein, S. (1973). “The self-concept revisited: Or a theory of a theory”. American Psy-

chologist 28 (5):404–16. doi:10.1037/h0034679.

16) Epstein, S., R. Pacini, V. Denes-Raj, and H. Heier. (1996). “Individual differences in in-

tuitive-experiential and analytical-rational thinking styles”. Journal of Personality and

Social Psychology 71 (2):390–405. doi:10.1037/0022-3514.71.2.390.

17) Evans, J. S. B. T., and D. E. Over. (1996). Rationality and reasoning. Hove, UK: Psy-

chology Press.

18) Evans, J., Stanovich, K. E. (2013). Dual-process Theories of Higher Cognition: Advanc-

ing the Debate. Perspectives on Psychological Science 8, 223–241.

https://doi.org/10.1177/1745691612460685.

19) Fama, E. F. (1970) “Efficient Capital Markets: A Review of Theory and Empirical

Work”. Journal of Finance 25(2): 383–417, http://dx.doi.org/10.2307/2325486.

20) Fama, E. F. and Blume, M. E. (1966) “Filter Rules and Stock-Market Trading”. Journal

of Business 39(1) (Part 2: Supplement on Security Pricing): 226–41, http://dx.doi.

org/10.1086/294849.

21) Faruqui, A., and S. Sergici. (2010). “Household Response to Dynamic Pricing of Elec-

tricity: A Survey of 15 Experiments.” Journal of Regulatory Economics 38 (2):193–225.

doi:10.1007/s11149-010-9127-y.

22) Fenton-O’Creevy, M., Nicholson, N., Soane, E., Willman, P. (2003). Trading on Illu-

sions: Unrealistic Perceptions of Control and Trading Performance. Journal of Occupa-

tional and Organizational Psychology, 76(1), 53–68.

https://doi.org/10.1348/096317903321208880.

23) Frederiks, E. R., Stenner, K., & Hobman, E. V. (2015). Household energy use: Applying

behavioural economics to understand consumer decision-making and behav-

iour. Renewable and Sustainable Energy Reviews, 41, 1385-1394.

24) Gino, F., Sharek, Z., & Moore, D.A. (2011). Keeping the illusion of control under con-

trol: Ceilings, floors, and imperfect calibration. Organizational Behavior and Human De-

cision Processes, 114, 104-114.

25) Gradojevica, N., and C. Lentob., (2015), “Multiscale analysis of foreign exchange order

flows and technical trading profitability”. Economic Modelling 47:156–65.

doi:10.1016/j.econmod.2015.02.028.

26) Hausman, J., M. Kinnucan, and D. McFadden. (1979). “A Two-Level Electricity Demand

Model: Evaluation of the Connecticut Time-of-Day Pricing Test.” Journal of Economet-

rics 10:263–89. doi:10.1016/0304-4076(79)90085-X.

27) Hayes, A. F. (2017). Introduction to mediation, moderation, and conditional process

analysis: A regression-based approach. Guilford Publications.

26

28) Jessoe, K., and D. Rapson. (2015). “Commercial and Industrial Demand Response under

Mandatory Time-of-Use Electricity Pricing.” Journal of Industrial Economics 63

(3):397–421. doi:10.1111/joie.12082.

29) Kagel, J. H., & Roth, A. E. (Eds.). (2016). The handbook of experimental econom-

ics (Vol. 2). Princeton university press.

30) Kahneman, D. (2003). Maps of bounded rationality: Psychology for behavioral econom-

ics. American economic review, 93(5), 1449-1475.

31) Kahneman, D. (2011). Thinking, Fast and Slow. New York: Farrar, Strauss, Giroux.

32) Kamiński, B., Czupryna, M., & Szapiro, T. (2009). On conditional value-at-risk based

goal programming portfolio selection procedure. In Multiobjective programming and

goal programming(pp. 243-252). Springer, Berlin, Heidelberg.

33) Kubińska, E., Markiewicz, Ł., & Czupryna, M. (2015). Deklaratywna a rzeczywista po-

pularność analizy technicznej. Kwartalnik Kolegium Ekonomiczno-Społecznego. Studia i

Prace, 3(3), 147-158.

34) Kubińska, E., Czupryna, M., Markiewicz, Ł., & Czekaj, J. (2016). Technical Analysis as

a Rational Tool of Decision Making for Professional Traders. Emerging Markets Finance

and Trade, 52(12), 2756-2771. DOI: 10.1080/1540496X.2016.1217004

35) Kubińska, E., Czupryna, M., & Markiewicz, Ł. (2017). The Illusion of Control and In-

formation Overload within a Bayesian Updating Framework. Psychologia Ekonomiczna,

(12), 5-13, DOI: 10.15678/PJOEP.2017.12.01

36) Kubińska, E., Czupryna, M., Markiewicz, Ł., Czekaj, J. (2018). Technical Analysis Gives

You Courage, But Not Money-on the Relationship between Technical Analysis Usage,

Overconfidence and Investment Performance. Argumenta Oeconomica, (1 (40)), 317-

343. DOI: 10.15611/aoe.2018.1.14

37) Kruglanski, A. W. (1989) Lay Epistemics and Human Knowledge: Cognitive and Motiva-

tional Bases. New York: Springer.

38) Langer, E. J. (1975). The Illusion of Control. Journal of Personality and Social Psychol-

ogy, 32(2), 311–328. https://doi.org/10.1037//0022-3514.32.2.311.

39) Lawrence, M., Goodwin, P., O’Connor, M. and Önkal, D. (2006) “Judgmental Forecast-

ing: A Review of Progress over the Last 25 Years”. International Journal of Forecasting

22 (3): 493–518, https://doi.org/10.1016/j.ijforecast.2006.03.007.

40) Lichtenstein, S., Fischhoff, B., Phillips, L. D., (1982), Calibration of Subjective Probabil-

ities: The State of the Art up to 1980. [in:] Kahneman, D., Slovic, P., Tversky, A. (eds.),

Judgment under Uncertainty: Heuristics and Biases, pp. 306-334. Cambridge University

Press, Cambridge

41) Morawski, L., Czupryna, M., Mycielski, J., Rączka, J. (2018). Offering Time-of-Use

Electricity Rates to Households in a Formerly Centrally Planned Economy: Insights from

Consumer Tests in Poland. Eastern European Economics, 56(3), 246-267. DOI:

10.1080/00128775.2018.1449657

42) Mullainathan, S., & Thaler, R. H. (2000). Behavioral economics(No. w7948). National

Bureau of Economic Research.

43) Murphy, J. J. (1999). Technical analysis of the financial markets: A comprehensive guide

to trading methods and applications. Penguin..

27

44) Menkhoff, L., Taylor, M. P., (2007), “The Obstinate Passion of Foreign Exchange Pro-

fessionals: Technical Analysis”, Journal of Economic Literature, Vol. 45, No 4, pp. 936-

972

45) Millisecond Software (2015). Inquisit 4, https://www.millisecond.com.

46) Naylor, T. H. (1972). Experimental economics revisited. Journal of Political Econo-

my, 80(2), 347-352.

47) Neely, C. J., P. A. Weller, and R. Dittmar. (1997). “Is technical analysis in the foreign

exchange market profitable? A genetic programming approach.” The Journal of Finan-

cial and Quantitative Analysis 32 (4):405–26. doi:10.2307/2331231

48) Oleksy, P., & Czupryna, M. (2018). Market Commentaries and Stock Prices in Poland: A

Text Mining Approach. Zeszyty Naukowe Uniwersytetu Ekonomicznego w Krakowie, (10

(970)), 67-77.

49) Pacini, R., and S. Epstein. (1999). “The relation of rational and experiential information

processing styles to personality, basic beliefs, and the ratio-bias phenomenon.” Journal of

Personality and Social Psychology 76 (6):972–87. doi:10.1037/0022-3514.76.6.972.

50) Park, C. H., and S. H. Irwin. (2007). “What do we know about the profitability of tech-

nical analysis?” Journal of Economic Surveys 21 (4):786–826. doi:10.1111/j.1467-

6419.2007.00519.x.

51) Roets, A. and Van Hiel, A. (2011) “Item Selection and Validation of a Brief, 15-item

Version of the Need for Closure Scale”. Personality and Individual Differences 50 (1):

90–94, https://doi.org/10.1016/j.paid.2010.09.004

52) Rosenbaum, P. R., & Rubin, D. B. (1983). The central role of the propensity score in ob-

servational studies for causal effects. Biometrika, 70(1), 41-55.

53) Roth, A. E. (1995). Introduction to experimental economics. The handbook of experi-

mental economics, 1, 3-109.

54) Schulmeister, S. (2009). “Aggregate Trading Behaviour of Technical Models and the

Yen/ Dollar Exchange Rate 1976–2007”. Japan and the World Economy 21(3): 270–79.

55) Scott Morton, F. M. & Podolny, J. M. (2002). “Love or money? The effects of owner mo-

tivation in the California wine industry”. The Journal of Industrial Economics, 50(4),

431–456

56) Sloman, S. A. (1996). “The empirical case for two systems of reasoning”. Psychological

Bulletin 119 (1):3–22. doi:10.1037/0033- 2909.119.1.3.

57) Simon, H. A. (1955). A behavioral model of rational choice. The quarterly journal of

economics, 69(1), 99-118.

58) Stanovich, K. E., and R. F. West. (2000). “Individual differences in reasoning: Implica-

tions for the rationality debate”. Behavioral and Brain Sciences 23:645–726.

doi:10.1017/S0140525X00003435.

59) Stoft, S. (2002). Power system economics. Journal of Energy Literature, 8, 94-99.

60) Svenson, O., (1981) “Are We All Less Risky and More Skillful than Our Fellow driv-

ers?”, Acta Psychologica, Vol. 47, No 2, pp. 143-148, 1981.

61) Thaler, R. (1985). Mental accounting and consumer choice. Marketing science, 4(3), 199-

214.

62) Thaler, R. (2012). The winner's curse: Paradoxes and anomalies of economic life. Simon

and Schuster.