Das Fachmagazin für institutionelle Investoren

Geben Sie Ihren Benutzernamen und Ihr Passwort ein, um sich an der Website anzumelden:
4/2019 | Theorie & Praxis
twitterlinkedInXING

»Eine neue Taxonomie von Unsicherheit«

Die Ökonomie ist nicht wie die Physik, lautet eine im Grunde simple Erkenntnis. Darum sind gerade Wirtschaftswissenschaftler extrem neidisch auf ihre Naturwissen­schaftskollegen. Davon jedenfalls ist unser Gesprächspartner Prof. Andrew Lo überzeugt.

Die finanzmathematische Theo­riebildung hat sich über weite Strecken damit zufriedengegeben, sich auf die ­Erkenntnisse der sogenannten Hypothese effizienter Märkte zu stützen. Als einer der wenigen Finanzwissenschaftler hat Andrew Lo, Ökonomieprofessor am Massachusetts Institute of Technology, versucht, diese für sich betrachtet manchmal schon ein wenig fest­gefahren wirkende Forschungsrichtung mit den Erkenntnissen der oft als nur ­„wenig greifbar“ empfundenen Behavioral Finance zu versöhnen. Seine als „Hypothese adaptiver Märkte“ bekannt gewordenen Forschungen hat er in zahlreichen Büchern, Auf­sätzen und Thesenpapieren veröffentlicht. Wir haben den Ausnahmeökonomen in ­seinem Büro in der MIT Sloan School of ­Management in Cambridge bei Boston zum Exklusivinterview besucht.

Professor Lo, Sie haben bereits im Jahr 2010 einen wissenschaftlichen Aufsatz veröffentlicht, der – sinngemäß übersetzt – den Titel trägt: „Warnung! Neid auf die Physik kann Ihrem Vermögen gefährlich werden.“ Was genau war die Idee dahinter?
Andrew Lo: Damals habe ich mich ausführlich mit Gegenentwürfen zum tradi­tionellen ökonomischen Paradigma beschäftigt und versucht, ein Verständnis dafür zu ent­wickeln, woher dieses Paradigma kam. Im Grunde geht es auf den weithin bekannten Wirtschaftswissenschaftler Paul Samuelson zurück, der in vielerlei Hinsicht als Architekt der modernen Volkswirtschaftslehre gilt. Samuelson hatte in seiner Doktorarbeit sehr klar dafür plädiert, die Prinzipien der Physik auf die Ökonomie anzuwenden. Viele Ökonomen, mich selbst eingeschlossen, sind seinem Forschungsansatz gefolgt, was sich als durchaus fruchtbar erwiesen hat, weil die Ökonomie dadurch in die Lage versetzt wurde, ähnlich einer Naturwissenschaft eine Reihe grundlegender ökonomischer Modelle zu erstellen. Am Beginn solcher Arbeiten steht in der Regel eine Reihe mathematischer Grundsätze, aus denen dann axiomatische Schlussfolgerungen abgeleitet werden wie zum Beispiel das Gesetz der Schwerkraft oder Albert Einsteins Relativitätstheorie. Ökonomen waren schon immer eifersüchtig auf solche wirklich bemerkenswerten Leistungen von Physikern, die mit im Grunde relativ einfachen Regeln wie den Newton’schen Gesetzen praktische Anwendungen ermöglicht haben, mit deren Hilfe es am Ende gelang, eine Rakete von der Erde zum Mond zu schicken und auch wieder zurückzuholen. Solche bahnbre­chenden Errungenschaften sind Ökonomen in ihrem Wissenschaftsgebiet bisher nicht gelungen.

Weil sie solche Gesetze gern auch für die Ökonomie erschlossen hätten?
Genau! Unsere Zunft hätte am liebsten – ähnlich der Physik – drei grundlegende Gesetze, mit denen sich 99 Prozent aller wirtschaftlichen Phänomene erklären lassen. Stattdessen haben wir 99 Gesetze, die drei Prozent solcher Phänomene erklären. Das ist manchmal schon wirklich frus­trierend, und so ist das entstanden, was ich damals als Neid auf die Physik bezeichnet habe. Ein befreundeter Wissenschaftskol­lege aus der Physik hat mich aber darauf hingewiesen, es sei kein Neid auf die ­Physik, man müsse eher von Mathematikneid oder noch allgemeiner von Wissenschaftsneid sprechen.

Warum?
Er meinte, wenn Ökonomen wirklich neidisch auf die Errungenschaften der Physik seien, dann würden sie sich auch wie Physiker verhalten. Schließlich sei es die typische Vorgehensweise eines Physikers, eine Theorie zu entwickeln und sie anhand von entsprechend nachvollziehbaren und schlüssigen Daten zu belegen. Würden die Daten der Theorie widersprechen, so verwerfe der Physiker seine ursprüngliche Theorie wieder. Bei Ökonomen sei das anders: Sie würden die Daten auf eine Theorie anwenden und, so sich diese nicht belegen lasse, lieber die Daten statt die Theorie über Bord werfen. Im Grunde hat er recht, und ich denke, darin besteht ein grundlegendes Problem bei der Beschreibung des Verhaltens an den Kapitalmärkten und der Dynamik von Investments oder bei der Entwick­lung von finanzmathematischen Modellen.

Was schlagen Sie stattdessen vor?
Wir müssen endlich einsehen, dass ökonomische Phänomene, die wir zu beschreiben, besser gesagt, zu modellieren versuchen, sehr viel komplexer sind als physikalische Phänomene. Weil sie sich als Reaktion auf menschliche Interaktionen im Grunde ständig verändern. Der Nobelpreisträger Richard Feynman, Physiker am Cali­fornia Institute of Technology, hat in einem seiner Vorträge einmal gesagt: Stellen Sie sich vor, wie viel schwieriger Physik wäre, wenn Elektronen Gefühle hätten. Diese im Prinzip einfache Erkenntnis beschreibt sehr gut das Problem, vor dem wir in der Ökonomie stehen. Wir versuchen die Inter­aktionen von Menschen über finanzmathematische Modelle zu beschreiben. Die Menschen aber haben Gefühle, und diese unterliegen eben nicht mathematischen Gesetzen, zumindest nicht, so weit wir das bis heute wissen. Sie unterliegen allenfalls bestimmten statistischen Eigenheiten, die wir sogar messen können. Aber die bisherigen Ansätze der Ökonomik sind extrem unvoll­kommen im Vergleich zu denen, die einem Physiker zur Verfügung stehen.

Aber wo liegt konkret das Problem der ­Anwendung oder, anders gesagt, der Anpassung konventioneller statistischer Methoden auf Kapitalmarktdaten? Wie sehr kann man den bisherigen Methoden vertrauen, und wo genau sind ihre Grenzen?
Das Problem ist, dass die meisten Daten, die wir in den Bereichen Finanzen und Wirtschaft im Allgemeinen sammeln, wissenschaftlich ausgedrückt nicht stationär sind. Das bedeutet, dass Daten durch statis­tische Gegebenheiten erzeugt werden, die sich im Lauf der Zeit in Abhängigkeit von Marktbedingungen und menschlichem Verhalten verändern. Wir befinden uns also in einer viel komplexeren Welt als der Physiker, wo Newton’sche Gesetze seit etwa 13,7 Milliarden Jahren gelten und sich wirklich nicht verändert haben. Die in der Umgebung der Ökonomie impliziten Nicht-Stationaritäten erfordern also, dass wir viel vorsichtiger sind bei der Modellierung entsprechender Gesetze. Einfache Gesetze funktionieren oder existieren vielleicht gerade deshalb nicht, weil die Welt nicht so einfach ist. Albert Einstein hat einmal gefordert, ­eine Theorie müsse so einfach wie möglich formuliert sein, aber eben nicht einfacher. Unser Problem in der Ökonomie ist, dass viele unserer vermeintlichen Gesetze einfacher formuliert und konstruiert sind, als sie eigentlich sein müssten. Das war der Grund, weshalb ich mein Buch über adaptive Märkte geschrieben habe. Darin versuche ich zu erklären, wie man die Prinzipien der Ökologie und Evolutionsbiologie auf die Ökonomie anwenden kann. Denn am Ende gehören alle Gruppen von Individuen, die wir zu vermessen versuchen, einer Säugetierart an, die auf eine anspruchsvolle und komplexe, aber dennoch modellierbare Weise miteinander interagiert.

Dann müssen wir einfach damit leben, dass Märkte nichts anderes als ein andauernd wiederholtes identisches Experiment sind?
Lassen Sie es mich so aus­drücken: Ein Satz, der häufig – wenn auch bisher nicht belegt – Mark Twain zugeschrieben wird, lautet: Geschichte wiederholt sich nicht unbedingt, aber sie reimt sich. Das bedeutet, dass im Lauf der Zeit selbst bei nicht stationären Erscheinungen durchaus bedeutende Ähnlichkeiten auftreten, die wir erfassen können, obwohl sie nicht identisch sind. Auch wenn das traditionelle frequentistische Wahrscheinlichkeitsverständnis, das die Wahrscheinlichkeit eines Ereignisses als die relative Häufigkeit, mit der es in einer großen Zahl gleicher und wiederholter, aber voneinander unabhängiger Zufallsexperimente auftritt, nicht zutrifft, können wir diese Art von Wahrscheinlichkeitsgesetzen als Annäherung an eine viel komplexere Realität verwenden. Anders gesagt: Wir wissen von vornherein, dass alle wirtschaftswissenschaftlichen Modelle im Grunde ungenau beziehungsweise falsch sind. Aber die Frage ist nicht so sehr, ob schwarz oder weiß, ob wahr oder falsch, die Frage ist vielmehr, wie gut ein Modell ist, um einer sehr viel komplexeren Realität zu entsprechen. Deshalb komme ich zu dem Schluss, dass wirtschaftswissenschaftliche oder finanzmathematische Modelle, ganz egal wie anspruchsvoll sie auch sein mögen, nur für einen kurzen Zeitraum funktionieren. Sie mögen für einen bestimmten Zeit­raum eine gute Approximation, eine gute Annäherung darstellen. Aber sie müssen sich dann auch wieder an die Art der ­zugrunde liegenden Marktveränderungen anpassen, die sich ständig vollziehen.

War das der Grund, warum Sie 2010 mit dem Papier zum Physikneid eine Art Erläuterung Ihrer Arbeit über adaptive Märkte von 2004 schreiben mussten, um Ihre Sichtweise Marktteilnehmern näherzubringen, die diese nicht verstanden hatten?
Wenn Sie so wollen, ja. Als ich 2004 zum ersten Mal über adaptive Märkte geschrieben habe, schlug mir große Skepsis entgegen. Einer der Gründe dafür war, dass die meisten meiner Kollegen aus der Wirtschaftswissenschaft, aber auch Praktiker in der Industrie es einfach gewohnt waren, in einem bestimmten Paradigma zu denken. In den Jahren 2007 und 2008 aber kam es zur Finanzkrise, und das hat den Blick auf dieses Paradigma wirklich verändert. Manche dachten, dass entweder das bisher verwendete Paradigma falsch war und wir uns in einem neuen Paradigma befinden, andere gingen davon aus, es sei kein neues Paradigma und man werde wieder zu dem vorherigen Muster zurückkehren. Meiner Meinung nach hat keine von beiden Seiten recht. Wir wissen, dass die Welt sich ständig verändert. Manchmal kommt es aber zu außergewöhnlich großen seismischen Veränderungen im Ökosystem. Die Finanzkrise hat an den Kapitalmärkten zu ähnlich einschneidenden Veränderungen in der Finanz­welt geführt wie in der Natur der Einschlag eines Asteroiden vor rund 66 Millionen Jahren, als eine riesige Staubwolke das Sonnenlicht verdunkelt hat. Dieses Ereignis hat zum Absterben bestimmter Pflanzen- und Tierarten und zur Entstehung neuer Arten, darunter auch des Homo sapiens, geführt. Das ist ein Beispiel dafür, was solche gera­dezu kataklysmischen Ereignisse bewirken können. Und die Entwicklung von 2007 und 2008 hatte eine genau solche Wirkung auf Wirtschaft und Kapitalmärkte. Wenn man unser finanzielles Ökosystem als eine Art biologische Einheit betrachtet, dann kann man sehr viel darüber lernen, was ­sowohl vor als auch während und nach ­solchen einschneidenden Krisen passiert.

Aber hinkt Ihr Vergleich nicht ein wenig? Veränderungen in der Natur, die mit solchen Katastrophen einhergehen, wie Sie sie ­beschreiben, dauern doch Tausende und Abertausende von Jahren.
Das ist mir schon bewusst, deshalb trägt mein Buch über adaptive Märkte den Untertitel „Finanzielle Evolution in der Geschwindigkeit von Gedanken“. Evolution in biologischen Systemen erfolgt von einer zur nächsten Generation, manchmal braucht es mehrere Generationen, bis sich Tier- oder Pflanzenarten an neue Umstände in ihrer Umgebung angepasst haben. Was uns Menschen vom Tier unterscheidet, das ist die Fähigkeit zu abstraktem Denken und damit einhergehend einer anderen Art der Evolution. Wir müssen eben nicht mehrere Gene­rationen darauf warten, bis sich neue Verhaltensweisen oder Überlebensstrategien als vorteilhafter durchsetzen. Beim Menschen kann sich Evolution sozusagen in Gedankenschnelle abspielen. Wir können gewissermaßen sogar mehrere Möglichkeiten gleichzeitig durchspielen, um uns am Ende für eine bestimmte zu entscheiden. Natürlich können wir falschliegen, aber wir sind dennoch im Vorteil gegenüber einem Tier, weil wir uns erheblich schneller an veränderte Situationen anpassen können als Tiere.

Bei all Ihrer Kritik an vielen in der Wirtschaftswissenschaft vorherrschenden Mo­del­len räumen Sie in Ihren Arbeiten ja schon ein, dass es zum Teil zu bahnbrechenden Entwicklungen in Ihrem Wissenschaftssektor gekommen ist. Welche sind das?
Ich würde schon sagen, dass das traditionelle ökonomische Paradigma eine große Zahl von wirklich bedeutenden Erkenntnissen hervorgebracht hat. Nehmen Sie zum Beispiel die Spieltheorie: Die Beobachtung und Erforschung von strate­gi­schen Wechselwirkungen zwischen ver­schie­denen Wirtschaftsakteuren und deren Quan­ti­fizierbarkeit war natürlich ein echter Durchbruch. Auch die Arbeiten über das Allgemeine Gleichgewichtsmodell haben dazu beigetragen, ein Verständnis davon zu entwickeln, dass viele Märkte im Lauf der Zeit ausbalanciert werden müssen und dass es von Zeit zu Zeit zu solchen Gleichgewichten kommt. Das war ein wichtiger Durchbruch. Auch die Optionspreistheorie hat unglaublich tiefe Einsichten gebracht, indem sie tatsächlich Raum und Zeit verbunden hat, fast wie in einer Art Relati­vi­täts­theorie für die Preisgestaltung von ­Finanz­­­instrumenten. All diese Ideen sind extrem wertvoll, um uns zu zeigen, wie die Finanzmärkte in rationalen Verhaltensphasen funktionieren. Das Problem ist, dass diese Model­le bisher unberücksichtigt gelassen haben, was in Zeiten irrationaler Verhaltensweisen passiert. Aber es ist nun einmal eine Tatsache, dass wir alle, jeder von uns, von Zeit zu Zeit ein irrationales Verhalten an den Tag legen. Und die wichtige Frage ist nun einmal, was passiert, wenn wir alle eben gleichzeitig ein solches irrationales Verhalten an den Tag legen. Im Grunde wissen wir die Antwort, wenn wir uns an Ereignisse erinnern, wie wir sie aus den Jahren 2008 oder 1987 oder auch 1929 kennen. Gerade deshalb ist es wichtig, ein umfassenderes Bild der Finanzmärkte zu entwickeln, statt nur die Zeiten rationaler Erwartungen zu berück­sichtigen. Die Markt­effizienzhypothese hat eine unglaublich wichtige und in vielen Fällen sehr ­genaue Beschreibung der Märkte geliefert. Aber diese Beschreibung ist nicht vollständig, sie lässt unberücksichtigt, dass Märkte in Übergangsphasen mit großen Umbrüchen von einem Gleichgewicht zu einem anderen übergehen.

Das heißt, wir brauchen die Erkenntnisse von Wissenschaftlern wie Richard Thaler oder Robert Shiller für ein solches Gesamtverständnis von Märkten?
Genau! Wir brauchen das Verhaltenselement, das psychologische Element. Und ich glaube sogar, dass wir das neurowissenschaftliche Element wie auch das evolutionsbiologische Element in unseren Modellen brauchen. Nicht nur, um das Verhalten in solchen anormalen Zeiten besser zu verstehen: Es ist genauso wichtig, die Marktdynamik dahinter zu verstehen, zu wissen, wie lange es dauert und warum es so lange dauert, zu einem „New Normal“ der Marktbedingungen zurückzukehren. Denn es ist wirklich die evolutionäre Dyna­mik menschlichen Verhaltens, die mit all diesen Kräften von Rationalität und Arbitrage interagiert.

Wenn man allerdings die quantitativen ­Ansätze vieler Ökonomen und Finanzanalysten genau betrachtet, dann scheint die Welt der sogenannten „Quants“ mit ihren pseudophysikalischen Gesetzen oft geradezu die Möglichkeit zu ignorieren, dass Unsicherheit überhaupt existiert?
Man sollte zunächst nicht vergessen, dass es ein Ökonom, nämlich Frank Knight, war, der die Unterscheidung zwischen Risiko und Unsicherheit überhaupt erst aufgebracht und wissenschaftlich untermauert hat. Aber genau damit sind wir beim Kern der Frage, warum ökonomische Modelle oft scheitern und warum finanzwirtschaftliche Theorien häufig nicht funktionieren. Risiko ist die Art von Zufälligkeit, die sich mithilfe von Wahrscheinlichkeitstheorie und Statistik parametrisieren lässt. Unsicherheit beschreibt die sogenannten „unbekannten Unbekannten“, die mit diesen Methoden eben nicht erfasst werden können. Daher gebe ich Ihnen recht: Es ist die Mischung aus Risiko und Unsicherheit, die bestimmt, wie gut ein mathematisches Modell funktioniert. Und diese Unterscheidung wird insbesondere im Bereich der quantitativen finanzmathematischen Modelle oft vernachlässigt oder vergessen. Es ist sehr einfach, sich in einer falschen Sicherheit von Präzision zu wähnen, nur weil wir sehr komplexe Modelle zum Value at Risk oder zur Bepreisung von Optionen haben. Diese Komplexität gibt uns oft ein Gefühl von Vollendung und Präzision, die in Wirklichkeit nicht existieren. Denn in vielen Fällen dominiert das Ausmaß an Unsicherheit in Wahrheit über das Ausmaß an Zufälligkeit innerhalb eines gegebenen Wirtschaftssys­tems. Wir müssen also wirklich bessere ­Methoden entwickeln, um diese Art von Dicho­tomie erfassen und die Grenzen unserer Modelle erkennen zu können. Denn genau das tun wir im Moment nicht.

Was schlagen Sie vor?
Wir brauchen eine neue Taxonomie der Unsicherheit. Wir haben dazu schon vor längerer Zeit einen Vorschlag ­erarbeitet, in dem wir die grundlegenden Erkenntnisse von Frank Knight zu einem praktikablen Rahmen ausdehnen. Dieser mehrstufige Ansatz reicht von Systemen, bei denen es ein nur geringes Maß an Unsicherheit gibt – die dann im Übrigen wieder durch finanzmathematische Modelle erfasst werden können –, bis hin zu Systemen, bei denen die Unsicherheit so groß und unreduzierbar ist, dass es sinnlos wäre, irgendein quantitatives Modellen anzuwenden.

Würden Sie sagen, dass die Schöpfer quantitativer Modelle so lange daran herum­gebastelt haben, bis das jeweilige Modell realistisch genug aussah, und dabei in Kauf genommen haben, grundlegende Prämissen wie das Vorhandensein von Unsicherheit und die Möglichkeit von sich verändernden Erwartungen und Annahmen auf Seiten der Marktteilnehmer zu ignorieren?
Das ist sicher eine gute Beschreibung, wie die quantitative Modellierung in den vergangenen zwanzig oder dreißig Jahren in der Finanzindustrie stattgefunden hat. Aber ich denke, sie verändert sich und wird immer ausgefeilter. Daher besteht durchaus die Hoffnung, dass die Modelle in gewisser Weise einfacher werden, wenn wir einerseits anerkennen, dass ein wichtiges Teil in den Modellen nicht vorhanden gewesen ist, und andererseits dafür Sorge tragen, dass dieses fehlende Teil in das Puzzle eingefügt wird. Dann besteht am Ende durchaus die Möglichkeit, dass sozusagen alles Sinn ergibt, ohne extrem seltsame Arten von Jus­tierungen zur Einbeziehung von Daten vornehmen zu müssen.

Was genau ist dieses fehlende Teil?
Aus meiner Sicht ist es die Berücksichtigung menschlichen Verhaltens in Reaktion auf sehr große Marktverände­rungen, wie wir sie 2008 oder 1987 erlebt haben. Das betrifft eben nicht nur die Tatsache, dass Credit Spreads und Marktvolatilität von koordinierten menschlichen Aktivitäten angetrieben werden, sondern auch dass extreme Verluste und Gewinne durch das Handeln von Menschen ausgelöst werden. Aber wir werden immer ausgefeilter bei der Verwendung von Daten, um solche Vorhersagen treffen zu können. Das Aufkommen von Machine Learning und künstlicher Intelligenz ermöglicht es uns, Vorhersagen auf einer viel breiteren ökonomischen Ebene zu treffen, als wir es jemals konnten. Deshalb besteht die Hoffnung, dass wir in die Lage versetzt werden könnten, diese Phasen koordinierten Agierens zu identifizieren, in denen Investoren alle nahezu gleichzeitig beschließen, den Markt zu verlassen oder an ihn zurückzukehren.

Wir danken für das Gespräch.   

Hans Heuser


Scharfsinniger Kritiker finanzmathematischer Modelle

Prof. Andrew Lo ist Charles E. and Susan T. Harris Professor an der Sloan School of Management des Massachusetts Institute of Technology (MIT). Lo leitet zudem als Direktor das dem MIT angegliederte Laboratory for Financial Engineering. Er fungiert darüber ­hinaus als Research Associate für das National Bureau of Economic Research. Lo hat zahlreiche Artikel in Finanz- und Wirtschaftszei­t­schriften veröffentlicht und mehrere Bücher verfasst, darunter als jüngs­tes Werk „Adaptive Markets – Finanzielle Evolution in Gedankengeschwindigkeit“. Er ist Mit­herausgeber des „Annual Review of Financial Economics“ und Berater des „Journal of Investment Management“ und des „Journal of Portfolio Management“. Los ­aktuelle Forschung umfasst eine Reihe von Forschungsbereichen, darunter evolutionäre Modelle des Anlegerverhaltens und adaptiver Märkte, systemische Risiko- und Finanzregulierung, quantitative Modelle der Finanzmärkte sowie Anwendungen von Machine Learning in Finanz- und Wirtschaftswissenschaft. Zu seinen jüngsten Projekten gehören neben Ableitungen aus der Risiko- und Verlust­aversion auch neue Messmethoden von systemischen Risiken, aber auch die Entwicklung neuer statis­ti­scher Instrumente zur Vorhersage klinischer Studienergebnisse.

twitterlinkedInXING
 Schliessen

Mit der Nutzung dieser Website stimmen Sie der Verwendung von Cookies und unserer Datenschutzerklärung zu. Mehr erfahren