Die Volatilität als Indikator für Handelsstrategien am amerikanischen Aktienmarkt

Inhaltsverzeichnis

Kurzfassung

Abkürzungsverzeichnis

Symbolverzeichnis

Abbildungsverzeichnis

Tabellenverzeichnis

1. Einleitung
1.1 Problemstellung, Zielsetzung und Forschungsfrage der Arbeit
1.2 Gang der Untersuchung

2. Theoretische Grundlagen
2.1 (Neo)-klassische Kapitalmarktheorie
2.1.1 Charakteristika von Investoren und Kapitalmärkten
2.1.2 Markteffizienz
2.1.3 Capital Asset Pricing Model
2.2 Verhaltensorientierte Kapitalmarkttheorie
2.2.1 Behavioral Finance
2.2.2 Limits to Arbitrage
2.2.3 Ausgewählte Heuristiken
2.3 Der Volatilitätsindex als Indikator für Handelsstrategien
2.3.1 Volatilität
2.3.2 Market Timing
2.3.3 Grundlagen des Volatilitätsindexes
2.3.4 Erklärungsansätze für den Einsatz des Volatilitätsindexes als Market Timer
2.3.4.1 Theoretische Erörterung
2.4.3.2 Empirische Untersuchungen

3. Methodik
3.1 Vorstellung der Untersuchungsmethode und Selektion der Stichprobe
3.2 Systematische Vorgehensweise
3.2.1 Korrelations- und Regressionsanalyse zwischen S&P 500 und VIX
3.2.2 Ausarbeitung von Handelsstrategien
3.2.2.1 Market Timing anhand absoluter VIX - Level
3.2.2.2 Market Timing anhand relativer VIX - Veränderungen

4. Ergebnisse und Diskussion
4.1 Statistischer Zusammenhang
4.1.1 Absolute VIX-Werte sowie S&P 500 Renditen
4.1.2 Relative VIX-Änderungsraten sowie S&P 500 Renditen
4.2 Bewertung der Handelsstrategien
4.2.1 Absolute Indikatoren
4.2.2 Relative Indikatoren
4.3 Implikationen für Investoren

5. Fazit
5.1 Zusammenfassung der Ergebnisse
5.2 Limitationen und weiterführende Forschungsansätze

Anhang

Literaturverzeichnis

Kurzfassung

Die Finanzmarkthistorie ist geprägt von Volatilitätsphänomenen, die nur anhand von erweiterten Finanzmodellen mit einem emotionalen Menschenbild erklärt werden können. In Krisenzeiten neigen viele Investoren durch angstinduzierte Panik zu unüberlegten Handlungen, die zu Über- und Unterreaktionen am Markt führen. Diese Investorenstimmung quantifiziert der Volatilitätsindex (VIX) als Angstbarometer der Anleger. Anstelle des ungestümen Aktionismus bietet Market Timing die Möglichkeit durch passende Indikatoren eine treffsichere Antizipation irrationaler Marktentwicklungen unter Rendite- und Risikogesichtspunkten zu erreichen.

Die Zielsetzung dieser Arbeit ist die Evaluierung der Bedeutung des Volatilitätsindexes als Indikator für Handelsstrategien am amerikanischen Aktienmarkt. Im Fokus steht die Forschungsfrage, inwieweit durch den Einsatz des Volatilitätsindexes eine risikoadjustierte Mehrrendite gegenüber einer buy and hold Strategie erzielt werden kann.

Zur umfassenden Einordnung werden zu Beginn die kapitalmarkttheoretischen Grundlagen erörtert, unter deren Bezugnahme die Ausgangspunkte des VIX als Quelle von Handelsstrategien beschrieben werden. Ziel der darauffolgenden Forschungsmethodik ist die Validierung des statistischen Zusammenhangs zwischen dem Volatilitätsindex und dem amerikanischen Aktienmarkt sowie die Entwicklung von Handelsstrategien mit unterschiedlichen Auslösern auf dem Fundament des Angstbarometers. Anhand der kennzahlenbasierten Empirie werden die Ergebnisse auf eine risikoadjustierte Mehrrendite im Vergleich zur Benchmark geprüft.

Die statistische Analyse im Rahmen dieser Arbeit beweist eine deutlich negative Korrelation der Variablen, sowie gute Renditeprognosen bei dem Einsatz von VIX-Änderungsraten als Regressoren. Die anschließende Gesamtbetrachtung der Market Timing Varianten präsentiert eine Unerreichbarkeit reiner Mehrrenditen im Vergleich zum Markt. Die risikoadjustierte Auswertung hingegen bestätigt die statistischen Ergebnisse, indem die Erfolge der relativen VIX-Änderungsraten als Indikatoren einer Market Timing Strategie präsentiert werden. Daraus resultierend wird Investoren empfohlen ihren Fokus für erfolgreiche Anlageentscheidungen besser auf die Veränderungen des Volatilitätsindexes zu richten anstelle dessen absoluten Werten.

Abkürzungsverzeichnis

Abbildung in dieser Leseprobe nicht enthalten

Abbildungsverzeichnis

Abbildung 1: Marktportfolio des CAPM im Beta-Return-Diagramm

Abbildung 2: S&P 500 TR und VIX im Zeitverlauf

Abbildung 3: Streudiagramm Regression VIX – RSPX

Abbildung 4: S&P 500 TR und VIX-Änderungsraten im Zeitverlauf

Abbildung 5: Streudiagramm Regression RVIX – RSPX

Tabellenverzeichnis

Tabelle 1: Ergebnisse der Simulation von Qadan und Cohen

Tabelle 2: Ergebnisse der Handelsstrategie „Absolut“

Tabelle 3: Entwicklungsphase der Handelsstrategie „Relativ“

Tabelle 4: Überprüfungsphase der Handelsstrategie „Relativ“

Tabelle 5: Gesamtauswertung der Handelsstrategie „Relativ“

1. Einleitung

1.1 Problemstellung, Zielsetzung und Forschungsfrage der Arbeit

Die COVID-19 Pandemie hat zu epochalen Turbulenzen der globale Wirtschaftsaktivität geführt, gefolgt von einem Rückgang des Standard & Poor’s 500 Indexes (S&P 500; Tickersymbol SPX) in 2020 von 41 Prozent innerhalb von zwei Monaten. Bereits fünf Monate darauf erreichte derselbe Index in einem Aufwärtstrend ein neues Allzeithoch.¹

Bei genauerer Betrachtung der bisherigen Finanzmarktgeschichte fallen weitere solcher markanten Ereignisse auf, wie der große Börsencrash 1929 oder die Dot.com Blase Ende der 1990er Jahre. Alle Krisen eint dabei eine extreme Veränderung der Aktienkurse, die durch klassische Kapitalmarktmodelle mit rationalen Marktteilnehmern nicht erklärt werden können. Aus diesem Grund begründeten Verhaltensforscher die Behavioral Finance, indem diese Standardmodelle um Faktoren, wie die Anlegerstimmungen erweitert wurden.²

Eine Möglichkeit die Stimmungen der Marktteilnehmer zu messen, ist der Volatilitätsindex (VIX),³ der auch als „Angstbarometer der Anleger“ bekannt ist.⁴ Angst wird evolutionär als eine Vorahnung möglicher Verletzungen beschrieben, die alle offensiven sowie defensiven Aktivitäten im Körper jedes Lebenswesens wecken kann, um dessen Überleben zu sichern.⁵ Diese Reaktionen werden als fight or flight zusammengefasst.⁶ In den Wirtschaftswissenschaften prägt John Maynard Keynes 1936 den animalischen Geist der Marktteilnehmer, die Entscheidungen aus einem intuitiven Handlungsdrang treffen und nicht auf der rationalen Basis mathematischer Wahrscheinlichkeiten.⁷

Krisensituationen führen bei vielen Anlegern zu angstinduzierter Panik, in der sie regelmäßig die Nerven verlieren und die falschen Schlüsse ziehen.⁸ Buy and hold Strategien erschweren es somit einem Großteil der Investoren diszipliniert zu bleiben.⁹ Der emotionale Stress verleitet Anleger dazu am Tiefstand zu verkaufen und am Hochpunkt zu kaufen.¹⁰ Im Gegensatz dazu bieten Market-Timing-Strategien erhebliche Vorteile¹¹ , indem durch die treffsichere Wahl des richtigen Ein- sowie Ausstiegszeitpunkts die Partizipation an temporären Trends ermöglicht wird.¹² Krisen werden somit zu Chancen in Form von Renditeverbesserung sowie Risikoreduzierung.¹³

Vor diesem Hintergrund ist die Zielsetzung dieser Arbeit, die Bedeutung des Volatilitätsindex als Indikator für Handelsstrategien am amerikanischen Aktienmarkt zu evaluieren. Dabei wird der Forschungsfrage nachgegangen, inwieweit durch den Einsatz des Volatilitätsindexes eine risikoadjustierte Mehrrendite gegenüber einer buy and hold Strategie erzielt werden kann.

Zur Beantwortung dieser übergeordneten Fragestellung werden vier forschungsbegleitende Aspekte abgeleitet: Welche kapitalmarkttheoretischen Rahmenbedingungen begünstigen eine risikoadjustierte Mehrrendite einer VIX-induzierten Handelsstrategie? Welche Bedeutung hat die Volatilität als Indikator für Anlageentscheidungen? Welche Eigenschaften befähigen den Volatilitätsindex als Market Timing Instrument am amerikanischen Aktienmarkt? Wie verhalten sich VIX-gesteuerte Handelsstrategien in verschiedenen Marktphasen?

1.2 Gang der Untersuchung

Im Rahmen dieser Arbeit werden die risikoadjustierten Mehrrenditen von zwei Handelsstrategien mit jeweils verschiedenen Indikatorwerten im Zeitraum vom 01.01.2004 bis 30.06.2021 gegenüber einer buy and hold Strategie evaluiert.

Zur Einordnung gibt das zweite Kapitel zunächst einen ausführlichen Überblick über die theoretischen Grundlagen. Beginnend mit den relevanten Modellen der neoklassischen Kapitalmarkttheorie wird auf deren Grundlage, die Entwicklung der verhaltensorientierten Kapitalmarkttheorie aufgezeigt. Auf diesem Fundament werden die Ursprünge des Volatilitätsindex als Indikator von Handelsstrategien erörtert. Das dritte Kapitel stellt im nächsten Schritt die Forschungsmethodik vor, die anhand eines kurzen Überblicks einleitet und sich anschließend mit dem Stellvertreter des amerikanischen Aktienmarkts sowie der Stichprobenselektion auseinandersetzt. Im Anschluss wird die systematische Vorgehensweise aufgezeigt. Beginnend erfolgt die Validierung des statistischen Zusammenhangs zwischen dem Volatilitätsindex sowie der amerikanischen Benchmark, gipfelnd in zwei Regressionsanalysen. Darauffolgend werden zwei Handelsstrategien mit unterschiedlichen VIX-Auslösern theoretisch entwickelt sowie empirisch anhand fundierter Kennzahlen auf eine risikoadjustierte Mehrrendite geprüft. Kapitel vier präsentiert die gewonnenen Forschungsergebnisse der angewandten Methodik und die daraus abgeleiteten Implikationen für Investoren. Das letzten Kapitel fasst die Erkenntnisse zusammen und zeigt unter Berücksichtigung der Limitationen weitere Forschungsansätze auf.

2. Theoretische Grundlagen

2.1 (Neo)-klassische Kapitalmarktheorie

2.1.1 Charakteristika von Investoren und Kapitalmärkten

Der Idealtyp des Homo oeconomicus stellt die zentrale Grundannahme der neoklassischen Kapitalmarkttheorie dar.¹⁴ Dieses Modell dient zur Beschreibung des Verhaltens der Marktteilnehmer in Entscheidungssituationen.¹⁵ Die Wirtschaftswissenschaften gehen in diesem Fall von dem kontinuierlich rationalen Auftreten des Individuums aus.¹⁶

Konkreter betrachtet basiert der Homo oeconomicus auf drei wesentlichen Prinzipien:

1. Unbegrenzte Rationalität
Der Homo oeconomicus wird als rationaler Nutzenmaximierer verstanden, der uneingeschränkte kognitive Fähigkeiten besitzt. Irrationale Entscheidungen werden grundsätzlich ausgeschlossen.
2. Unbegrenzte Willenskraft
Durch seine Emotionslosigkeit sowie der außerordentlichen Selbstkontrolle wird die Optimierung des Nutzens limitationsfrei ermöglicht.
3. Unbegrenztes Eigennutzenmaximierung
Im Fokus der Individuen stehen immer die individuellen Interessen, die Bedürfnisse anderer Marktteilnehmer sind für sie irrelevant. Fairness sowie eine Reaktion auf regelwidriges Verhalten bleiben bei Entscheidungen unberücksichtigt.¹⁷

Dieses theoretische Fundament ermöglich die Entwicklung von ökonometrischen Theorien und Modellen¹⁸ , von denen Ausgewählte in diesem Kapitel vorgestellt werden.

Der Finanzmarkt gilt als die realste Darstellung des vollkommenen (Kapital-)Marktes, der ebenfalls als Referenzmodell für weiterführende Erklärungsansätze dient.¹⁹

Ein vollkommener Markt zeichnet sich durch die folgenden Merkmale aus. Zu Beginn ist die Absenz von Informations- sowie Transaktionskosten inklusive Steuern festzuhalten. Des Weiteren gelten die Aspekte des Homo oeconomicus in Bezug auf die Rationalität der Marktakteure. Die beliebige Teilbarkeit der handelbaren Finanztitel, das Auftreten der Marktteilnehmer als Mengenanpasser sowie ein einheitlicher Marktzugang für private und gewerbliche Anleger bewirken die Marktvollkommenheit. Letzteres illustriert die Konditionsparität zwischen Unternehmen sowie Privatpersonen am Kapitalmarkt.²⁰

Diese Charakteristika bewirken zusätzlich einen einheitlichen Informationsstand, homogene Erwartungen aller Marktteilnehmer sowie die Abwesenheit von sicheren Gewinnmöglichkeiten (Arbitragefreiheit).²¹

2.1.2 Markteffizienz

Markteffizienz begründet sich in der Annahme, dass Wertpapierpreise alle am Markt verfügbaren Informationen über das zugrundeliegende Unternehmen widerspiegeln. Daraus bedingt sich die Abhängigkeit der Markteffizienz von dem Erfüllungsgrad des vollkommenen Kapitalmarkts. Es gilt, dass ein vollkommener Markt immer effizient ist, ein unvollkommener jedoch nicht automatisch ineffizient sein muss. In Abhängigkeit des Verhältnisses der in den Preisen integrierten Informationen werden drei Charakteristika der Markteffizienz differenziert:²²

1. Schwache Ausprägung

Lediglich die Informationen, die bereits in den historischen Preisen enthalten sind, werden im aktuellen Kurs berücksichtigt.²³ Kursveränderungen entstehen erst aufgrund der Publikation neuer Informationen.²⁴

2. Mittelstarke Ausprägung

Zusätzlich zur schwachen Ausprägung sind neue öffentlich zugängliche Informationen im Preis inbegriffen. Da jeder Investor Zugang zu öffentlichen Informationen hat, können aufgrund dieser Informationen keine außerordentlichen Renditen erzielt werden.²⁵

3. Starke Ausprägung

Die Akteure haben uneingeschränkten Zugang zu allen existierenden Informationen, sowohl öffentlicher, vertraulicher sowie historischer Natur. Es besteht keine Möglichkeit überdurchschnittliche Renditen zu erzielen.²⁶ Kursveränderungen bei ausgeprägter Effizienz werden durch das Random Walk Model beschrieben, nachdem kein Zusammenhang zwischen den verfügbaren Informationen und den Kursveränderungen existiert.²⁷

2.1.3 Capital Asset Pricing Model

Das Capital Asset Pricing Model (CAPM) beschreibt die Preisbildung am Kapitalmarkt unter vorherrschender Unsicherheit. Die Entwicklung basiert auf den Erkenntnissen der Portfolio Selection-Theorie von Markowitz (1952), die das Bewusstsein liefert, Portfolien nicht nur nach der maximalen Rendite zu gestaltet, sondern auch unter Berücksichtigung des Gesamtrisikos. Die beiden Rendite-Parameter der Portfolien sind der Erwartungswert µ sowie die Varianz beziehungsweise dessen Standardabweichung .²⁸

Außerdem werden die Annahmen des vollkommenen Kapitalmarktes respektive die Basis des risikoscheuen Homo oeconomicus herangezogen.²⁹

Im Wesentlichen liefert Markowitz die Erkenntnis, bei gleicher Renditeerwartung die Anlage mit der geringeren Varianz zu präferieren. Das Ergebnis dieser Überzeugung sind risikoeffiziente Portfolien, die eine große Diversifikation durch möglichst negativ korrelierende Titel aufweisen und je nach Risikoneigung des einzelnen ausgestaltet sind. Alle effizienten Portfolien bilden abschließend den effizienten Rand in einem -µ-Diagramm.³⁰

Die Originalform des CAPM entwickelten Sharpe, Lintner und Mossin nahezu zeitgleich sowie unabhängig voneinander in den 1960er Jahren.³¹ Die zentralen Annahmen im CAPM sind, dass Geld zu einem identischen risikolosen Zinssatz sowohl angelegt als auch aufgenommen werden kann.³² Zudem verfügen alle Investoren über homogene Erwartungen und investieren demnach in das gleiche optimale Marktportfolio (M), das alle erhältlichen risikohaften Anlagen umfasst.³³ In diesem Ein-Faktor-Modell ist die erwartete Rendite lediglich vom Faktor des systematischen Risikos abhängig, deren Beziehung linear dargestellt wird. Das unsystematische Risiko ist aufgrund der Diversifikation des Markportfolios nicht maßgebend.³⁴ Das Beta stellt eine Sensitivitätsgröße dar und beschreibt wie stark sich die Veränderungen der Marktrenditen auf die Portfoliorenditen auswirken. Als Benchmark besitzt das Marktportfolio immer ein Beta von eins. Ist das Beta des Wertpapiers größer als eins, folgt eine höhere Schwankung/erwartete Rendite als der Markt, für Betas kleiner eins vice versa. Negative Betafaktoren deuten eine inverse Entwicklung im Vergleich zum Markt an.³⁵

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 1: Marktportfolio des CAPM im Beta-Return-Diagramm³⁶

Im CAPM ist der risikofreie Zinssatz die grundsätzliche Entschädigung für die zeitliche Kapitalüberlassung mit einem Betafaktor von Null. Sobald eine Anlage mit systematischem Risiko verbunden ist, erwartet der Investor eine zusätzliche Vergütung für das Wagnis, proportional zum entsprechenden Beta. Das Beta-Return-Diagramm verdeutlicht den Zusammenhang zwischen dem systematischen Risiko sowie der Portfoliorendite ( ) und illustriert das Marktportfolio (M). Die Securitiy Market Line (SML) gibt für jeden Betafaktor die zu erwartende Rendite gemäß dem CAPM wieder.³⁷

Bei informationseffizienten Märkten liegen sämtliche Portfolien auf der SML, bei Ineffizienten finden, infolge gezielter Preiskorrekturen durch Arbitrageure alle Anlagen kurzfristig wieder auf die SML zurück (Gleichgewichtsmodell).³⁸

Zusammenfassend kann jeder Anleger die Allokation zwischen Marktportfolio sowie risikofreier Anlage gemäß seiner individuellen Risikobereitschaft bestimmen. Unterschiedliche Renditen bei gleichem Risiko sind ausgeschlossen.³⁹

2.2 Verhaltensorientierte Kapitalmarkttheorie

2.2.1 Behavioral Finance

Die Effekte psychologischer Faktoren auf den Kapitalmarkt formuliert Keynes bereits 1936, indem er auf einen übermäßigen Einfluss von täglichen Schwankungen bestehender Anlagen auf den Gesamtmarkt hinweist. Daraus lässt sich ableiten, dass menschliche Entscheidungen nicht immer von einem strikt rationalen Ausgangspunkt getroffen werden, sondern auf Emotionen oder Zufall zurückgreifen.⁴⁰

Die Behavioral Finance entstand als Reaktion auf die Problemstellungen der traditionellen Kapitalmarkttheorien mit zwei wesentlichen Elementen: Zum einen die Grenzen der Arbitrage und zum anderen die Psychologie, die Abweichungen von vollständiger Rationalität und daraus entstehende Verhaltensanomalien beschreibt.⁴¹ Ziel dieser neuen Denkansätze ist die Erweiterung bestehender ökonomischer Theorien, um deren Leistungsfähigkeit zu erhöhen.⁴²

Das irrationale Individuum geht nicht mit der neoklassischen Theorie einher, die auf der Annahme des Homo Oeconomicus basiert.⁴³ In der Realität werden Entscheidungen häufig unvollständig informiert getroffen, da die Beschaffung von Informationen mit Aufwand verbunden ist.⁴⁴ Außerdem müssen Entschlüsse häufig unter Zeitdruck getroffen werden, was wiederum in psychologischem Stress resultiert.⁴⁵ Zusätzlich ist die kognitive Verarbeitungsfähigkeit des Menschen beschränkt, sodass komplexe Entscheidungssituationen nicht vollständig durchdacht werden können.⁴⁶ Daraus ergibt sich eine begrenzte Rationalität, die Menschen dazu verleitet Heuristiken zur einfachen Problemlösung heranzuziehen.⁴⁷ Eine begrenzte Willenskraft bewegt Individuen darüber hinaus dazu, unbequeme Entscheidungen zu vertagen.⁴⁸ Außerdem weisen Menschen einen beschränkten Eigennutz auf, sind daher auf Fairness bedacht und bestrafen unfaires Verhalten anderer.⁴⁹ Das Auftreten der Individuen ist somit weder zufällig, noch streng rational und folgt dem Ziel, die befriedigendste Lösung im Sinne eines bestimmten Zufriedenheitsniveaus zu erreichen.⁵⁰

2.2.2 Limits to Arbitrage

Arbitrage wird durch das Verhalten irrationaler Marktteilnehmer, sogenannter Noise-Trader, ermöglicht. Wie rationale Arbitrageur davon profitieren zeigt sich im folgenden Beispiel:⁵¹

Der fundamentale Wert der X-Aktie beträgt 40 Euro. Irrationale Händler werden pessimistisch bezüglich der Perspektiven des X-Unternehmens und drücken den Kurs in Folge von Verkäufen auf 35 Euro. Rationale Händler, die eine attraktive Chance wittern, kaufen die X-Aktie. Zum Schutz vor Kursrisiken, leerverkaufen Arbitrageure ein Wertpapiersubstitut, welches zukünftig einen möglichst ähnlichen Cashflow wie X aufweist. Der Kaufdruck auf die X-AG bringt deren Preis wieder auf den fundamentalen Wert zurück, wodurch der Arbitrageur Kursgewinne generiert und der Markt wieder effizient wird. Ein fallender Gesamtmarkt wird durch die Gewinne aus der Absicherung ausgeglichen.⁵²

Wie bereits in Kapitel 2.1 beschrieben spiegeln auf effizienten Märkten die Preise jederzeit den fundamentalen Wert des Wertpapiers wider.⁵³ Auf ineffizienten Märkten führt nach der neo-klassische Kapitalmarkttheorie sowohl der Wettbewerb zwischen verschiedenen Anlegern als auch die Arbitrage dazu, dass sich die Aktienkurse nahe an ihrem fundamentalen Wert halten.⁵⁴ Empirische Forschungsergebnisse hingegen beschreiben psychologische Faktoren sowie Noise-Trading als Limitationen der Arbitrage. Infolge der Limitationen treten erhebliche und andauernde Wertabweichungen der Aktienkurse von deren Fundamentalwerten auf, die im Widerspruch zur Effizienzmarkthypothese stehen.⁵⁵ Die Auswirkungen verstärken sich je kleiner, respektive illiquider, die Unternehmen sind.⁵⁶

Die Literatur diskutiert zahlreiche Grenzen der Arbitrage, von denen einige exemplarisch aufgeführt werden:⁵⁷

1. Da selten perfekte Wertpapiersubstitute existieren, ist eine ausnahmslose Absicherung illusorisch. Somit können trotz des Leerverkaufs bei einem Gesamtmarktrückgang Verluste für den Arbitrageur entstehen. Außerdem verringern Gebühren für Leerverkäufe sowie gesetzliche Restriktionen die Attraktivität von Arbitrage.⁵⁸

2. Die Agency-Problematik beschreibt die diffizile Beziehung zwischen Arbitrageur und fachfremden Geldgebern. Die Kapitalgeber können dem Arbitrageur aus Angst vor vermeintlichen Verlusten Kapital abziehen. Infolgedessen muss der Arbitrageur Positionen mit hoher erwarteter Rendite frühzeitig mit Kursverlusten liquidieren.⁵⁹

3. Noise führt zum einen zu ineffizienten Märkten und hindert zum anderen in der Regel daran diese Ineffizienzen zu nutzen.⁶⁰ Da ein Großteil der Arbitrageure einen eher kurzen Zeithorizont besitzen, ein von Noise Tradern induzierter Trend jedoch längerfristig anhalten kann, befürchten Arbitrageure, Vermögenswerte mit Kursverlusten liquidieren zu müssen. Dies begrenzt ihre Aggressivität auch bei fehlendem Fundamentalrisiko.⁶¹ Dass Noise Trader für ein selbst verursachtes Risiko entschädigt werden können illustriert der GameStop-Hype 2021.⁶²

2.2.3 Ausgewählte Heuristiken

Verhaltensmodelle erklären in Verbindung mit der begrenzten Rationalität die irrationale Art und Weise, wie Akteure Annahmen bilden.⁶³ Heuristiken werden zur effizienteren Problemlösung genutzt.⁶⁴ In ungewissen Situationen sowie bei Entscheidungen unter Unsicherheit, müssen Individuen die Wahrscheinlichkeiten für bestimmte Ereignisse schätzen⁶⁵ , beispielweise den Ausgang einer Wahl.⁶⁶ In solchen Fällen verlassen sie sich auf heuristische Prinzipien, um komplexe Bewertungen von Wahrscheinlichkeiten sowie Ergebnisprognostizierungen auf vereinfachte Regularien zu reduzieren.⁶⁷ In Folge der Anwendung von Daumenregeln können Verzerrungen auftreten.⁶⁸

Exemplarisch werden im Folgenden drei Heuristiken dargelegt:

1. Representativeness

Diese Faustregel nutzen Individuen, um die Wahrscheinlichkeit zu bewerten, dass ein Gegenstand A zur Gattung B gehört.⁶⁹ Ist das Objekt repräsentativ für die Klasse, wird die Zugehörigkeitswahrscheinlichkeit zu dieser entsprechend hoch eingeschätzt.⁷⁰ Die Person im teuren Anzug (A) wird eher als Banker (B) betrachtet als der Motorradfahrer in Lederkleidung (A).⁷¹ Representativeness bedingt weitreichende Effekte, wie die Gambler’s falacy oder die Neigung vieler Investoren, inexistente kausale Zusammenhänge anzunehmen.⁷²

2. Overconfidence

Individuen beurteilen ihre Fähigkeiten egozentrisch, indem sie sich selbst oder Informationen systematisch unter- oder überbewerten. Die Auswirkung auf das Individuum hängt von der Informationsverteilung auf dem Markt ab.⁷³ Dabei werden zwei Ausprägungen der Overconfidence unterschieden. Zum einen sind die Vertrauensbereiche bei Schätzungen deutlich zu eng. Die 98-prozentigen Konfidenzintervalle umfassen die korrekte Menge in nur 60 Prozent der Begebenheiten.⁷⁴ Zum anderen sind Prognosen von Marktteilnehmern unpräzise. Vermeintlich sichere Ereignisse treten nur zu 80 Prozent ein, unmögliche Begebenheiten tauchen dennoch in 20 Prozent der Fälle auf.⁷⁵ Menschen überschätzen ihre individuellen Leistungen und gehen davon aus, dass sich gute Ereignisse außergewöhnlich häufig ereignen.⁷⁶ Overconfidence gilt als Basis für weitere Heuristiken⁷⁷ sowie als Auslöser für Über- und Unterreaktionen am Kapitalmarkt.⁷⁸

3. Conservatism

Menschen weichen grundsätzlich nur zögerlich von ihren Ansichten ab. Bei der Konfrontation mit neuen Informationen, die nicht mit ihren Erwartungen übereinstimmen, unterbewerten Individuen deren Wert und aktualisieren ihre Einschätzungen fehlerhaft.⁷⁹

[...]

---

¹ Vgl. Yilmazkuday, H. (2021), S. 1.

² Vgl. Baker, M.; Wurgler, J. (2007), S. 129-130.

³ Vgl. Fassas; Hourvouliades (2019), S. 1.

⁴ Vgl. Whaley, R. E. (2009), S. 99-100.

⁵ Vgl. Crile, G.W. (1910), S. 893.

⁶ Vgl. Cannon, W. B. (1915), S. 205-212.

⁷ Vgl. Keynes, J. M. (1936), S. 81-82.

⁸ Vgl. Peterreins, H. (2008), S. 27.

⁹ Vgl. Cloutier, R.; Djatej, A.; Kiefer, D. (2017), S. 27.

¹⁰ Vgl. Lo, A. W. (2019), S. 3.

¹¹ Vgl. Cloutier, R.; Djatej, A.; Kiefer, D. (2017), S. 27.

¹² Vgl. Ernst, D.; Schurer, M. (2015), S. 57 .

¹³ Vgl. Shilling, A. G. (1992), S. 46-50.

¹⁴ Vgl. Schulmeister (2019), S. 5.

¹⁵ Vgl. Kirchgässner, G. (2008), S. 11.

¹⁶ Vgl. Kirchgässner, G. (2008), S. 1.

¹⁷ Vgl. Beck, H. (2014), S. 2.

¹⁸ Vgl. Beck, H. (2014), S. 1.

¹⁹ Vgl. Löchel, H. (2003), S. 127.

²⁰ Vgl. Breuer, W. (2008) S. 82; Franke, G.; Hax, H. (2004), S. 343 f.; Jevons, W. S. (1879), S. 91; Swoboda, P. (1991) S. 93.

²¹ Vgl. Breuer, W. (2008), S. 82-83.

²² Vgl. Fama, E. F. (1970), S. 383-391.

²³ Vgl. Fama, E. F. (1970), S. 383-391.

²⁴ Vgl. Mondello, E. (2017), S. 48.

²⁵ Vgl. Mondello, E. (2017), S. 48-49.

²⁶ Vgl. Mondello, E. (2017), S. 50.

²⁷ Vgl. Amenc, N.; Le Sourd, V. (2003), S. 12-13; Fama, E. F. (1970), S. 386-387.

²⁸ Vgl. Markowitz, H. (1952), S. 77 ff.; Ziemer, F.; Knoll, L.; Lorenz, D.; Wenger, E. (2018), S. 121.

²⁹ Vgl. Jensen, M. C.; Black, F.; Scholes, M. S. (1972), S. 79; Schuhmacher, F.; Breuer, W. (2010), S. 389.

³⁰ Vgl. Markowitz, H. (1952), S. 77 ff.; Ziemer, F.; Knoll, L.; Lorenz, D.; Wenger, E. (2018), S. 121 ff.

³¹ Vgl. Lintner, J. (1965), S. 578 ff.; Mossin, J. (1966), S. 768 ff.; Schuhmacher, F.; Breuer, W. (2010), S. 389; Sharpe, W. F. (1964), S. 425 ff.

³² Vgl. Mondello, E. (2015), S. 245-253.

³³ Vgl. Mondello, E. (2015), S. 245-253.

³⁴ Vgl. Mondello, E. (2015), S. 236.

³⁵ Vgl. Mondello, E. (2015), S. 245 f.; Mondello, E. (2017), S. 194-196; Spremann, K.; Gantenbein, P. (2019), S. 245; Ziemer, F.; Knoll, L.; Lorenz, D.; Wenger, E. (2018), S. 142-143.

³⁶ Eigene Darstellung in Anlehnung an Ziemer, F.; Knoll, L.; Lorenz, D.; Wenger, E. (2018), S. 129.

³⁷ Vgl. Spremann, K.; Gantenbein, P. (2019), S. 245-247; Ziemer, F.; Knoll, L.; Lorenz, D.; Wenger, E. (2018), S. 141.

³⁸ Vgl. Mondello, E. (2015), S. 250-251.

³⁹ Vgl. Roßbach, P. (2001), S. 6.

⁴⁰ Vgl. Keynes, J. M. (1936), S. 78-82.

⁴¹ Vgl. Barberis, N.; Thaler, R. (2003), S. 1052-1053, 1111.

⁴² Vgl. Beck, H. (2014), S. 8-10.

⁴³ Vgl. Beck, H. (2014), S. 4; Pelzmann, L. (2010), S. 5.

⁴⁴ Vgl. Kirchgässner, G. (2008), S. 15-16.

⁴⁵ Vgl. Becker, G. S. (1962), S. 1-13; Kirchgässner, G. (2008), S. 15-16; Roßbach, P. (2001), S. 11.

⁴⁶ Vgl. Averbeck, D. (2018), S. 48; Roßbach, P. (2001), S. 11.

⁴⁷ Vgl. Beck, H. (2014), S. 2-3; Simon, H. A. (1955), S. 99-114.

⁴⁸ Vgl. Beck, H. (2014), S. 2-3.

⁴⁹ Vgl. Beck, H. (2014), S. 2-3.

⁵⁰ Vgl. Becker, G. S. (1962), S. 1-13; Kirchgässner, G. (2008), S. 16; Roßbach, P. (2001), S. 11-12.

⁵¹ Vgl. Beck, H. (2014), S. 5.

⁵² Eigenes Beispiel in Anlehnung an Barberis, N.; Thaler, R. (2003), S. 1054-1056.

⁵³ Vgl. Barberis, N.; Thaler, R. (2003), S. 1054.

⁵⁴ Vgl. Kapitel 2.1.3; Jacobs, B. I.; Levy, K. N. (1988), S. 47.

⁵⁵ Vgl. Jacobs, B. I. ; Levy, K. N. (1988), S. 47.

⁵⁶ Vgl. Hirshleifer, D. (2001), S. 1537.

⁵⁷ Vgl. Averbeck, D. (2018), S. 26 ff.; Barberis, N.; Thaler, R. (2003), S. 1052 ff.; De Long, J.B.D.; Shleifer, A.; Summers, L.; Waldmann, R. J. (1990), S. 703 ff.; Klöhn, L. (2006), S. 126 ff.; Li, X.; Sullivan, R.N.; Garcia-Feijóo, L. (2014), S.52 ff.; Omoruyi, A.; Monday, O. (2017), S. 232 ff.; Shleifer, A.; Vishny, R. W. (1997), S. 35 ff.

⁵⁸ Vgl. Barberis, N.; Thaler, R. (2003), S .1056-1059.

⁵⁹ Vgl. Shleifer, A.; Vishny, R.W. (1997), S. 35-37.

⁶⁰ Vgl. Black, F. (1986), S. 529.

⁶¹ Vgl. De Long, J.B.D.; Shleifer, A. ; Summers, L. ; Waldmann, R.J. (1990), S. 734-738.

⁶² Vgl. Jones, C. (2021), S. 1-17.

⁶³ Vgl. Barberis, N. ; Thaler, R. (2003), S. 1063; Klöhn, L. (2006), S.92; Simon, H.A. (1955), S. 99-114.

⁶⁴ Vgl. Beck, H. (2014), S. 25.

⁶⁵ Vgl. Beck, H. (2014), S. 25-26.

⁶⁶ Vgl. Tversky, A.; Kahneman, D. (1974), S. 1124

⁶⁷ Vgl. Tversky, A.; Kahneman, D. (1974), S. 1124

⁶⁸ Vgl. Klöhn, L. (2006), S. 92; Tversky, A.; Kahneman, D. (1974), S. 1124.

⁶⁹ Vgl. Kahneman, D.; Tversky, A. (1972), S. 430; Tversky, A.; Kahneman, D. (1974), S. 1131.

⁷⁰ Vgl. Beck, H. (2014), S. 28-29; Camerer, C.; Loewenstein, G. (2004), S. 10.

⁷¹ Vgl. Beck, H. (2014), S. 28-29.

⁷² Vgl. Averbeck, D. (2018), S. 44.

⁷³ Vgl. Beck, H. (2014), S. 5 8; Odean, T. (1998), S. 1888.

⁷⁴ Vgl. Alpert, M.; Raiffa, H. (1982), S. 294 ff.; Barberis, N.; Thaler, R. (2003), S. 1063-1064.

⁷⁵ Vgl. Barberis, N.; Thaler, R. (2003), S. 1063-1064; Fischhoff, B.; Slovic, P.; Lichtenstein, S. (1977), S. 552 ff.

⁷⁶ Vgl. Beck, H. (2014), S. 60.

⁷⁷ Vgl. Averbeck, D. (2018), S. 65-67; Beck, H. (2014), S. 60; Klöhn, L. (2006), S. 120-121.

⁷⁸ Vgl. Daniel, K.; Hirshleifer, D.; Subrahmanyam, A. (1998), S. 1839 ff.; Fama, E.F. (1998), S. 283 ff.

⁷⁹ Vgl. Klöhn, L. (2006), S. 107; Edwards, W. (1982), S. 359-369.