Jedes Modell in diesem Buch hat rationale Akteure angenommen — Konsumenten, die den Erwartungsnutzen maximieren, Unternehmen, die Kosten minimieren, Händler mit konsistenten Zeitpräferenzen und korrekten Überzeugungen. Diese Annahmen sind mächtig: Sie liefern scharfe Vorhersagen, elegante Wohlfahrtstheoreme und elegante Mathematik. Aber stimmen sie?
Dieses Kapitel konfrontiert die Evidenz. Die Verhaltensökonomik dokumentiert vorhersagbare, systematische Abweichungen vom rationalen Standardmodell. Dies sind keine zufälligen Fehler, die sich in der Aggregation aufheben — es sind gemusterte Verzerrungen, die Wiederholung, Anreize und sogar Expertise überleben.
Wir beginnen mit den Rissen in der Erwartungsnutzentheorie — dem Allais- und dem Ellsberg-Paradoxon — und arbeiten uns zur Prospect Theory vor, der führenden deskriptiven Alternative. Dann untersuchen wir intertemporale Entscheidungen unter Gegenwartspräferenz, soziale Präferenzen, die reines Eigeninteresse verletzen, begrenzte Rationalität und Heuristiken, experimentelle Methodik, Nudge-Theorie und Behavioral Finance. Durchgehend ist der Ansatz formal: Wir stellen Nutzenfunktionen auf, leiten Vorhersagen ab und testen sie an Daten.
Voraussetzungen: Erwartungsnutzentheorie (Kap. 6), Spieltheorie (Kap. 7), Konsumtheorie (Kap. 6/10), Ökonometrie-Grundlagen (Kap. 9), Vertrautheit mit Mechanismusdesign (Kap. 11).
Erinnern Sie sich aus Kapitel 6, dass unter den Axiomen der Vollständigkeit, Transitivität, Stetigkeit und dem Unabhängigkeitsaxiom Präferenzen über Lotterien durch den Erwartungsnutzen dargestellt werden können:
Unabhängigkeit ist elegant und normativ ansprechend. Sie besagt, dass Ihre Präferenz zwischen zwei Glücksspielen nicht durch eine irrelevante gemeinsame Komponente beeinflusst werden sollte. Aber wie Maurice Allais 1953 zeigte, verletzen die meisten Menschen sie konsistent.
Betrachten Sie zwei Lotteriepaare:
Paar 1: Glücksspiel 1A: \$1M mit Sicherheit. Glücksspiel 1B: \$5M mit Wahrsch. 0,10, \$1M mit Wahrsch. 0,89, \$0 mit Wahrsch. 0,01.
Paar 2: Glücksspiel 2A: \$1M mit Wahrsch. 0,11, \$0 mit Wahrsch. 0,89. Glücksspiel 2B: \$5M mit Wahrsch. 0,10, \$0 mit Wahrsch. 0,90.
Das modale Muster: Die meisten Menschen wählen 1A gegenüber 1B und 2B gegenüber 2A. Diese gemeinsame Wahl $\{1A, 2B\}$ verletzt das Unabhängigkeitsaxiom.
Nach dem Unabhängigkeitsaxiom sollte das Ersetzen der gemeinsamen Konsequenz (\$1M in Paar 1, \$0 in Paar 2) die Rangordnung nicht ändern. Wenn $1A \succ 1B$, dann $1A \succ 2B$. Die Umkehr enthüllt einen Sicherheitseffekt.
Warum das wichtig ist: The certainty effect is the whole story without the algebra: a sure thing feels categorically different from a 99% thing. Going from 99% to 100% buys you peace of mind that going from 10% to 11% does not — even though the extra one percentage point is identical. Expected utility says those two extra points should be worth exactly the same. Most people, faced with the Allais pairs, prove they are not. That gap between “almost certain” and “certain” is what the independence axiom cannot see and what every behavioral model after it is built to capture.
Betrachten Sie eine Urne mit 30 roten Kugeln und 60 Kugeln, die schwarz oder gelb sind in unbekannten Proportionen. Glücksspiel A: Gewinn \$100 bei Rot (Wahrsch. 1/3, bekannt). Glücksspiel B: Gewinn \$100 bei Schwarz (Wahrsch. unbekannt). Die meisten wählen A.
Aber dann: Glücksspiel C: Gewinn \$100 bei Rot oder Gelb. Glücksspiel D: Gewinn \$100 bei Schwarz oder Gelb. Die meisten wählen D. Unter EU erfordert $A \succ B$, dass $C \succ D$. Die gemeinsame Wahl $\{A, D\}$ verletzt das Sure-Thing-Prinzip.
Diese Paradoxien enthüllen, dass das Unabhängigkeitsaxiom deskriptiv versagt. Wir brauchen eine Theorie, die diese Verletzungen berücksichtigt.
Abbildung 19.3. Allais-Paradoxon-Detektor. Wählen Sie Ihr bevorzugtes Glücksspiel in jedem Paar und prüfen Sie dann, ob Ihre Entscheidungen das Unabhängigkeitsaxiom verletzen.
Paar 1
Paar 2
Aufgabe. Zwei Lotteriepaare. Annahme: CRRA-Nutzenfunktion u(x) = x^{0,5} (x in Millionen). (a) Berechnen Sie den EU jeder Lotterie. (b) Welche empfiehlt EU? (c) Zeigen Sie, dass {1A, 2B} die Unabhängigkeit verletzt.
Lösung.
(a) EU(1A) = 1,0 × 1^{0,5} = 1,000. EU(1B) = 0,89(1) + 0,10(2,236) + 0,01(0) = 1,1136. EU(2A) = 0,11(1) = 0,11. EU(2B) = 0,10(2,236) = 0,2236.
(b) EU empfiehlt 1B (1,114 > 1,000) und 2B (0,224 > 0,110). EU-konsistente Paare: {1A, 2A} oder {1B, 2B}.
(c) 1A ≻ 1B erfordert 1,11 u(1) > 0,10 u(5) + 0,01 u(0). 1B ≻ 2A erfordert 1,10 u(5) + 0,01 u(0) > 0,11 u(1). Diese stehen im direkten Widerspruch. Keine u(·) kann beide gleichzeitig erfüllen.
Kahneman und Tversky (1979) schlugen die Prospect Theory als deskriptive Alternative vor, später verfeinert als kumulative Prospect Theory (1992). Sie modifiziert EU in vier Weisen: Referenzpunktabhängigkeit, Verlustaversion, abnehmende Sensitivität und Wahrscheinlichkeitsgewichtung.
Die Wertfunktion ersetzt $u(x)$, definiert über Endvermögen, durch $v(x)$, definiert über Gewinne und Verluste relativ zu einem Referenzpunkt:
Die von Tversky und Kahneman (1992) geschätzten Parameter sind $\alpha = \beta = 0{,}88$ und $\lambda = 2{,}25$.
Drei Eigenschaften: (1) Referenzpunktabhängigkeit — Ergebnisse werden als Gewinne oder Verluste relativ zu $r$ kodiert. (2) Abnehmende Sensitivität — $\alpha, \beta < 1$ ergibt Konkavität für Gewinne und Konvexität für Verluste. (3) Verlustaversion — $\lambda > 1$ macht die Wertfunktion für Verluste steiler.
Warum das wichtig ist: Two facts about how outcomes feel do all the work here. First, losses loom larger than gains — losing \$100 stings about 2.25 times as much as winning \$100 feels good — which is why the curve below the reference point drops faster than it rises above it. Second, what counts as a gain or a loss depends entirely on where you start: the same \$50,000 salary is a triumph after \$30,000 and a wound after \$70,000. The kink at the reference point is loss aversion; the bend of each arm is the fading of sensitivity as you move away from it. Drag the sliders on the figure and watch the steepness of the loss arm change — that steepness is $\lambda$.
Abbildung 19.1. Prospect-Theory-Wertfunktion. Die S-förmige Kurve ist konkav für Gewinne und konvex für Verluste, mit steilerer Steigung für Verluste (Verlustaversion). Bei $\alpha = \beta = \lambda = 1$ kollabiert sie zur Linearen (EU). Ziehen Sie die Schieberegler zum Erkunden.
Der Tversky-Kahneman (1992) Parameter $\delta \approx 0{,}65$. Wenn $\delta = 1$, $w(p) = p$ (EU). Wenn $\delta < 1$, übergewichtet die Funktion kleine Wahrscheinlichkeiten und untergewichtet große. Kreuzungspunkt bei $p \approx 0{,}37$.
Warum das wichtig ist: People do not treat probabilities the way a calculator does. A tiny chance feels bigger than it is — which is why we buy lottery tickets and insurance against rare disasters — while a near-sure thing feels less sure than it is, draining the value out of the last few percentage points before certainty. The inverse-S curve on the figure is just this: small probabilities lifted up, middling-to-large ones pushed down. It is the probability-side companion to loss aversion, and together the two produce the fourfold pattern of risk-taking that follows.
Abbildung 19.2. Tversky-Kahneman (1992) Wahrscheinlichkeitsgewichtungsfunktion. Die inverse S-Kurve übergewichtet kleine Wahrscheinlichkeiten und untergewichtet große. Bei $\delta = 1$ kollabiert sie zur 45-Grad-Linie (EU). Ziehen Sie den Schieberegler.
Hinweis: Dies ist die ursprüngliche Prospect-Theory-Formulierung (Kahneman & Tversky, 1979), die Entscheidungsgewichte auf einzelne Wahrscheinlichkeiten anwendet. Die kumulative Prospect Theory (Tversky & Kahneman, 1992) wendet Entscheidungsgewichte auf kumulative Wahrscheinlichkeiten geordneter Ergebnisse an und behebt bestimmte Anomalien wie Verletzungen der stochastischen Dominanz.
Das vierfache Muster: kleines $p$ + Gewinne = Risikofreude (Lotterien); kleines $p$ + Verluste = Risikoaversion (Versicherungen); großes $p$ + Gewinne = Risikoaversion (Sicherheitseffekt); großes $p$ + Verluste = Risikofreude (verzweifeltes Spielen).
Aufgabe. Ein Spiel bietet +\$1.000 mit Wahrsch. 0,5 und −\$800 mit Wahrsch. 0,5. Referenzpunkt r = 0. (a) Sicherheitsäquivalent unter EU mit CRRA u(x) = x^{0,5}, W = \$10.000. (b) PT-Bewertung mit Standardparametern. (c) Warum kehrt die Verlustaversion die Bewertung um?
Lösung.
(a) EU = 0,5(11.000)^{0,5} + 0,5(9.200)^{0,5} = 0,5(104,88) + 0,5(95,92) = 100,40. SÄ: \$100,40^2 = 10.080$. SÄ-Änderung = +80,2. Agent akzeptiert.
(b) v(+1000) = 1000^{0,88} = 436,5. v(−800) = −2,25 × 800^{0,88} = −2,25 × 358,7 = −807,1. Mit w(0,5) ≈ 0,439: V = 0,439(436,5) + 0,439(−807,1) = −162,6. Agent lehnt ab.
(c) Die Verlustaversion (λ = 2,25) lässt den \$800-Verlust weitaus schwerer wiegen als den \$1.000-Gewinn und kehrt so die Bewertung um.
Die Standardtheorie nimmt exponentielles Diskontieren mit Diskontfaktor $\delta \in (0,1)$ an. Die Schlüsseleigenschaft ist Zeitkonsistenz: Ein bei $t=0$ gemachter Plan bleibt zu jedem zukünftigen Zeitpunkt optimal.
Experimentelle Evidenz lehnt konstantes Diskontieren überwältigend ab. Menschen zeigen abnehmende Ungeduld: Die Diskontrate zwischen heute und morgen ist viel höher als zwischen Tag 100 und Tag 101.
Die quasi-hyperbolischen Diskontfaktoren sind $\{1, \beta\delta, \beta\delta^2, \ldots\}$. Die unmittelbare Periode erhält Gewicht 1, aber alle zukünftigen Perioden werden zusätzlich mit $\beta$ diskontiert. Wenn $\beta < 1$, gibt es einen diskreten Abfall zwischen “jetzt” und “der Zukunft”.
Bei $t=0$ ist die Bedingung erster Ordnung für $c_1$: $\beta\delta u'(c_1) = u'(c_0)$. Bei $t=1$ ergibt die Neuoptimierung $u'(c_1) = \beta\delta u'(c_2)$. Das $\beta$ hat sich verschoben — der Plan ist zeitinkonsistent.
Warum das wichtig ist: You discount the gap between today and tomorrow far more steeply than the gap between a year out and a year-and-a-day out — even though both are one-day delays. That single extra penalty on “now versus not-now” is present bias, and it is why you set the alarm for 6 a.m. and then hit snooze, why you plan to start the diet Monday and break it Monday night. The plan your today-self makes is not the plan your tomorrow-self wants to keep. A sophisticated person who sees this coming pays for a commitment device — the locked retirement account, the gym contract — to bind the future self the present self cannot trust. Drag the present-bias slider toward 1 and the conflict disappears.
Ein naiver Akteur schiebt unbegrenzt auf. Ein sophistizierter Akteur verwendet Rückwärtsinduktion und kann Selbstbindungsinstrumente einsetzen.
Abbildung 19.4. Beta-Delta-Diskontierungs-Explorer. Der naive Akteur verschiebt ständig; der sophistizierte Akteur verwendet Rückwärtsinduktion. Bei $\beta = 1$ kollabieren alle Linien (keine Gegenwartspräferenz). Ziehen Sie die Schieberegler.
Aufgabe. Ein Student muss ein Projekt fertigstellen. Kosten heute = 6 Nutzeneinheiten, Nutzen in 2 Perioden = 10 Nutzeneinheiten. β = 0,7, δ = 0,95, 5 Perioden. (a) Wann handelt ein naiver Agent? (b) Ein sophistizierter Agent?
Lösung.
(a) Naiv: In jeder Periode t, Nettonutzen des sofortigen Handelns = −6 + 0,7 × 0,95² × 10 = −6 + 6,32 = +0,32. Wahrgenommener Nettonutzen des Wartens = 0,7 × 0,95 × (−6) + 0,7 × 0,95³ × 10 = −3,99 + 6,00 = +2,01. Da 2,01 > 0,32, verschiebt er immer. Prokrastiniert bis zur Frist.
(b) Sophistiziert: Rückwärtsinduktion. Bei t = 2 (letzte mögliche Periode), Nettonutzen = +0,32 > 0, also handelt das Selbst bei t=2. Bei t = 1: Nettonutzen jetzt = +0,32, Nettonutzen des Wartens auf t=2 = +2,01 > 0,32, also wartet. Bei t = 0: ebenso, wartet. Der sophistizierte Agent handelt bei t = 2 — früher als die Frist des naiven Agenten.
Aufgabe. Agent mit β = 0,7, δ = 0,95, logarithmischem Nutzen, Einkommen Y = 100 über 3 Perioden. (a) Sparen ohne Bindung. (b) Mit Bindung. (c) Wohlfahrtsgewinn.
Lösung.
(a) Ohne Bindung: t=0 teilt c₀ = 100/(1+0,665+0,632) = 43,54, verbleibend 56,46. Bei t=1 Re-Optimierung: c₁ = 56,46/1,665 = 33,91, c₂ = 22,55.
(b) Mit Bindung: c₁ = 0,665 × 100/2,297 = 28,95, c₂ = 0,632 × 100/2,297 = 27,51.
(c) Ohne: U = 3,774 + 2,344 + 1,967 = 8,085. Mit: U = 3,774 + 2,237 + 2,095 = 8,106. Gewinn = 0,020 Nutzeneinheiten. Der gebundene Agent erreicht einen glatteren Konsumpfad.
Jahrzehnte experimenteller Evidenz zeigen, dass Menschen systematisch vom reinen Eigeninteresse abweichen: Sie lehnen unfaire Angebote ab, geben an Fremde, kooperieren in Einmalspielen und bestrafen Trittbrettfahrer.
Die Beschränkungen $\alpha_i \geq \beta_i$ und $\beta_i < 1$ sind empirisch motiviert: Neid schmerzt mehr als Schuld, und niemand vernichtet Geld nur zur Gleichstellung.
Im Ultimatumspiel erfüllt das minimal akzeptable Angebot $s^*$ die Bedingung $s - \alpha_R(100-2s) \geq 0$, was $s^* = 100\alpha_R / (1+2\alpha_R)$ ergibt. Für $\alpha_R = 2$: $s^* = 40$.
Warum das wichtig ist: People will pay, out of their own pocket, to punish someone who treats them unfairly. Offer a stranger a lopsided split of \$100 — \$80 for you, \$20 for them — and they will often reject it, walking away with nothing just to deny you the \$80. Pure self-interest says take the \$20; fairness says refuse. The model adds two feelings to the payoff: the sting of getting less than someone else (envy), which hurts more, and the discomfort of getting more (guilt), which hurts less. That asymmetry is why real offers cluster near a fair split rather than the textbook prediction of one cent. Drag the responder's envy slider and watch the minimum acceptable offer climb.
Abbildung 19.6. Fehr-Schmidt-Ungleichheitsaversion. Höheres $\alpha$ (Neid) erhöht das minimal akzeptable Angebot. Bei $\alpha = \beta = 0$ gilt die Standardtheorie: Jedes positive Angebot wird akzeptiert. Ziehen Sie die Schieberegler.
Abbildung 19.5. Ultimatumspiel-Simulator. Spielen Sie als Antragsteller gegen verschiedene Antwortstrategien. Verfolgen Sie Ihre Erträge über die Runden.
In Diktatorspielen beträgt die durchschnittliche Zuteilung 20–30 %. In öffentlichen-Güter-Spielen hält die Einführung von Bestrafung die Kooperation aufrecht.
The trust game and these Fehr-Schmidt social-preference experiments are the microdata behind a walkthrough on whether trust functions as a form of capital — Trust as capital.
Aufgabe. Ultimatumspiel mit \$100. Anbieter: α_P = 0,5, β_P = 0,3. Antwortender: α_R = 2,0, β_R = 0,6. (a) Minimales akzeptables Angebot. (b) Optimales Angebot. (c) Vergleich mit Standard-Nash.
Lösung.
(a) U_R = s − 2,0(100−2s) = 5s − 200 ≥ 0 ⇒ s* = 40.
(b) U_P = (100−s) − 0,3(100−2s) = 70 − 0,4s, fallend in s. Minimiere s unter s ≥ 40: optimales Angebot s* = 40. U_P = 54, U_R = 0.
(c) Standardpräferenzen (α = β = 0): Angebot \$1, akzeptiert. Fehr-Schmidt: Angebot \$40. Viel näher an den experimentellen Modalangeboten von 40-50 %.
Herbert Simon (1955) argumentierte, dass Akteure satisfizieren statt optimieren: Sie suchen, bis sie eine akzeptable Option finden, und hören dann auf.
Tversky und Kahneman (1974) identifizierten drei Kernheuristiken: Repräsentativität (Wahrscheinlichkeit nach Ähnlichkeit beurteilen), Verfügbarkeit (Häufigkeit nach Leichtigkeit des Erinnerns schätzen) und Verankerung (unzureichende Anpassung von einem Anfangswert).
Gabaix (2014) formalisierte begrenzte Rationalität als Optimierungsproblem: Akteure maximieren den Nutzen abzüglich Aufmerksamkeitskosten $\theta$ pro Dimension. Der Akteur nimmt wahr $\hat{p}_k = \bar{p}_k + m_k(p_k - \bar{p}_k)$.
Warum das wichtig ist: Attention is scarce, and thinking is costly, so people do not optimize over the real world — they optimize over a simplified mental cartoon of it, paying attention only to the dimensions that seem to matter and ignoring the small stuff. This is not stupidity; it is economizing on a genuinely limited resource. It explains why shoppers notice the sticker price but miss the shipping fee, why we anchor on the first number we hear, why a tax that is folded into the price changes behavior less than one added at the register. Simon called it satisficing — good enough, not perfect. Gabaix put a price tag on the attention the perfect version would have required.
Laborexperimente bieten reale monetäre Anreize, Randomisierung und Kontrolle. Stärke: interne Validität. Schwäche: externe Validität.
Feldexperimente betten Manipulationen in reale Umgebungen ein: natürliches Verhalten, kein Bewusstsein, große Skala. Zielkonflikt: weniger Kontrolle für mehr Realismus.
Nachfrageeffekte: Probanden können ihr Verhalten ändern, weil sie wissen, dass sie beobachtet werden, oder die Absicht des Experimentators erraten. Die Täuschungsdebatte: Die Ökonomik hat eine starke Norm gegen Täuschung, anders als die Psychologie.
Die Replikationskrise: Nur 36 % der Psychologiestudien replizierten (Open Science Collaboration, 2015); die Ökonomik liegt höher (~60 %), ist aber dennoch besorgniserregend. Vorregistrierung adressiert P-Hacking und Publikationsverzerrung.
Wenn Entscheidungen von Framing und Defaults abhängen, dann ist Entscheidungsarchitektur — die Art, wie Entscheidungen präsentiert werden — relevant.
Der mächtigste Nudge ist der Default. Organspende: 15–20 % in Opt-in-Ländern, 85–99 % in Opt-out-Ländern. Altersvorsorge-Teilnahme springt von ~50 % auf über 90 % mit Opt-out.
Bei Opt-in ($d=0$): $P = \Phi((v-k)/\sigma)$. Bei Opt-out ($d=1$): $P = \Phi(v/\sigma)$. Die Lücke ist am größten, wenn $v$ positiv, aber moderat ist und $k/\sigma$ nicht trivial.
Warum das wichtig ist: Whatever the default is, most people keep it. Make retirement saving automatic-with-an-opt-out and enrollment jumps from about half to over ninety percent; flip organ donation from opt-in to opt-out and consent rates leap from the teens to the high nineties. The small effort of switching — finding the form, making the decision, acting — is enough to leave most people wherever they were placed. That hands enormous, quiet power to whoever sets the default, which is the entire premise of nudging. Drag the switching-cost slider toward zero and the opt-in and opt-out lines converge: when changing is truly effortless, the default stops mattering.
Abbildung 19.7. Default-Effekt-Simulator. Höhere Wechselkosten vergrößern die Lücke zwischen Opt-in- und Opt-out-Teilnahme. Bei $k = 0$ spielt der Default keine Rolle. Ziehen Sie den Schieberegler.
Das EAST-Rahmenwerk: Easy (Reibung reduzieren), Attractive (auffällig machen), Social (Normen nutzen), Timely (zum richtigen Zeitpunkt anstoßen).
Sludge ist Reibung, die erwünschtes Verhalten entmutigt. Sludge zu reduzieren ist oft so wirksam wie neue Nudges einzuführen.
Bernheim und Rangel (2009): Wohlfahrt anhand von Entscheidungen bewerten, die frei von Verhaltensverzerrungen sind — wenn Akteure gut informiert, aufmerksam und unverzerrt sind.
When Thaler and Sunstein published Nudge in 2008, it seemed like a policy cheat code: redesign defaults and people save more, eat better, donate organs — all without restricting choice. Governments loved it. The UK created a "Nudge Unit," and Obama hired Sunstein as regulatory czar. But the backlash was fierce. Gilles Saint-Paul called it "the tyranny of utility" — technocrats deciding what's good for you while pretending to respect your freedom. Op-eds called nudging "manipulation by the state." Is libertarian paternalism a brilliant synthesis, or a contradiction in terms?
FortgeschrittenDie Effizienzmarkthypothese besagt, dass Preise alle verfügbaren Informationen vollständig widerspiegeln. Behavioral Finance stellt dies in Frage: Viele Händler sind nicht rational, und rationale Arbitrageure unterliegen Grenzen.
Selbstüberschätzung erzeugt exzessiven Handel. Barber und Odean (2000): Die aktivsten Händler erzielten 6,5 Prozentpunkte weniger pro Jahr als die am wenigsten aktiven.
Der Referenzpunkt ist der Kaufpreis. Gewinne im konkaven Bereich (risikoavers, frühzeitig verkaufen); Verluste im konvexen Bereich (risikofreudig, halten).
Aktien performen über 3–12 Monate überdurchschnittlich (Momentum, Jegadeesh-Titman 1993) und über 3–5 Jahre unterdurchschnittlich (Umkehr, DeBondt-Thaler 1985).
Selbst rationale Händler können Fehlbewertungen möglicherweise nicht korrigieren: Noise-Trader-Risiko, Umsetzungskosten und Agency-Probleme schränken sie ein.
DeLong, Shleifer, Summers und Waldmann (1990): Höheres $\mu$ drückt den Preis von den Fundamentaldaten weg; höheres $\rho$ verstärkt die Abweichung; höheres $\gamma$ (Risikoaversion der Arbitrageure) bedeutet weniger aggressiven Handel gegen die Fehlbewertung, sodass die Abweichung zunimmt.
Warum das wichtig ist: The classic defense of efficient markets is that smart money fixes mistakes: if irrational traders push a price too high, arbitrageurs sell until it snaps back. This model shows why that defense leaks. Betting against a crowd of optimists is itself risky — the optimists can stay optimistic, and grow more so, long enough to wipe out the trader who bet against them (Keynes: markets can stay irrational longer than you can stay solvent). Knowing a price is wrong is not the same as being able to profit from it. So noise traders not only survive, they can move prices and earn high returns by bearing the very risk they create. Drag the arbitrageur-risk-aversion slider up and watch the price drift further from fundamentals — that gap is the “as if rational” story failing in the one market where it should have been strongest.
Das Paradoxon: Noise Trader können höhere erwartete Renditen erzielen, indem sie das Risiko tragen, das sie selbst geschaffen haben.
Abbildung 19.8. DSSW-Noise-Trader-Modell. Noise-Trader-Stimmung drückt Preise von den Fundamentaldaten weg. Risikoaverse Arbitrageure können die Fehlbewertung nicht vollständig korrigieren. Ziehen Sie die Schieberegler.
Aufgabe. f = 100, ρ = 0,30, μ = 20 (bullisch), r = 0,05, γ = 2. (a) Gleichgewichtspreis berechnen. (b) Preisabweichung. (c) Was wenn γ = 0?
Lösung.
(a) p = 100 + (2 × 0,30 × 20)/1,05 = 100 + 12/1,05 = 100 + 11,43 = 111,43.
(b) Abweichung: p − f = 11,43. Der Vermögenswert ist überbewertet, da Noise Trader die Preise über die Fundamentaldaten treiben und risikoaverse Arbitrageure sie nicht vollständig ausgleichen.
(c) Mit γ = 0: p = 100 + 0 = 100. Risikoneutrale Arbitrageure handeln aggressiv genug, um die Fehlbewertung vollständig zu beseitigen. Die zentrale DSSW-Erkenntnis: Es ist die Risikoaversion der Arbitrageure (γ > 0), die es den durch Noise Trader verursachten Abweichungen ermöglicht, fortzubestehen.
The 2008 crisis is the event behavioral finance is most often applied to — the economic-history book narrates it: B-Ch.19 — The GFC and after.
Maya legte als Sommeraktion zu jedem Limonadenverkauf einen kostenlosen Keks bei. Der Umsatz stieg moderat — um 8 %. Als Maya den kostenlosen Keks wieder streicht (Rückkehr zum ursprünglichen Preis), ist die Gegenreaktion der Kunden unverhältnismäßig: Beschwerden, negative Bewertungen, verlorene Stammkunden. Der Umsatz sinkt um 15 % — unter das Ausgangsniveau vor der Aktion.
Prospect-Theory-Analyse. Während der Aktion hat sich der Referenzpunkt der Kunden von “Limonade” zu “Limonade + Keks” verschoben. Der Gewinn durch den Keks betrug $v(+\text{Keks}) = (\text{Kekswert})^{0{,}88}$. Aber der Verlust durch das Entfernen beträgt $v(-\text{Keks}) = -2{,}25 \times (\text{Kekswert})^{0{,}88}$. Der empfundene Verlust ist 2,25-mal so groß wie der ursprüngliche Gewinn. Die Aktion war eine Einbahnstraße: leicht zu geben, schmerzhaft wegzunehmen.
Maya entwirft ein Nudge-Experiment. Für ihr Treueprogramm testet Maya zwei Anmeldedesigns als Feldexperiment: Behandlung A (Opt-in): Kunden können sich an der Theke anmelden. Behandlung B (Opt-out): Jeder Kunde bekommt automatisch eine Karte; er kann ablehnen. Mit Gl. 19.9 und $v = 3$, $\sigma = 2$, $k = 2$: Opt-in $P = \Phi(0{,}5) = 0{,}69$; Opt-out $P = \Phi(1{,}5) = 0{,}93$. Mayas Feldexperiment bestätigt die Vorhersage. Sie wechselt für den vollständigen Rollout zu Opt-out.
Kahneman und Tversky (1979). “Prospect Theory: An Analysis of Decision under Risk” ist einer der meistzitierten Aufsätze in der Ökonomik. Veröffentlicht in Econometrica, formalisierte er experimentelle Befunde zu einem kohärenten mathematischen Rahmenwerk. Kahneman erhielt 2002 den Nobelpreis; Tversky war 1996 verstorben.
Maurice Allais (1953). Der französische Ökonom präsentierte sein Paradoxon direkt Leonard Savage. Der Legende nach fiel Savage selbst in das Allais-Muster. Allais erhielt 1988 den Nobelpreis.
Richard Thaler (Nobelpreis 2017). Thalers “Anomalies”-Kolumne katalogisierte systematisch Verhaltensabweichungen. Sein 2008 erschienenes Buch Nudge (mit Sunstein) brachte verhaltensökonomische Erkenntnisse in die Politik und führte weltweit zu “Nudge Units”.
David Laibson (1997). “Golden Eggs and Hyperbolic Discounting” formalisierte das Beta-Delta-Modell und erklärte, warum Menschen gleichzeitig Kreditkartenschulden bei 18 % Zinsen und illiquide Ersparnisse bei 5 % halten.
Shleifer und Vishny (1997). “The Limits of Arbitrage” zeigte, warum rationale Händler Fehlbewertungen nicht beseitigen können, wenn sie fremdes Geld verwalten und Kapitalbeschränkungen unterliegen.
| Bezeichnung | Gleichung | Beschreibung |
|---|---|---|
| Gl. 19.1 | $EU(L) = \sum p_i u(x_i)$ | Erwartungsnutzen |
| Gl. 19.2 | $v(x) = x^\alpha$ (Gewinne), $-\lambda(-x)^\beta$ (Verluste) | Prospect-Theory-Wertfunktion |
| Gl. 19.3 | $w(p) = p^\delta / (p^\delta + (1-p)^\delta)^{1/\delta}$ | Tversky-Kahneman-Wahrscheinlichkeitsgewichtung |
| Gl. 19.4 | $V(L) = \sum w(p_i) v(x_i - r)$ | Prospect-Theory-Bewertung |
| Gl. 19.5 | $U_0 = u(c_0) + \beta \sum \delta^t u(c_t)$ | Quasi-hyperbolisches Diskontieren |
| Gl. 19.6 | $\beta\delta u'(c_1) = u'(c_0) \neq \delta u'(c_1)$ | Zeitinkonsistenz |
| Gl. 19.7 | $U_i = x_i - \alpha_i \max(x_j-x_i,0) - \beta_i \max(x_i-x_j,0)$ | Fehr-Schmidt-Ungleichheitsaversion |
| Gl. 19.8 | $\max u(c) - \theta\|m\|_1$ s.t. $p \cdot c \leq w$ | Gabaix — sparsame Maximierung |
| Gl. 19.9 | $P_{\text{enroll}} = \Phi((v - k(1-d))/\sigma)$ | Default-sensitive Teilnahme |
| Gl. 19.10 | $p_t = f_t + \gamma \rho_t \mu_t / (1+r)$ | DSSW-Noise-Trader-Preisbildung |
Genannte Literatur: Kahneman & Tversky (1979); Tversky & Kahneman (1992); Thaler (1980, 2015); Laibson (1997); Fehr & Schmidt (1999); Gabaix (2014); Shleifer & Vishny (1997); DeLong, Shleifer, Summers & Waldmann (1990).