Meinung, Heuristik, Regel

Meinung, Heuristik, Regel

Über die Art wie wir als Individuen entscheiden, habe ich schon in einigen Blog-Beiträgen geschrieben. Dietrich Dörner zeigte die Schwierigkeit von Regelprozessen, ohne Feedback und Gerd Giegerenzer zeigte das Heuristiken an der richtigen Stelle angewandt zu guten bzw. besseren und vor allem schnelleren Entscheidungen führen.

Ein weiterer bekannter Vertreter der Entscheidungslehre ist sicher Daniel Kahneman. Er zeigt in seinem Buch „Thinking, Fast and Slow“ ebenfalls die Problem der Entscheidungsfindung auf.

Ein paar interessante Beispiele von Ihm:

Beim israelischen Militär wurde Kahneman beauftragt die Auswahl von Rekruten für Kampfeinsätze zu verbessern. Bisher wurden diese von relativ jungen Frauen, ohne eigene Kampferfahrung durchgeführt. Das ist auf den ersten Blick nicht weiter relevant, da die Ärzte, die Rekruten bei der Musterung untersuchen, nicht notwendigerweise erfahrene Generäle sein müssen, um die Tauglichkeit der Rekruten beurteilen zu können.

Kahneman wurde beauftragt den Prozess zu hinterfragen und ggf. auch zu verbessern. Er etablierte ein Scoring-Verfahren. Dabei wurden die Gruppe der Rekruter angewiesen nur einzelne Eigenschaften in den Interviews zu bewerten und Punkte dafür zu geben.

Das finale Ergebnis wurde dann über einen einfachen von Kahneman entwickelten Algorithmus ermittelt. Dies gefiel den bisherigen Rekrutern nicht sonderlich, da sie nur noch als einfache Scorer „benutzt“ werden und nicht mehr die Entscheidung selbst nach individueller Evaluierung fällen.

Es zeigte sich jedoch, dass der daraus entstehende Auswahlprozess um Längen besser als der nur auf individuellen Meinungen basierende war. Der Auswahlprozess wurde auch noch Jahre später in der israelischen Armee beibehalten.

In einem weiteren Beispiel wird die Apgar-Score als Beitrag zur Verringerung der Sterblichkeit von Neugeborenen aufgeführt.

Die Sterblichkeit von Neugeborenen war jahrelang sehr hoch. Oft lag dies an Komplikationen in den ersten Lebensminuten. Diese wurden nicht eindeutig und damit rechtzeitig erkannt, sodass die notwendige Hilfe ausblieb und das Neugeborene schwere Schäden bekam bzw. starb. Die Anästhesistin Virginia Apgar entwickelte 1952 fünf Indikatoren, die mit einem einfachen Algorithmus verbunden zu einer deutlichen Verbesserung beitrugen. Damit hatten die Hebammen eine bessere und vergleichbare Basis für die Entscheidung weiter Maßnahmen einzuleiten. Der simple Algorithmus basierte auf einem arithmetischen Durchschnitt der Punkte der einzelnen Indikatoren von 0, 1 oder 2. Lag das Neugeborene bei einer Punktzahl von 9 – 10 Punkten war alles in Ordnung, anderenfalls wurden Maßnahmen ergriffen. Der Test ist sicher nicht perfekt, ist aber einfach anwendbar und deshalb bis heute in Benutzung (Apgar-Test).

Als letztes Beispiel eine kleine Anekdote aus dem Leben:

Wer kennt Sie nicht – diese Spiele: welcher Charakter einer Serie bist Du?

Wenn man so einen Test beginnt, hat man allerlei Vorstellungen, wer man gern sein möchte. Natürlich bietet sich als Wunsch immer der Held der Serie, bzw. dessen Geliebte an. Auch der Bösewicht ist eine attraktive Option – die Overconfidence ist nicht zu bremsen. Der Wunsch ist Vater des Gedanken und man sucht nur noch nach Bestätigung seiner eigenen Thesen – nicht nach Falsifikation à la Karl Popper.

Geht man jedoch die einzelnen Fragen Schritt für Schritt durch und vergibt in einem geordneten Prozess die Punkte bzw. entscheidet sich für eine der Optionen, ist man am Ende sicher überrascht wen man „neutral“ betrachtet entspricht.

Das ist auch nicht verwunderlich, denn der gesamte Prozess ist nicht leicht zu durchschauen und hinreichend komplex – somit können ein paar Profiling-Fragen Ordnung schaffen und letztlich ein ganz gutes Ergebnis finden. Auch wenn man nicht der Held oder Bösewicht der Serie ist, kann man mit dem Ergebnis leben, denn so weit weg vom eigenen Charakter ist das Ergebnis erstaunlicher Weise nicht. (bzw. wirkt nach dem Ergebnis der Endowment Effekt und man gewöhnt sich an die gezeigte Auswahl).

Das komplizierte Regeln nicht immer zum Ziel führen, hatte ich schon in mehreren Beiträgen über Gerd Giegerenzer beigetragen. Das klassische Beispiel für mich ist immer der Hund der den Frisbee fängt. Dieser kann natürlich keine komplizierten Berechnungen anstellen, um die Flugbahn zu ermitteln, ist aber dennoch in der Lage den Frisbee zu fangen.

Der Hund nutzt dafür einfache Regeln – bzw. genauer Heuristiken oder Daumenregeln. Diese Daumenregeln sind oft schneller bzw. ausreichend genau um eine hohe Erfolgswahrscheinlichkeit zu besitzen.

Unterscheidet man in Risiko und Unsicherheit, dann ist klar, dass Risiko immer genau bestimmbar ist und Unsicherheit mit einer Heuristik hinreichend genau bestimmt werden kann. Risiko hingegen begegnet man mit Regeln und Mathematik.

Wie lässt sich dies nun auf die Welt der Finanzen übertragen?

Schon lange vor der Finanzkrise beschäftigte sich James Montier mit der Behavioural Finance. Im Jahr 2005 veröffentlichte er ein Sammel-Paper: „The Seven Sins of Fundmanagement“.

Darin wurden einige der Sünden aufgeführt, die bei der Finanzanlage hinderlich sein könnten. Einige dieser passen sehr gut zum heutigen Thema.

  1. Der Glaube der Verlauf der Zukunft lässt sich vorhersagen.
  2. Die Meinung, dass viele Informationen für eine Entscheidung besser sind.
  3. Die Überzeugung, dass die Suche nach Bestätigung der vorgefassten Meinung die Eintrittswahrscheinlichkeit verbessert.

Zum ersten Punkt gibt es ein gutes Sprichwort:

“Those who have knowledge don’t predict. Those who predict don’t have knowledge” (Lao Tzu)

Die Vorhersagekraft von Analysten und Experten wurde schon oft analysiert. Das Problem lässt sich auf ein paar Problemfelder zurückführen.

Die generell positive Grundeinstellung lässt führt immer wieder zu zu optimistischen Prognosen. So werden Projekte generell zu Vorteilhaft eingeschätzt, bzw. werden die Kosten dieser Projekte deutlich unterschätzt. Dietrich Dörner hat dazu einige Beispiele gebracht, aber warum in die Ferne schweifen, wenn wir hier in Deutschland einen unfertigen Flughafen in Berlin und nun endlich nach vielen Problemen und Verzögerungen fertigen Elbphilharmonie in Hamburg haben.

Die Selbstüberschätzung der Entscheider zeigt sich in vielen Tests, wobei die Probanden zu einem sehr hohen Prozentsatz (>>50%) angaben, überdurchschnittlich gut Autofahren zu können bzw. besonders gute Liebhaber zu sein.

Den zweiten Punkt kann ich aus eigener Erfahrung bestätigen. Zu meiner Zeit als Fondsmanager hatte ich sehr detaillierte Erkenntnisse über die Branchen welche ich analysierte. Ich kannte die verschiedenen Produktionsverfahren und Firmenteile, Produkte Management etc. Die Frage blieb jedoch, was dieses Wissen eigentlich bringen sollte. Letztlich entscheidet der Markt, ob die Produkte erfolgreich sind oder nicht. Das lässt sich an wenigen Finanzzahlen hinreichend genau ablesen – ganz so wie Graham & Dodd in ihrem Standardwerk „Security Analysis“ beschrieben.

Der letzte Punkt der Suche nach Bestätigung ist dann besonders fatal. Bei der Analyse der Unternehmen werden keine kritischen Fragen mehr gestellt, sondern die eigene vorgefasst Meinung wird bei einem Unternehmensbesuch nur noch bestätigt.

Natürlich möchte jeder am liebsten Recht haben. An der Börse hilft das allerdings wenig und kann sehr teuer werden. Denn auch das haben Kahneman und Tversky bewiesen. Drohen Verluste werden wir zum Spieler und setzen Haus und Hof. Gewinne schneidern wir in der Regel zu früh ab.

Im Trendfolge-Portfolio MAQS gehen wir vielen dieser Problem aus dem Weg. Wir kennen nicht die Zukunft und wollen diese auch nicht vorhersagen. Was wir allerdings aus der Forschung seit Jegadeesh und Titman wissen, ist das Bestehen des Momentum Effekts durch langsame Anpassungsprozesse der Kapitalmarkt-Teilnehmer.

Diesen Faktor nutzt MAQS aus, indem es den Trends folgt und darauf setzt, dass diese hinreichend lange halten. Das versuche wir sehr systematisch und regelgebunden. Wir kennen zwar nicht die optimale Portfolio-Allokation, kommen aber mit einer einfachen Risk-Parity Strategie gut zurecht. Dieser wurde ebenfalls schon akademisch nachgewiesen, dass sie eine effiziente Portfolio-Allokation darstellt.

Das Wesentliche ist jedoch die disziplinierte systematische Umsetzung. Die zu erwartende Risikoprämie ist nicht gleichmäßig verteilt. Es entstehen mitunter längere Phasen der negativen Performance. Nur wenn Positionen diszipliniert geöffnet und geschlossen werden, kann die Risikoprämie „Momentum“ über lange Zeiträume „geerntet“ werden.

MAQS – Global Trend Following

Performance Juli

Der Juli brachte keine Besserung der aktuellen Talfahrt. Im Gegenteil MAQS rutscht immer tiefer in den Drawdown. Die wenigen Lichtblicke EUR/USD können den Verfall nicht aufhalten. Zu viele Fehlsignale machen die Performance stark negativ. Positiv schneidet das Teilportfolio der ETF’s ab. Leider ist dies auch nur ein Tropfen auf den heißen Stein.

Performance Juli: -4,18%, Seit Jahresanfang: -10,49%

Monatsupdate_201707

Signale des monatlichen Systems:

  • Keine

Das neue MAQS-Portfolio hält im August 2017 folgende Positionen:

Name ISIN Preis MAQS
DAXEX GY Equity DAX Aktien DE0005933931 105,45 30
EUNZ GY Equity EM Aktien IE00B8KGV557 23,61 160
IBCH GY Equity Welt Aktien IE00B441G979 47,50 340
IUS7 GY Equity EM Anleihen IE00B2NPKV68 96,21 0
IBCL GY Equity EUR Staatsanleihen IE00B1FZS913 224,47 50
XDBC GY Equity Rohstoffe LU0292106167 17,65 420
Gesamt in EUR     92,10
*Schätzung

Eure Kommentare sind herzlich willkommen.

Wikifolio: MAQS – Global Trend Following

Kommentar verfassen

Trage deine Daten unten ein oder klicke ein Icon um dich einzuloggen:

WordPress.com-Logo

Du kommentierst mit Deinem WordPress.com-Konto. Abmelden /  Ändern )

Google+ Foto

Du kommentierst mit Deinem Google+-Konto. Abmelden /  Ändern )

Twitter-Bild

Du kommentierst mit Deinem Twitter-Konto. Abmelden /  Ändern )

Facebook-Foto

Du kommentierst mit Deinem Facebook-Konto. Abmelden /  Ändern )

w

Verbinde mit %s