Heuristiken für die subjektive Prognose von Zeitreihen

Wie empirische Studien belegen, dominieren in der Praxis subjektive Prognoseverfahren. Aufgrund dieser großen Praxisrelevanz wurden die Fähigkeiten von Individuen, Zeitreihen vorherzusagen, in zahlreichen experimentellen Studien untersucht. Es galt herauszufinden, welche Umstände die menschliche Prognoseleistung beeinflussen und unter welchen Bedingungen statistische Verfahren subjektiven Prognosemethoden überlegen sind. Trotz dieses steigenden Forschungsinteresses, Erwartungsbildung deskriptiv zu analysieren, existieren kaum mathematische Modelle zur Erklärung des Prognoseverhaltens. Die bounds & likelihood Heuristik, Becker/Leopold-Wildburger (1996), ist eine einfache aber sehr effiziente Prozedur, die Kollektivprognosen von Individuen sehr gut erklären kann. In der Literatur findet man keine andere Heuristik oder Anwendungen von neuronalen Netzwerken, die eine vergleichbare Leistung erreichen, insbesondere bei relativ kurzen Zeitreihen. Die Heurisitk wurde bislang in verschiedenen experimentellen Umgebungen erfolgreich getestet. Das vorliegende Projekt setzt sich zum Ziel, die vielversprechenden Resultate zu verallgemeinern. Dabei stehen folgende Fragen im Zentrum des Interesses: Kann das Modell bei der Vorhersage von nicht-stationären Zeitreihen eingesetzt werden? Kann das Modell auch empirisch beobachtete Prognosen von Experten vorhersagen? Können die vorhandenen Ergebnisse auf Zeitreihen übertragen werden, wie sie auf Kapitalmärkten auftreten? Kann das Verhalten der Probanden im Laboratorium auf die Prognosen von Experten verallgemeinert werden? Kann ein vergleichbarer Weg zur Modellierung individuellen Verhaltens gefunden werden? Wie wirken sich Zusatzinformationen (in Form von exogenen Zeitreihen vorgegeben) auf das Prognoseverhalten aus? Kann die vorhandene Heuristik auch im Falle von Strukturbrüchen innerhalb der Zeitreihe Verwendung finden? Das Ziel dieses Projektes ist die Beantwortung dieser Fragestellungen durch die vertiefende Analyse der vorhandenen Daten und die Durchführung neuer Experimente.

Traditionell ist die Ökonomie eine sehr formale Wissenschaft in der versucht wird, das menschliche Verhalten mit Hilfe von mathematischen Modellen zu erklären. Wir arbeiten auf dem Gebiet der experimentellen Wirtschaftsforschung. In diesem Forschungszweig werden reale ökonomische Entscheidungen von Versuchspersonen in Laborsituationen beobachtet und analysiert. Die Teilnehmer solcher Experimente werden in Abhängigkeit ihrer Entscheidungen entlohnt. Dadurch ist gewährleistet, dass die gewonnenen Erkenntnisse auf reale Situationen leichter übertragen werden können. In unserem Forschungsprojekt untersuchen wir das Entscheidungsverhalten von Versuchspersonen bei der Prognose von Zeitreihen. Eine Vielzahl von entscheidungsrelevanten Informationen wird in Form von Zeitreihen dargestellt und in jeder Tageszeitung veröffentlicht: Aktienkurse, Arbeitslosenzahlen, die Zins- und Inflationsentwicklung oder der Ölpreis. Die Prognosen von ökonomischen Akteuren sind von großem theoretischen Interesse. Die Erwartungen über zukünftige Entwicklungen beeinflussen beispielsweise das eigene Investitionsverhalten am Kapitalmarkt, die Nachfrage nach diversen Gütern oder das Sparverhalten. Die Teilnehmer unserer Experimente sagen Zeitreihen vorher und werden in Abhängigkeit ihrer Prognosegenauigkeit entlohnt. Es existieren mathematische Modelle, die Erwartungsbildungsprozesse in diesem Zusammenhang beschreiben, erklären und vorhersagen. Wir haben diese Modelle an den Prognosen der Probanden getestet und unser eigenes Modell (die sogenannte bounds & likelihood Heuristik) entwickelt, dass diese Vorhersage auf deutlich einfachere Weise ermöglicht. Ein Schwerpunkt unserer Arbeit lag auf einem Bereich, der von der Forschung bisher vernachlässigt wurde. In der Realität stehen den Entscheidungsträgern mehrere Informationsquellen zur Verfügung. Um das Beispiel des Investors wieder aufzugreifen: Er stützt seine Entscheidung nicht nur auf eine Information, sondern beispielsweise neben dem Verlauf eines Aktienkurses auch auf die Entwicklung des Gesamtmarkts. In unseren Experimenten haben wir den Probanden mehrere Leitreihen als Zusatzinformation zur Prognose einer Zeitreihe vorgelegt. Die Eigenschaften dieser Leitreihen wurden in mehreren Versionen des Experiments systematisch variiert. Das von uns entwickelte Modell prognostiziert das durchschnittliche Verhalten der Probanden in allen Versionen genauer als vergleichbare traditionelle Modelle. Wir haben begonnen, uns mit der Prognose individuellen Verhaltens zu beschäftigen. Dieses Vorhaben ist deutlich schwieriger zumal Individuen sehr instabiles Verhalten zeigen und jeder Modellierungsansatz diesem Umstand Rechnung tragen muss. Dieser Bereich ist von großem Interesse, weil aus der Literatur keine vergleichbaren Ansätze bekannt sind.