Zusammenfassung
Auf Basis der theoretischen Erörterungen werden drei grundlegende Dimensionen des Investorenverhaltens identifiziert. Die jeweiligen Extrempole der Investorendimensionen werden beschrieben und diskutiert, welche Marktentwicklungstendenzen vom jeweiligen Investorentyp ausgehen. Darüber hinaus werden Hypothesen zur Erklärung der (Un)prognostizierbarkeit von Marktentwicklungen, zum Verständnis von „Excess Volatility“, zur Beschreibung unterschiedlicher Ursachen von Marktkrisen und zur Gewinnung von Ansatzpunkten für Marktregulierungsmaßnahmen mithilfe der neuen Investorentypologie formuliert.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Notes
- 1.
Zumindest soll dies für die „rationalen“ Investoren gelten, deren Entscheidungen relevant für die Marktpreisentwicklung sind.
- 2.
„Herdenverhalten“ von Investoren lässt sich als Imitationsverhalten verstehen (Spyrou 2013, S. 175).
- 3.
So beurteilten beispielsweise österreichische Anleger Produkte der „staatlich geförderten Pensionsvorsorge“ auf Grund von Werbeinformationen der österreichischen Banken. Dabei wurden (von einem Teil der Befragten) jährlich ausgeschüttete staatliche „Prämien“ mit Zinsen verwechselt und demzufolge Produkten mit niedrigerer Gesamtverzinsung der Vorzug gegeben (Vitouch et al. 2007, S. 3–4).
- 4.
Ein Beispiel für die Verwendung irrelevanter Informationen durch Marktteilnehmer in einem experimentellen Setting findet sich bei Kirchler, Maciejovsky und Weber (2005, S. 91).
- 5.
Eine solche Vorgehensweise liegt technischen Analysemethoden zu Grunde. Siehe beispielsweise Hoffmann und Shefrin (2014, S. 5).
- 6.
Fenzl und Pelzmann (2012, S. 63) schließen beispielsweise aus der Literatur zu Herdenverhalten und Ansteckungsprozessen, dass sich Marktteilnehmer häufig der sozialen Beeinflussungsprozesse nicht bewusst sind, die zu einer Synchronisation der Verhaltensweisen führen.
- 7.
Für einen Überblick siehe Fenzl und Pelzmann (2012).
- 8.
Marktunabhängige nicht fundamentale Informationen können auch bei der Entstehung von Blasen und Crashs eine Rolle spielen. Von entscheidender Bedeutung ist jedoch die selbstreferenzielle Information, dass solche Informationen von einer großen Zahl von Marktteilnehmern geglaubt und von glaubwürdigen Quellen verbreitet werden – siehe beispielsweise die Verbreitung von nicht fundamentalen Bewertungsmodellen während des Internetbooms (Baigent und Acar 2000, S. 198). Denn nicht fundamentale Informationen werden zu jeder Zeit erzeugt, erhalten aber nur durch die selbstreferenzielle Bestätigung ihre marktbeeinflussende Bedeutung.
- 9.
Siehe beispielsweise die Studie von Lam (2004).
- 10.
Zu den Eigenschaften des Hochfrequenzhandels siehe beispielsweise die Beschreibung der U.S. Securities and Exchange Commission (2010, S. 3606).
- 11.
Die Geschwindigkeit, mit der Marktteilnehmer ihre Regeln adaptieren, wird im Rahmen der dritten Dimension des Investorenverhaltens unter Abschn. 7.1.3 beschrieben.
- 12.
LeBaron spricht von „deduktiven Strategien“ und meint damit wohl Induktionsschlüsse, die auf komplexeren theoretischen Modellen zur Verarbeitung der Informationen in Hinblick auf die Erwartungsbildung, Bewertung und Prognoseerstellung beruhen.
- 13.
Passive Market Maker stellen Liquidität zur Verfügung, um Ungleichgewichte zwischen Angebot und Nachfrage auszugleichen. Als Vergütung profitiert dieser Händlertyp von der Geld-Brief-Spanne (Goldstein et al. 2014, S. 185–186).
- 14.
Markt Mikrostruktur Händler versuchen Preisentwicklungen zu erkennen und davon zu profitieren, zum Beispiel indem aus den bestehenden Kauf- und Verkaufsaufträgen auf etwaige bevorstehende Aufträge geschlossen wird (Goldstein et al. 2014, S. 186).
- 15.
Event Arbitrage Händler versuchen durch schnelle Reaktionen auf Nachrichten („fundamentale“ Informationen) Profite zu generieren (Goldstein et al. 2014, S. 186–187).
- 16.
Statistisch ausgerichtete Händler agieren auf Basis der Zusammenhänge zwischen Preisen unterschiedlicher Wertpapiere indem sie versuchen, von Veränderungen dieser Preisrelationen zu profitieren (Goldstein et al. 2014, S. 187).
- 17.
Die Informationen, auf die das Back-Scholes/Merton Optionspreismodell zurückgreift, werden hier als marktunabhängig klassifiziert, da keine Marktdaten von Optionen verwendet werden (sondern Marktdaten der Basiswerte, zum Beispiel Aktien).
- 18.
Die verwendeten Informationen werden hier ebenfalls als marktunabhängig eingestuft, da die Preise der CDOs nicht bei der Bewertung verwendet wurden. Das Modell basierte auf Marktpreisen von Versicherungen gegen das Kreditausfallsrisiko, sogenannten „Credit Default Swaps“ (Salmon 2012, S. 19).
- 19.
Diese Sichtweise wirft somit auch ein neues Licht auf die Diskussion zwischen Vertretern der Effizienzmarkthypothese und der Behavioral Finance ob hohe Volatilität (Volatilität, die auf Basis der Informationslage alleine nicht erklärt werden kann) ein Zeichen für „Ineffizienz“ wäre. Siehe zum Beispiel Shiller (1981).
- 20.
Dies gilt selbstverständlich nur dann, wenn diese Marktteilnehmer genügend Marktmacht besitzen, um durch ihre Handlungen den Marktpreis zu beeinflussen.
- 21.
Es gibt die Hypothese, dass die Strategien algorithmischer Händler stärker korreliert sind als die Strategien menschlicher Händler, das heißt dass die algorithmischen Strategien eine geringere Diversität aufweisen (Chaboud et al. 2014).
Literatur
Ball, R. (2009). The global financial crisis and the efficient market hypothesis. What have we learned? Journal of Applied Corporate Finance, 21(4), 8–16.
Baigent, G. G., & Acar, W. (2000). The new economy creed: A case of thought contagion. Journal of Psychology and Financial Markets, 1(3–4), 193–199.
Bartelborth, T. (2012). Die erkenntnistheoretischen Grundlagen induktiven Schließens. http://www.qucosa.de/fileadmin/data/qucosa/documents/8456/Bartelborth-Induktives-Schliessen-2012.pdf. Zugegriffen: 9. Okt. 2014.
Brenner, T. (2006). Agent learning representation: Advice on modelling economic learning. In L. Tesfatsion & K. L. Judd (Hrsg.), Handbook of computational economics. Volume 2. Agent-based computational economics: Bd. 13. Handbooks in economics (S. 895–947). Amsterdam: Elsevier.
Chaboud, A. P., Chiquoine, B., Hjalmarsson, E., & Vega, C. (2014). Rise of the machines: Algorithmic trading in the foreign exchange market. Journal of Finance, 69(5), 2045–2084.
Collier, D., LaPorte, J., & Seawright, J. (2012). Putting typologies to work: Concept formation, measurement, and analytic rigor. Political Research Quarterly, 65(1), 217–232.
Deaves, R., Lüders, E., & Schröder, M. (2010). The dynamics of overconfidence: Evidence from stock market forecasters. Journal of Economic Behavior & Organization, 75(3), 402–412.
Fenzl, T., & Pelzmann, L. (2012). Psychological and social forces behind aggregate financial market behavior. Journal of Behavioral Finance, 13(1), 56–65.
Frankfurter, G. M., & McGoun, E. G. (1996). Toward finance with meaning. The methodology of finance, what it is and what it can be: Bd. 80. Contemporary studies in economic and financial analysis. Greenwich: JAI Press.
Goldstein, M. A., Kumar, P., & Graves, F. C. (2014). Computerized and high-frequency trading. Financial Review: Official Publication of the Eastern Finance Association, 49(2), 177–202.
Groß-Klußmann, A., & Hautsch, N. (2011). When machines read the news. Using automated text analytics to quantify high frequency news-implied market reactions. Journal of Empirical Finance, 18(2), 321–340.
Grossman, S. J., & Stiglitz, J. E. (1980). On the impossibility of informationally efficient markets. American Economic Review, 70(3), 393–408.
Hoffmann, A. O. I. & Shefrin, H. (2014). Technical analysis and individual investors. Journal of Economic Behavior & Organization, 107, Part B, 487–511. http://www.sciencedirect.com/science/article/pii/S0167268114001073. Zugegriffen: 24. Sept. 2014.
Hommes, C. H. (2006). Heterogeneous agent models in economics and finance. In L. Tesfatsion & K. L. Judd (Hrsg.), Handbook of computational economics. Volume 2. Agent-based computational economics :Bd. 13. Handbooks in economics (S. 1109–1186). Amsterdam: Elsevier.
Hong, H., & Stein, J. C. (2005). A unified theory of underreaction, momentum trading, and overreaction in asset markets. In R. H. Thaler (Hrsg.), Advances in behavioral finance (The Roundtable series in behavioral economics, S. 502–540). New York: Russell Sage Foundation.
Kirchler, E., Maciejovsky, B., & Weber, M. (2005). Framing effects, selective information, and market behavior: An experimental analysis. The Journal of Behavioral Finance, 6(2), 90–100.
Kirilenko, A. A., & Lo, A. W. (2013). Moore’s law vs. Murphy’s law: Algorithmic trading and its discontents. Social Science Research Network Electronic Journal, 1–20. http://ssrn.com/abstract=2235963. Zugegriffen: 25. Aug. 2015.
Kumiega, A., Vliet, van, & Edward, B. (2012). Automated finance: The assumptions and behavioral aspects of algorithmic trading. Journal of Behavioral Finance, 13(1), 51–55.
Lam, M. (2004). Neural network techniques for financial performance prediction: Integrating fundamental and technical analysis. Decision Support Systems, 37(4), 567–581.
LeBaron, B. (2006). Agent-based computational finance. In L. Tesfatsion & K. L. Judd (Hrsg.), Handbook of computational economics. Volume 2. Agent-based computational economics: Bd. 13. Handbooks in economics (S. 1187–1233). Amsterdam: Elsevier.
Lo, A. W. (2004). The adaptive markets hypothesis. Journal of Portfolio Management, 30(5), 15–29.
Mandara, J. (2003). The typological approach in child and family psychology: A review of theory, methods, and research. Clinical Child and Family Psychology Review, 6(2), 129–146.
Nagel, R. (1995). Unraveling in guessing games. An experimental study. American Economic Review, 85(5), 1313–1326.
Orléan, A. (2005). The self-referential hypothesis in finance. http://www.parisschoolofeconomics.com/orlean-andre/depot/publi/CHA2005tSELF.pdf. Zugegriffen: 25. Aug. 2015.
Salmon, F. (2012). The formula that killed Wall Street. Significance, 9(1), 16–20.
Scholtus, M., van Dijk, D., & Frijns, B. (2014). Speed, algorithmic trading, and market quality around macroeconomic news announcements. Journal of Banking & Finance, 38, 89–105.
Shiller, R. J. (1981). The use of volatility measures in assessing market efficiency. Journal of Finance, 36(2), 291–304.
Shiller, R. J. (2003). From efficient markets theory to behavioral finance. Journal of Economic Perspectives, 17(1), 83–104.
Spyrou, S. (2013). Herding in financial markets: a review of the literature. Review of Behavioural Finance, 5(2), 175–194.
Taleb, N. N. (2008). Der Schwarze Schwan. Die Macht höchst unwahrscheinlicher Ereignisse. München: Hanser.
U.S. Securities and Exchange Commission. (2010). Concept release on equity market structure; proposed rule, 3594–3614. http://www.sec.gov/rules/concept/2010/34-61358fr.pdf. Zugegriffen: 27. Okt. 2014.
Vitouch, O., Strauß, S., & Ladinig, O. (2007). Kognitive Täuschungen durch Prozentangaben: Der Fall der staatlich geförderten Pensionsvorsorge (Coper-Premium). Inducing cognitive fallacies by percentage formats: The case of the federally sponsored ‚premium pension‘. Erweiterter Abschlussbericht zum OeNB-Jubiläumsfonds-Projekt Nr. 11109.
Author information
Authors and Affiliations
Corresponding author
Rights and permissions
Copyright information
© 2016 Springer Fachmedien Wiesbaden
About this chapter
Cite this chapter
Janous, G. (2016). Entwicklung einer Investorentypologie zur Charakterisierung von Marktentwicklungen. In: Zum Verhältnis von Markt und Individuum auf Finanzmärkten. Forschung und Praxis an der FHWien der WKW. Springer Gabler, Wiesbaden. https://doi.org/10.1007/978-3-658-13724-3_7
Download citation
DOI: https://doi.org/10.1007/978-3-658-13724-3_7
Published:
Publisher Name: Springer Gabler, Wiesbaden
Print ISBN: 978-3-658-13723-6
Online ISBN: 978-3-658-13724-3
eBook Packages: Business and Economics (German Language)