Smart Money? Der Erfolg von Prognosemärkten


Bachelorarbeit, 2013

46 Seiten, Note: 1,7


Leseprobe

Inhaltsverzeichnis

1 Einführung

2 Grundlagen
2.1 Markteffizienzhypothese
2.2 Arten von Prognosemärkten
2.3 Funktionsweise von Prognosemärkten
2.4 Marginal-Trader-Hypothese

3 Vorhersagegenauigkeit
3.1 In der Politik
3.2 In Unternehmen
3.2.1 Hewlett-Packard
3.2.2 Intel
3.2.3 Siemens

4 Ineffizienzen und Probleme
4.1 Ableitung von Wahrscheinlichkeiten aus Preisen
4.2 Favorite-Longshot Bias
4.3 Manipulation
4.4 Verbriefbarkeit der relevanten Frage

5 Fazit

A Anhang
A.1 Abbildungen
A.2 Tabellen

Abbildungsverzeichnis

1 Marktteilnehmer suchen neue Informationen

12 Nachfrage und Erwartungsverteilung nach Manski’s Modell

2 Vorhersagen des IEM und tatsächliche Wahlergebnisse

3 Durchschnittlicher absoluter Vorhersagefehler des IEM und Umfragen

4 IEM und Umfragen im Zeitverlauf

5 Umfragen zeigen hohe Volatilität

6 Bereinigte Prognosemärkte sind genauer als bereinigte Umfragen . .

7 „Projekt wird vor Ende September fertiggestellt“ - Siemens

8 „Wie groß wird die Verspätung des Projektes?“ - Siemens

9 „Projekt wird vor Ende Oktober fertiggestellt“ - Siemens

10 „Wie groß wird die Verspätung des Projektes mit neuer Frist?“ - Siemens

11 Wahlprognosen der FDP in Berliner Tageszeitungen

13 Nachfrage in Abhängigkeit der Erwartungen

14 Gleichgewichtspreise zu verschiedenen Erwartungen

15 Gleichgewichtspreise zu verschiedenen Erwartungen bei zerstreute- rer Erwartungsverteilung

16 Favorite-Longshot-Bias in Google’s Prognosemärkten

Tabellenverzeichnis

1 Binomialtest zu verschiedenen Zeitspannen von Wahlumfragen

2 Binomialtest zu spezifischen Zeitspannen von Wahlumfragen

3 Zusammenfassung von Vorhersagen und Fehlern - Hewlett-Packard

4 t-Test Vergleich zwischen offiziellen Vorhersagen und Märkten - Hewlett-Packard

5 Vorhersage der Über-/Unterschätzung der offiziellen Vorhersagen - Hewlett-Packard

6 Effekt von Manipulationsversuchen auf dem IEM

7 Nachfragefunktionen zu verschiedenen Nutzenfunktionen

Abkürzungsverzeichnis

Abbildung in dieser Leseprobe nicht enthalten

1 Einführung

If only HP knew what HP knows, we would be three-times more productive.1 Ob Wissensmanagement im Unternehmen oder Umfragen zu kommenden Wahlen, das Problem ist beide Male das Gleiche: „Wie können über mehrere Personen gestreute Informationen gesammelt und zugänglich gemacht werden?“ Hayek (1945) sprach bereits von der Fähigkeit von Märkten Informationen zu sammeln. Aktionäre wer- den z. B. Meldungen über die künftige Ertragslage eines Unternehmens nutzen, um daran den fairen Wert seiner Aktien zu beurteilen und entsprechend zu han- deln. In Prognosemärkten wird diese Rolle der Märkte genutzt, um Vorhersagen zu bestimmten Ereignissen treffen zu können. Seit 1988 wird an der Universität von Iowa daher der Iowa Electronic Market (IEM) betrieben, um u. a. Vorhersagen zu den amerikanischen Präsidentschaftswahlen zu treffen. Der Erfolg dieses Marktes und die Verbreitung des Internets, in dem sich Informationen schnell verbreiten, hat zu einem steigenden Interesse an Prognosemärkten in den letzten Jahrzehnten geführt. Der Anwendungsbereich ist stark gewachsen und erstreckt sich mittlerwei- le von der Vorhersage von Oscar-Nominierungen2 bis hin zur Wahrscheinlichkeit einer Mondbasis vor dem Jahr 2025.3 Auch große Konzerne nutzen mittlerwei- le Prognosemärkte um bessere Entscheidungen treffen zu können (Cowgill et al., 2009). Dem Urteil der Märkte kommt daher große Bedeutung zu, da es Einfluss auf die Wahl und Umsetzung von teuren Investitionen haben kann.

Angesichts dessen stellt sich im Rahmen dieser Arbeit die Frage, ob Prognosemärk- te in der Lage sind stets effiziente Vorhersagen zu treffen, die dieser Rolle gerecht werden. In Kapitel 2 wird dafür als erstes eine theoretische Grundlage geschaffen, welche die Grundprinzipien, auf denen diese Märkte aufbauen, erklärt. Dabei wird gezeigt, wie Prognosemärkte Wahrscheinlichkeiten und Erwartungswerte schätzen können, indem Marktteilnehmer auf ihnen handeln. In Kapitel 3 wird verglichen, wie effizient Prognosemärkte in der Vergangenheit in verschiedenen Anwendungs- bereichen waren. Als traditionelle Vorhersagemethoden dienen hier Umfragen und Expertenmeinungen als Vergleichsgegenstand. In Kapitel 4 wird das Augenmerk auf offene Fragen und Ineffizienzen gelegt, welche die Grenzen dieser Märkte als Vorhersagemethode aufzeigen. Im letzten Kapitel werden diese Erkenntnisse ab- gewogen und verdeutlicht, unter welchen Umständen die Vorhersagen eines Pro- gnosemarkets zur Entscheidungsfindung genutzt werden können.

2 Grundlagen

2.1 Markteffizienzhypothese

Nach Fama (1970) behauptet die Markteffizienzhypothese, dass Preise an Fianz- märkten in der Hinsicht effizient sind, dass verfügbare Informationen durch Händ- ler bereits eingepreist wurden. Es lassen sich drei Formen der Informationseffizienz unterscheiden. In der schwachen Form sind alle Informationen aus vergangenen Preisen bereits im aktuellen Preis reflektiert. Zukünftige Preise können nicht an Hand der Vergangenheit, z. B. durch Trendfolge, vorhergesagt werden. Bei der mittelstarken Form sind zusätzlich alle zurzeit verfügbaren öffentlichen Informa- tionen bereits im Preis enthalten. Auf neue Informationen reagiert der Preis un- verzüglich, sodass es nicht möglich ist durch diese Informationen eine Überrendite zu erwirtschaften. In der starken Form sind letztendlich alle Informationen, also auch private Insiderinformationen, zu jeder Zeit im Preis reflektiert. Fama sieht diesen Extremfall nicht als realistisch an und schlägt vor, ihn als Vergleichsba- sis zu nutzen. Das Verbot von Insiderhandel sollte in der Theorie ebenfalls gegen die starke Form der Informationseffizienz sprechen. Gesetze können aber Verstöße nicht verhindern. Fama (1970) berichtet von empirischen Untersuchungen die seine Annahme, dass Preise Informationen effizient reflektieren, unterstützen. Nach der Markteffizienzhypothese sind daher auch auf Prognosemärkten alle vorhandenen und für die Vorhersage relevanten Informationen durch die Marktteilnehmer einge- preist. Dies macht es möglich davon auszugehen, dass Preise auf Prognosemärkten genau Vorhersagen ermöglichen.

2.2 Arten von Prognosemärkten

Ein Prognosemarkt bindet die Auszahlung eines Kontraktes an den Ausgang ei- nes Ereignisses. Solche Ereignisse können aus den verschiedensten Bereichen wie z. B. Sport, Wirtschaft und Politik stammen und müssen eindeutig beschrieben werden. Dies geschieht meist durch die Koppelung eines erwarteten Zustandes an einen zeitlichen Rahmen z. B. „Die Partei X zieht bei der Bundestagswahl 2013 in den Bundestag ein.“ Wolfers und Zitzewitz (2004) sprechen von drei Arten von Pro- gnosemärkten, die sich hauptsächlich durch ihre Auszahlungsstruktur unterschei- den. Dadurch lassen sich unterschiedliche Parameter wie die Wahrscheinlichkeit des Eintretens eines Ereignisses oder den Mittelwert und Median einer unbekann- ten Menge erheben. Bei einem winner-takes-all -Kontrakt erhält der Inhaber einen festgelegten Betrag, z. B. $ 1, falls das beschriebene Ereignis eintritt. Tritt das Er- eignis nicht ein, so zahlt der Kontrakt $ 0 aus. Der Preis eines solchen Kontraktes wird sich daher zwischen $ 0 und $ 1 bewegen. Bei Ablauf des Kontraktes in dem beschriebenen Zeitrahmen, wird genau einer der beiden Zustände realisiert sein. Der Preis ist daher als Wahrscheinlichkeit zu interpretieren, das der Kontrakt $ 1 auszahlt und das Ereignis eintritt. Marktteilnehmer werden einen Kontrakt der zu $ 0.6 notiert kaufen, wenn ihre persönliche Einschätzung, dass das Ereignis eintritt größer als 60 % ist. Ist ihre Erwartung kleiner, werden sie entsprechend verkaufen. Ein Index-Kontrakt könnte lauten: „$ 1 für je 10.000 Stimmen die auf Partei X bei der Bundestagswahl 2013 entfallen“. Im Gegensatz zum winner-takes-all -Kontrakt ist die endgültige Auszahlungshöhe anfangs nicht bekannt. Ein Marktteilnehmer würde diesen Kontrakt zu $ 140 kaufen, wenn er davon ausgeht, dass Partei X mehr als 1.4 Millionen Stimmen erhält. Bei letztendlich 1.5 Millionen Stimmen würde er $ 150 pro Kontrakt erhalten für die er $ 140 pro Kontrakt investiert hat. Bei weniger als 1.4 Millionen Stimmen erleidet er daher einen Verlust. Der Preis gibt in diesem Fall Aufschluss darüber, welchen Mittelwert an Stimmen die Marktteil- nehmer erwarten.

Ein Spread-Kontrakt hat feste Kosten von $ 1 und zahlt $ 2, wenn z. B. „Partei X mehr als y* % der Stimmen bei der Bundestagswahl 2013 erhält“, anderenfalls verliert der Inhaber seinen Einsatz. Ein Marktteilnehmer kann also nur eine unter- schiedlich große Anzahl an Kontrakten kaufen z. B. 10 Kontrakte zu y*=47. Durch dieses Handeln ändert sich y*. Bei einem Kosten/Auszahlung-Verhältnis von 1:2 müssen also zu y* genau soviele Kontrakte gekauft wie verkauft worden sein. Die eine Hälfte an Marktteilnehmern verdoppelt dabei ihren Einsatz, während die an- dere ihren verliert. y* stellt somit einen Wert dar, bei dem genau die Hälfte der Marktteilnehmer mehr als y* % der Stimmen für Partei X erwarten. Dieser Wert wird Median genannt.

Durch Kombination und Abwandlung dieser Typen lassen sich weitere Informationen über ein Ereignis erlangen. Eine Serie von winner-takes-all -Kontrakten sind in der Lage die Wahrscheinlichkeitsverteilung für dieses Ereignis zu enthüllen. Jeder Kontrakt müsste dafür in unserem Beispiel in der Art „Die Partei X erhält zwischen x % und y % der Stimmen bei der Bundestagswahl 2013“ jeweils einen eigenen Bereich markieren, für den dann die Wahrscheinlichkeit erhoben wird. Durch hinzufügen von Nebenbedingungen bei der Beschreibung des Ereignisses, lässt sich der Einfluss dieser Nebenbedingungen auf das Ereignis untersuchen. Hierbei ergibt sich aber das Problem Ursache von Wirkung zu trennen.

2.3 Funktionsweise von Prognosemärkten

Um solche Vorhersagen mit hoher Genauigkeit zu ermöglichen, muss nach Snow- berg et al. (2012) ein Prognosemarkt drei Voraussetzungen erfüllen. Als erstes muss er einen Mechanismus bieten, um Informationen zu sammeln. Im häufigsten Fall geschieht dies durch einen bei Finanzmärkten üblichen Auktions- prozess, bei dem Nachfrager angeben, wie viele Kontrakte sie zu einem Geldkurs bereit sind zu kaufen. Gleichzeitig geben Anbieter an, zu welchem Briefkurs sie welche Mengen an Kontrakten verkaufen würden. Im Gleichgewichtspreis stimmen die Erwartungen beider Seiten überein und die größtmögliche Anzahl an Kontrak- ten wird gehandelt. Ein weiterer Marktmechanismus ist der Totalisator, welcher gewöhnlich bei Pferdewetten angewandt wird. Jeder Marktteilnehmer setzt einen Betrag auf das Eintreten oder Nicht-Eintreten eines Ereignisses. Aus dem Ver- hältnis des auf den jeweiligen Zustand gesetzten Geldes zum Gesamtbetrag aller Wetten ergibt sich die Quote. Bis zum Schließen des Marktes sieht jeder Markt- teilnehmer die Quote, wie wenn keine weiteren Wetten mehr entgegengenommen werden würden. Die Gewinner erhalten ihren Einsatz multipliziert mit der Quote zurück, sodass alles Geld an die Gewinner verteilt wird. Der Vorteil dieses Mecha- nismusses ist, dass die Marktteilnehmer keinen direkten Handelspartner brauchen und bei dünnen Märkten die mangelnde Liquidität nicht die Effizienz des Marktes beeinflusst. Die durch Hanson (2002) begründeten market scoring rules belohnen einen einzelnen Marktteilnehmer, wenn er eine genaue Vorhersage macht. Andere Teilnehmer werden versuchen diese Vorhersage zu übertreffen, um den Gewinn zu erhalten der von einem market maker bereitgestellt wird. Wie auch beim Tota- lisator besteht hier kein Liquiditätsproblem. Dem market maker entstehen dabei aber Kosten um die Vorhersage zu erheben.

Die Aussicht auf Gewinn erklärt auch die zweite Voraussetzung die ein Markt erfüllen muss, um genaue Vorhersagen zu ermöglichen. Märkte müssen anreizkom- patibel sein, d. h. die Marktteilnehmer müssen einen Grund haben, ihre wahre Erwartung preiszugeben. Der Wettbewerb mit anderen Markteilnehmern um mo- netäre Gewinne zwingt sie dabei, für ihre Erwartung auch mit ihrem Geld einzu- stehen. Dadurch wird das cheap-talk -Problem gelöst, welches bei Umfragen zum selben Ereignis entsteht. Die Antwort des Marktteilnehmers auf die Umfrage hät- te keinen Einfluss auf seinen eigenen Nutzen und wahrheitsgemäße Aussagen sind damit nicht garantiert (Farrell und Rabin, 1996). Die Gewinne müssen dabei nicht monetär sein, um Anreizkompatibilität zu gewährleisten. Nach Servan-Schreiber et al. (2004) sind auch Spielgeldmärkte in der Lage, genau Vorhersagen zu treffen. Die Aussicht auf Highscore-Ränge kann Markteilnehmer genug motivieren, ihre wahren Erwartungen durch den Marktmechanismus einzupreisen. Die dritte Vor- aussetzung, die ein Markt erfüllen muss, ist es, die Suche nach neuen Informationen zu belohnen. Marktteilnehmer können sich spezialisieren, um auf neue Informa- tionen als Erste zu reagieren und von der folgenden Preisbewegung zu profitieren. Dies führt dazu, dass wie in Kapitel 2.1 angesprochen, der Markt informations- effizient wird und neue Informationen sich schnell im Preis niederschlagen. Ein Beispiel dafür ist der winner-takes-all -Markt auf das Ereignis „Osama Bin Laden wird vor Dezember 2011 gefasst“. Nach einem Tweet eines ehemaligen Stabschefs des früheren Verteidigungsministers Donald Rumsfeld notierte der Kontrakt bin- nen weniger Minuten bei $ 99, noch bevor die allgemeinen Nachrichtensender davon berichteten.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 1: Marktteilnehmer suchen neue Informationen (Snowberg et al., 2012, S. 7).

2.4 Marginal-Trader-Hypothese

Es ist nicht davon auszugehen, dass sich alle Marktteilnehmer stets rational ver- halten. Der Markt führt zwar zu einer Selbstselektion, sodass vor allem Personen handeln die davon ausgehen, gut über das Ereignis informiert zu sein, aber auch wenig informierte Händler werden sich aus verschiedenen Motiven beteiligen. Dies könnte aus Hedging-Absichten sein, oder um ihre eigene Neigung z. B. zur Prä- sidentschaftswahl auszudrücken. Ein Prognosemarkt muss also in der Lage sein, diese Neigungen zu filtern, um eine unverzerrte Vorhersage zu ermöglichen. For- sythe et al. (1992) untersuchte dazu den Iowa Political Stock Market für die US Präsidentschaftswahl 1988. Die freiwillig teilnehmenden Händler wurden dazu po- stalisch nach ihrer politischen Einstellung befragt. Die Händler waren leicht stärker den Republikanern zugeneigt und favorisierten George Bush, als das im Vergleich in einer davon unabhängigen Umfrage von CBS/New York Times während dersel- ben Zeitspanne der Fall war. Diese Neigung schlug sich in den Transaktionen der jeweiligen Parteianhänger nieder. Nach Debatten der Präsidentschaftskandidaten kauften beide Lager jeweils weitere Kontrakte, die ihre Kandidaten favorisierten, da sie als Gewinner angesehen wurden. Trotzdem erwies sich die Vorhersage des Prognosemarktes als präziser als jede der 6 großen Meinungsforschungsinstitute. Es wurde vermutet, dass der Preis auf dem Prognosemarkt nicht maßgeblich vom Durchschnittshändler, welcher nach den Umfragen eine Neigung besaß, beeinflusst wurde. Stattdessen, hat eine Gruppe marginaler Händler diese Verzerrungen für Arbitragemöglichkeiten genutzt und dadurch den Preis korrigiert. Um marginale Händler zu identifizieren, wurde untersucht, wer an mindestens 3 Tagen während der gesamten Marktlaufzeit Limitorder innerhalb von 2 Cent am Marktpreis hielt. Es konnten so 22 der 192 Händler als marginale Händler identifiziert werden. Diese Händler investierten im Schnitt doppelt so viel Geld, handelten an mehr Tagen und konnten eine Medianrendite von 9.6 % erwirtschaften. Der Rest der Händler konn- te hingegen nur eine Medianrendite von 0 % erwirtschaften. Die Marginal-Trader- Hypothese besagt daher, dass, solange eine Gruppe von Händlern sich rational verhält, Märkte effizient funktionieren können.

3 Vorhersagegenauigkeit

In diesem Kapitel wird die Vorhersagegenauigkeit verschiedener Prognosemärkte beleuchtet. Prognosemärkte finden in vielen Bereichen Anwendung und konnten im Sportbereich präzise Vorhersagen machen (Servan-Schreiber et al., 2004). Laut Pennock et al. (2001) konnten Marktteilnehmer des Hollywood Stock Exchange die Kassenerfolge von Filmen oft besser vorhersagen als Branchenexperten. Bei der Erstellung von Wirtschaftsprognosen fanden Prognosemärkte nach Snowberg et al. (2012) trotz der wachsenden Popularität aber bisher wenig Beachtung. Sehr großes wissenschaftliches Interesse galt stattdessen den Politikmärkten. Durch den Iowa Electronic Market bot sich seit 1988 die Möglichkeit, in einem durch die Uni- versität Iowa kontrollierten Umfeld Daten zu erheben. Ein Grund für das Interesse an Politikmärkten ist sicherlich auch, dass sich Vorhersagen leicht am offiziellen Wahlergebnis messen lassen. Um Vergleiche anstellen zu können, werden prakti- scherweise zu jeder Wahl durch mehrere Meinungsforschungsinstitute eigene Vor- hersagen erhoben. Diese Menge an Daten erlaubt es, robuste Aussagen über die Genauigkeit von Prognosemärkten zu treffen. Da wie in Kapitel 1 angesprochen, große Konzerne mit mehreren Hunderttausend Mitarbeitern vor dem Problem ste- hen, dass Wissen über viele Köpfe verstreut ist, wurde auch in diesem Bereich geforscht. Obwohl weniger Informationen öffentlich verfügbar sind, da Unterneh- men ihre internen Prozesse selten offenlegen, sind einige Studien vorhanden. Es wird sich in diesem Kapitel auf die beiden Bereiche Politik und Unternehmen beschränkt.

3.1 In der Politik

Berg et al. (2008) haben mit Hilfe des Iowa Electronic Market, 49 Prognosemärkte zu Wahlen in verschiedenen Ländern untersucht. Die Stimm- und Sitzverteilungen wurden dabei mit Index-Kontrakten erhoben. Um die Genauigkeit von Progno- semärkten beurteilen zu können, müssen diese direkt mit den Ergebnissen der Wahlen verglichen werden. Prognosemärkte müssen sich außerdem an Umfragen messen lassen. Die einfachste Methode um die absolute Genauigkeit der Vorhersa- gen zu prüfen, ist ein Streudiagramm. Auf der 45 Linie würden sich alle Daten- punkte finden, bei denen das Ergebnis genau vorhergesagt werden konnte. Eine geringe Streuung um diese Linie ist daher mit einer guten Vorhersagekraft der Pro- gnosemärkte gleichzusetzen. Abbildung 2 zeigt die Ergebnisse von US Präsident- schaftswahlen, US Senatswahlen, US parteiinterne Vorwahlen und unterschiedliche Wahlen in anderen Ländern. Die Märkte waren in der Lage, für geringe sowie auch hohe Ergebnisse genaue Vorhersagen zutreffen. Gerade für die Präsidentschafts- wahlen ist der durchschnittliche absolute Vorhersagefehler besonders niedrig. Dies könnte an der größeren Bedeutsamkeit dieser Wahlen liegen, was zu mehr Aktivi- tät in diesen Märkten geführt hat. Allerdings stehen hier auch weniger Stichproben zur Verfügungen. Auffällig sind drei Ausreißer bei den parteiinternen Vorwahlen, die alle aus dem Jahr 1992 stammen. Unklar ist hier, ob bestimmte Umstände zu diesen extremen Abweichungen geführt haben. Ohne diese Ausreißer scheinen die restlichen US Wahlen mit einem durchschnittlichen absoluten Vorhersagefeh- ler von ca. 2 % von den Märkten genauso gut vorhergesagt worden zu sein, wie Wahlen in anderen Ländern.

Um Prognosemärkte und Umfragen vergleichen zu können, muss geklärt werden, welcher Preis des Marktes als Vorhersage herangezogen wird. Berg et al. (2008) haben dabei den Preis um Mitternacht vor dem Wahlabend, sowie einen mit dem Volumen gewichteten Durchschnittspreis der letzten Woche vor den Wahlen her- angezogen. Es wird argumentiert, dass der Mitternachtspreis alle Informationen die relevant sein könnten repräsentiert. Der gewichtete Durchschnittspreis ist hin- gegen näher an der Zeitspanne, während der auch die letzte Umfrage vor der Wahl erhoben wurde. Abbildung 3 zeigt ein Balkendiagramm, das die absolute Vorher- sagegenauigkeit der Umfragen, mit der der beiden Marktpreise vergleicht. Aus der Ausarbeitung von Berg et al. (2008) wird leider nicht deutlich, ob hier gegen jeweils eine einzige Umfrage verglichen wurde, oder ob mehrere dafür gemittelt wurden. Bis auf zwei Ausnahmen liegen die Vorhersagen der beiden Marktpreise sehr nahe beieinander. Verglichen mit dem Mitternachtspreis unterliegt die Umfrage dabei in 9 von 15 Fällen.

Das Potential der Märkte zeigt sich erst, wenn die gesamte Wahlkampfkampa- gne im Verlauf betrachtet wird. Abbildung 4 zeigt die vorhergesagte prozentuale Führung von Bill Clinton in der US Präsidentschaftswahl 1996. Dieser Markt hat in Abbildung 3 mit seinem Mitternachtspreis auffallend schlecht gegen Umfra- gen abgeschnitten. Es wird deutlich, dass zwischen den verschiedenen Umfragen eine große Streuung besteht. Auch einzelne Umfrageinstitute verzeichnen starke Schwankungen im Verlauf des Wahlkampfes. Der Prognosemarktpreis ist hinge- gen vergleichsweise stabil über den gesamten Zeitraum. Die durch vertikale Linien dargestellten politischen Ereignisse wie Parteitage und Debatten, scheinen nur temporär auf den Marktpreis gewirkt zu haben. Innerhalb kurzer Zeit normalisier- te sich der Preis wieder, während die Umfragen sichtlich stärker davon beeinflusst wurden. Lediglich kurz vor der Wahl ist der Markt von seiner richtigen Prognose abgewichen. Der gewichtete Wochen-Durchschnittspreis ist daher, wie in Abbil- dung 3 zu erkennen, wesentlich genauer und gleichauf mit dem Vorhersagefehler der Umfragen. Was zu der großen Abweichung des Marktpreises kurz vor der Wahl führte ist nicht bekannt. Es wird deutlich, dass Umfragen Momentaufnahmen sind, die die individuelle Wahlpräferenz erheben, die kurzfristig durch Debatten beeinflusst sein könnten. Prognosemärkte stellen dagegen die Frage: „Wen würden alle wählen?“, was dazu führt, dass Neigungen weniger stark zum Vorschein kommen. Das selbe Bild zeigt sich bei fünf weiteren Präsidentschaftswahlen in Abbildung 5. Die Prognosemärkte näherten sich stetig dem Endergebnis an, während Umfragen dies zum Teil stark über- und unterschätzen.

Erikson und Wlezien (2008) argumentieren daher, dass die in Umfragen bekann- ten vorhandenen Neigungen heraus gerechnet werden müssten. Nur so ist ein fairer Vergleich zwischen Märkten und Umfragen möglich. Der Vorsprung eines Kandia- ten in frühen Umfragen schrumpft gewöhnlich bis zm Wahltag. Dies wird aber nicht in den bloßen Umfragedaten repräsentiert, die Zeitpunkt bezogen sind. Mit- tels Regressionsanalyse konstruieren sie daher eine Vorhersage, die den erwarteten Vorsprung des Favoriten am Wahltag vorhersagt. Für die von ihnen untersuch- ten vier US Präsidentschaftswahlen zwischen 1992 und 2004 zeigen sie, dass die bereinigten Umfragen die Märkte in vielen Fällen schlagen. Erikson und Wlezien (2008) begründen das damit, dass Marktpreise den Favoriten systematisch unter- bewerten, weil zu viel Unsicherheit in den weiteren Fortgang der Wahlkampagne interpretiert wird. Rothschild (2009) entgegnet dem, dass der favorite-longshot bi- as in Prognosemärkten ebenfalls bekannt ist und bereinigt werden muss, um einen wirklich fairen Vergleich anzustellen. Er kritisiert auch die kleine Stichprobe an Wahlen, die von Erikson und Wlezien (2008) genutzt wurden. An Hand von 74 Präsidentschafts- und Senatswahlen vergleicht er beide Vorhersagemethoden die um bekannte Neigungen bereinigt wurden. Abbildung 6 zeigt die Differenz der durchschnittlichen mittleren quadratischen Abweichung der Umfragen, zu der des Prognosemarktes. Eine Notierung über 0 zeigt daher, dass der Vorhersagefehler der Umfragen überwiegt. Dies ist besonders lange vor der Wahl generell der Fall. Rothschild (2009) begründet das damit, dass Umfragen nur öffentliche Informatio- nen enthalten. Prognosemärkte können aber auch von Personen gehandelt werden, die vielleicht genauere Informationen z. B. über noch nicht veröffentlichte Skandale haben.

Die Vorhersagegenauigkeit weit vor dem Wahltermin wurde auch von Berg et al. (2007) mit einem einfachen Test verdeutlicht. Es wurde getestet wie oft der Pro- gnosemarkt genauer als die jeweilige Umfrage zu einer der Präsidentschaftswahlen war. Sind beide gleichgute Vorhersagemethoden, so müsste der Markt das Ergebnis in nur 50 % der Fälle besser vorhergesagt haben. Es wurden jeweils unterschiedlich große Stichproben betrachtet, die eine bestimmte Anzahl an Tagen vor der Wahl beinhalten. In Tabelle 1 ist zu sehen, dass 100 Tage vor der Wahl der Prognose- markt oft zwischen 70 % bis 80 % der Umfragen schlägt. Dabei sind gerade in den jüngeren Wahlen weit über 100 Umfragen in der Stichprobe enthalten. Es verwun- dert nicht, dass die Hypothese, dass der Schätzwert von 50 % nicht verschieden ist, selbst zu α =1 % abgewiesen wird. Die Ergebnisse sind daher hochsignifikant. Allein 1988 scheinen Umfragen und der Prognosemarkt ungefähr gleichoft das Er- gebnis besser voraus gesagt haben. Dies ist das Jahr in dem der Iowa Electronic Market das erste mal eingesetzt wurde. Möglicherweise hat die gestiegene Popu- larität über die Jahre erst zu der heutigen Effizienz geführt. Erst 5 Tage vor der Wahl scheint es keinen signifikanten Unterschied zwischen der Vorhersagegenauig- keit beider Methoden mehr zu geben. Tabelle 2 zeigt denselben Binomialtest, nun aber mit spezifischen Zeitspannen vor der Wahl und nicht die letzten X Tage vor der Wahl als Stichprobe. Es bestätigt sich, dass Prognosemärkte lange im Voraus das Ergebnis der Wahl schätzen können.

3.2 In Unternehmen

3.2.1 Hewlett-Packard

Eine umfassende Studie zu Prognosemärkten, die 1996 bei Hewlett-Packard ein- geführt worden sind, wurde von Chen und Plott (2002) veröffentlicht. Hewlett- Packard hat dafür winner-takes-all -Kontrakte zu 12 Ereignissen aufgelegt. Bei „Ereignis 1“ handelte es sich um die von der Geschäftsleitung festgelegte Bonus- beteiligung am Gewinn des Unternehmens, die es zu schätzen galt. Alle ande- ren Ereignisse gehörten zu den erwarteten Verkäufen von verschiedenen Produk- ten. Anstatt über einen Index-Kontrakt eine Punktschätzung zu erheben, wurden für jedes Mengeninterval an verkauften Produkten ein eigener winner-takes-all - Kontrakt eingeführt. Jedes Ereignis wurde so in 8 bis 10 nichtüberlappende In- tervalle eingeteilt. Das oberste Interval war dabei als einzigstes nicht zu beiden Seiten begrenzt. Die Teilnehmer wurden aus verschiedenen Bereichen des Unter- nehmens ausgewählt. Dabei wurden auch Personen einbezogen, die keine genauen Informationen über erwartete Verkäufe haben konnten. Ziel war es, u. a. die Pro- gnosemärkte gegen die normalen firmeninternen Vorhersagen zu vergleichen. Zu 8 der 12 Ereignisse standen traditionelle firmeninterne Vorhersagen zur Verfügung. Es wurde auch geprüft, ob die Märkte andeuten können, ob die traditionellen Vor- hersagen das eigentliche Ergebnis über- oder unterschätzen werden.

[...]


1 Lewis E. Platt, CEO Hawlett-Packard (1992-1999)

2 Hollywood Stock Exchange (www.hsx.com)

3 Foresight Exchange (www.ideosphere.com)

Ende der Leseprobe aus 46 Seiten

Details

Titel
Smart Money? Der Erfolg von Prognosemärkten
Hochschule
Universität Trier
Note
1,7
Autor
Jahr
2013
Seiten
46
Katalognummer
V263316
ISBN (eBook)
9783656554271
ISBN (Buch)
9783656696322
Dateigröße
1906 KB
Sprache
Deutsch
Schlagworte
smart, money, erfolg, prognosemärkten
Arbeit zitieren
Tim Oliver Jester-Pfadt (Autor), 2013, Smart Money? Der Erfolg von Prognosemärkten, München, GRIN Verlag, https://www.grin.com/document/263316

Kommentare

  • Noch keine Kommentare.
Im eBook lesen
Titel: Smart Money? Der Erfolg von Prognosemärkten



Ihre Arbeit hochladen

Ihre Hausarbeit / Abschlussarbeit:

- Publikation als eBook und Buch
- Hohes Honorar auf die Verkäufe
- Für Sie komplett kostenlos – mit ISBN
- Es dauert nur 5 Minuten
- Jede Arbeit findet Leser

Kostenlos Autor werden