Algo Aversion: Warum der Mensch der Maschine nicht traut

Überall um uns herum übernehmen Algorithmen immer mehr Aufgaben. Sei es als Fahr- und Assistenzsysteme im Auto, im Internet oder in der Medizin. Und dennoch: Die Mehrheit der Menschen traut Algorithmen nicht über den Weg und verlässt sich bei der Entscheidungsfindung lieber auf Prognosen menschlicher Experten. Warum das selbst dann der Fall ist, wenn Algorithmen nachweislich besser abschneiden und welche Schlüsse wir daraus als Trader ziehen sollten, beantwortet eine aktuelle Studie der University of Pennsylvania.

Algorithmen treffen die besseren Entscheidungen

Wer liefert bessere Prognosen: Menschen oder Algorithmen? Auch wenn es dem menschlichen Ego nicht gerade schmecken  dürfte  –  die  Forschungsergebnisse  der  letzten Jahre belegen, dass Algorithmen besser abschneiden als  menschliche  Experten  und  zwar  in  unterschiedlichsten  Bereichen.  Eine  im  Jahr  2000  veröffentlichte,  viel  zitierte Meta-Studie1 weist dies anhand von insgesamt 136 Studien nach: Algorithmen  schlugen  dort  menschliche  Vorhersagen in 94Prozent aller Fälle. Die Überlegenheit der statistischen Modelle  ist  nach  Aussagen  der  Forscher  konsistent  und zwar unabhängig vom Aufgabengebiet, der Art und Erfahrung der Teilnehmer und der zugrundeliegenden Daten.

Wenn Algorithmen nachweislich Vorteile haben, warum lehnen wir diese ab?

Umso erstaunlicher ist die Tatsache, dass Menschen sich eher auf eine „menschengemachte“ Prognose verlassen als die eines statistischen Algorithmus – mit den entsprechenden Konsequenzen. Dieses Phänomen wird als „Algorithm Aversion“ bezeichnet. Wo liegen die Gründe für dieses Verhalten? Die Wissenschaft liefert hierfür mehrere Hypothesen: Zum einen könnte dies mit dem Wunsch des  Menschen  zusammenhängen,  möglichst  perfekte Vorhersagen  erhalten  zu  wollen.

Auch  die  Annahme,  Algorithmen würden  keine  qualitativen  Faktoren berücksichtigen,  ist  ein  möglicher Erklärungsansatz.  Die  Annahme, dass menschliche Experten im Laufe der Zeit durch ihre Erfahrung ihre Vorhersagequalität  steigern,  dürfte ebenso eine Rolle spielen wie die Bedürfnispyramide nach Maslow: Algorithmen,  die  besser  als  der  Mensch abschneiden,  stehen  dem  menschlichen  Selbstwertgefühl  schließlich gehörig im Weg.

Ein Experiment liefert neue Erkenntnisse

Die  Forscher  der  Universität  von Pennsylvania2 wollten  es  genauer  wissen  und  stellten eigene Untersuchungen an. Probanden hatten dabei die Aufgabe,  anhand  unterschiedlicher  Daten  die  Erfolgsaussichten der Bewerber vorherzusagen und über deren Zulassung zum MBA-Programm zu entscheiden. Das Besondere  dabei:  In  unterschiedlichen  Experimenten  bot man  den  Teilnehmern  die  Gelegenheit,  vor  Abgabe  ihrer eigenen Prognose entweder dem statistischen Prognosemodell der Zulassungsstelle „über die Schulter“ zu blicken, einem menschlichen Experten, beiden oder aber keinem der beiden. Diese Unterteilung machte es möglich,  herauszufinden,  ob  und  wann  die  Teilnehmer  sich selbst, einem Modell oder einem anderen Experten vertrauten  und  wie  die  Performance  des  Algorithmus  die Wahl beeinflussen würde. Als Anreiz fungierte ein finanzieller Bonus: Je besser die Prognosequalität der Teilnehmer  (unabhängig  davon,  ob  diese  von  ihnen  oder  vom Algorithmus  stammt),  desto  höher der mögliche Bonus für die Teilnehmer.

Total irrational – Menschen lehnen Algorithmen ab, gerade weil sie outperformen!

Die Ergebnisse der Studie sind in vielerlei Hinsicht interessant  und  liefern  gerade  für  Trader  jede  Menge  Stoff zum  Nachdenken  –  doch  dazu  später  mehr.  Der  Algorithmus schnitt in allen Experimenten besser ab als die Probanden  und  bestätigte  damit  die  Ergebnisse  anderer Studien. Die durchschnittliche Fehlerrate lag bei den Probanden  um  15  bis  29  Prozent  höher  als  beim  Algorithmus. Das Pikante dabei: Die Probanden zeigten eine ausgeprägte  Aversion  gegenüber  algorithmisch  generierten  Vorhersagen,  wenn  sie  die  Modelle  „beobachten“  konnten.  Die  ablehnende  Haltung  war  auch  dann vorhanden,  wenn  die  Algorithmen  besser  abschnitten als  die  menschlichen  Experten.  Die  Hypothese  der  Forscher wurde damit eindrucksvoll bestätigt:

Gerade weil der Mensch den Algorithmus „bei der Arbeit“ und damit früher oder später auch dessen Fehler beobachtet, setzt er eher auf die menschliche Expertise. Und das trotz der höheren Genauigkeit des Algorithmus.

Die  Schlussfolgerung  daraus  lautet:  Menschen  kehren dem Algorithmus bei Fehlern schneller den Rücken als ihren Mitmenschen – sogar dann, wenn letztere größere Fehler machen. Um bei dem Fall mit der Zulassung zum  MBA-Studium  zu  bleiben:  Wir  verzeihen  dem  Angestellten in der Zulassungsstelle eher einen Fehler und drücken  ein  Auge  zu,  Fehlentscheidungen  des  statistischen Prognosemodells dulden wir hingegen nicht. Auch wenn  wir  wissen,  dass  dieses  langfristig  die  besseren Entscheidungen trifft.

Wie  kommt  es  aber,  dass  die  Teilnehmer  glauben, dass  Algorithmen  offensichtliche  Fehler  eher  vermeiden  als  Menschen,  sich  aber  mehrheitlich  dennoch  auf letzteres verlassen? Die Antwort der Forscher: Sie glauben,  dass  ihre  Mitmenschen  besser  aus  Fehlern  lernen als Algorithmen

Je geringer das Vertrauen in die Zuverlässigkeit des Modells, desto unwahrscheinlicher ist es, dass Personen sich bei der Abgabe einer Prognose auf den Algorithmus verlassen. Interessanter ist aber vor allem folgende Tatsache: Gerade dann, wenn Menschen den Algorithmus „bei der Arbeit“ und damit früher oder später auch dessen Fehler beobachten, sinkt die Wahrscheinlichkeit, dass dieser gewählt wird2.

Mensch versus Maschine – wer ist der bessere Trader?

Nachdem  wir  die  wichtigsten  Ergebnisse  der  wissenschaftlichen Studie dargelegt haben, stellt sich die Frage, was das alles mit der Börse und Trading zu tun haben soll. Sehr viel! Schließlich steht auch hier jeder Marktteilnehmer vor der Frage, welchem Ansatz er für seine Trading- oder Investmententscheidungen vertrauen möchte:

  1. einem Algorithmus (100 Prozent regelbasierte Handelsstrategie)
  2. einem menschlichen Experten (eigene Einschätzung beziehungsweise Drittmeinung von Analysten, Fondsmanagern usw.)
  3. einer Kombination aus Algorithmus und Mensch

Algorithmic Trading bezeichnet den Handel von Wertpapieren mit klar definierten, im Vorfeld getesteten Regeln. Der Einstieg, die Wahl der Positionsgröße, das Stop-Management und die Berechnung optionaler Kursziele folgen allesamt einer Systematik, die in einem Quellcode niedergeschrieben ist. Als Grundlage einer solchen Handelsstrategie kommen beispielsweise Werkzeuge der Technischen Analyse wie Indikatoren oder Kursmuster zum Einsatz. 

Im Vergleich zum diskretionären Ansatz, der viele subjektive Elemente enthält, liefert der algorithmische Handel damit entscheidende Vorteile: 

  • Menschen können je nach physiologischem Zustand oder Umwelteinflüssen bei gleichen Fakten zu unterschiedlichen Entscheidungen kommen. Algorithmen haben dieses Problem nicht.
  • Menschen  verlassen  sich  auf  Heuristiken, die nicht immer sinnvoll und empirisch fundiert  sind.  Algorithmen  verlassen  sich  dagegen ausschließlich auf Fakten und Beweise.
  • Menschen zeigen Overconfidence und Überoptimismus. Algorithmen kennen diese Zustände nicht, sie kennen keine Emotionen und besitzen kein Ego.

Gerade für institutionelle Marktteilnehmer bietet eine Algorithmic Trading zahlreiche Vorteile. Mit der richtigen Software können viele Arbeitsschritte automatisiert werden, z.B. das Scannen nach interessanten Wertpapieren oder das Backtesting von Handelsideen. Auch der Handel und die Überwachung großer Portfolien inklusive Position Sizing lassen sich sicher und effizient umsetzen.

Fehlentscheidungen aufgrund von Emotionen wie Angst und Gier werden auf diese Weise vollständig eliminiert. Der systematische Auf- und Abbau von Positionen und die Kombination unterschiedlicher Strategien, Zeitebenen und Märkte bieten das Potenzial, das Risiko-Ertrags-Verhältnis zu verbessern.


Von David Pieper, CIIA
Senior Technical Analyst
David.Pieper@tradesignal.com
 
Tradesignal Ltd. (Deutschland), Mainzer Landstr. 50, 60325 Frankfurt
www.tradesignal.com

Quellen:
1) Grove, Zald, Lebow, Snitz, and Nelson, „Clinical  Versus  Mechanical  Prediction:  A  Meta-Analysis”
2) Berkeley J. Dietvorst, Joseph  P.  Simmons,  Cade  Massey, „Algorithm  Aversion:  People  Erroneously avoid Algorithms after seeing  them  err”

Über den Autor

  • David Pieper

    David Pieper

    Senior Technical Analyst, Tradesignal Ltd. Deutschland

    David verfügt über 15 Jahre Finanzmarkterfahrung. Nach seinem BWL-Studium und der Weiterbildung zum Certified International Investment Analyst (CIIA) war er mehrere Jahre im Investment Research einer großen deutschen Landesbank tätig.

    RSS-Feed abonnieren