Anlegen: Verwechseln Sie nicht Ursachen und Wirkung!

Sie möchten ohne fremde Hilfe an den Märkten anlegen? Wir geben Ihnen eine Reihe wertvoller Ratschläge zum Thema Statistik, damit Sie als Anleger zukünftig noch besser informiert sind. Mit ihrer Hilfe wird es Ihnen möglich sein, die Qualität der von Ihnen herangezogenen statistischen Daten besser zu prüfen und Ihre Quellen kritisch zu hinterfragen.

In unserer Beitragsreihe zum Thema Verhaltensökonomik warnt myLIFE Sie immer wieder vor den kognitiven Verzerrungen, die das Urteilsvermögen täuschen und Sie zu falschen Anlageentscheidungen verleiten können. Angesichts dieser Verzerrungen weisen wir regelmäßig darauf hin, wie wichtig es ist, sich von Experten unterstützen zu lassen. Allerdings verbietet Ihnen niemand, eigenständig zu handeln.

Und falls Sie dies doch tun, suchen Sie ganz bestimmt nach zuverlässigen Indikatoren, um Ihre Entscheidungen darauf zu stützen, oder? Denn der Versuch, die mögliche Wertentwicklung einer Anlage zu beurteilen, erfordert eine faktische Analyse auf Grundlage von Zahlen und eher noch von Statistiken.

Indikatoren zu suchen, die Ihnen bei der Entscheidung helfen, ist ein gutes Mittel, sofern sie auf zuverlässigen, stichhaltigen Daten beruhen. Ebenso, wie trotz gutem Rezept ein Gericht nicht gelingt, weil man Zutaten minderer Qualität verwendet, kann eine gute statistische Analyse nicht zu zuverlässigen Ergebnissen führen, wenn ihr fehlerhafte oder falsche Daten zugrunde gelegt werden.

Eine gute statistische Analyse kann nicht zu zuverlässigen Ergebnissen führen, wenn ihr fehlerhafte oder falsche Daten zugrunde gelegt werden.

„Garbage in, Garbage out!“

„Garbage in, Garbage out“, wie die Angelsachsen so gerne sagen. Und sie haben Recht damit: Wenn man in ein Rechensystem schlechte Daten eingibt, kann dieses auch keine zuverlässigen Indikatoren ausgeben. Sie müssen sich daher unbedingt im Klaren sein, dass es bei einem „Rauschen“ in den Daten, das ihre Qualität verschlechtert, nahezu sicher auch zu einem „Rauschen“ in den Schlussfolgerungen kommt, die Sie nach Ihrer Analyse ziehen.

Stellen wir uns folgende Situation vor: Wie jeden Morgen begibt sich ein Anleger auf die Suche nach Finanzinformationen, um seine Anlageentscheidungen daran auszurichten. Er konsultiert reihum seine bevorzugten Medien, seine E-Mails, seine beruflichen sozialen Netzwerke und seinen Bekanntenkreis. Bei der Lektüre erfährt er, dass Wissenschaftler die Theorie aufgestellt haben, dass ein Zusammenhang zwischen dem Verzehr eines bestimmten Lebensmittels und der Linderung einer Krankheit besteht. Die Nachricht weckt seine Neugier, aber er hält sich nicht damit auf. Wie könnte er diese Information für seine Anlagen nutzen? Der fragliche Zusammenhang ist noch in keiner Weise bewiesen, und es wurden keinerlei Einzelheiten zu dieser Studie veröffentlicht.

Kurze Zeit später liest er den aktuellen Beitrag eines Bloggers, der eine aufschlussreiche Grafik teilt: Die Kurve eines Börsenindex, zu dem er Zugang hat, folgt seit zehn Jahren aufsehenerregend genau der Ertragskurve der Bananenproduktion in Brasilien. Warum also noch weiter suchen? Unser Anleger ist der Meinung, eine lukrative Chance entdeckt zu haben.

Erkennen Sie den Zusammenhang zwischen den beiden Beispielen? Bei näherer Betrachtung sind beide Situationen sehr ähnlich, und unser Anleger täte gut daran, seine Vorlieben beim Schmökern aufzugeben und sich in beiden Fällen die Zeit für Nachforschungen zu nehmen, damit er versteht, was sich tatsächlich hinter diesen Informationen verbirgt. In beiden Fällen besteht offenkundig eine wahrscheinliche Korrelation zwischen zwei Variablen. Aber das heißt nicht zwangsläufig, dass es auch einen Kausalzusammenhang gibt. In der Statistik verändert dieser Unterschied zwischen Korrelation und Kausalität alles.

Im Gegensatz zur Kausalität ist die Korrelation nur ein historisches und vorübergehendes Maß für zwei Faktoren, die nicht zwangsläufig zusammenhängen. Es lässt sich nicht sicher feststellen, dass diese Statistik im Zeitverlauf stabil und für die Zukunft relevant ist. Im Anlagebereich erlauben sich böswillige Zeitgenossen mitunter einen üblen Spaß, indem sie Korrelationen für unerhebliche Zeiträume suchen, um damit das Urteilsvermögen der Anleger zu trüben.

Was lernen wir daraus? Wenn man Ihnen von einer vielversprechenden Anlagestrategie erzählt, sollten Sie sich stets vergewissern, dass sie nicht auf simplen Korrelationen, sondern auf echten, wirklichen Kausalzusammenhängen beruht.

Diese goldene Regel der Statistik sollten Sie stets beachten: Korrelation ist nicht gleich Kausalität.

Korrelation ist nicht gleich Kausalität

Vergessen Sie niemals die goldene Regel der statistischen Analyse: Korrelation ist nicht gleich Kausalität. Wenn sich zwei Variablen im Zeitverlauf sehr ähnlich entwickeln, bedeutet dies nicht zwingend, dass ein kausaler Zusammenhang zwischen ihren besteht.

Vergewissern Sie sich daher vor einer Anlageentscheidung stets, dass diese Informationen keine „spurious correlations“ sind, wie die Angelsachsen es nennen, also Scheinkorrelationen.

In der Statistik versteht man unter einer Scheinkorrelation einen scheinbar kausalen Zusammenhang zwischen zwei Variablen, der in Wirklichkeit gar keiner ist. Diese falsche Korrelation wird häufig durch einen dritten Faktor verursacht, den sogenannten Störfaktor, der zum Zeitpunkt der Prüfung der Informationen nicht sichtbar ist.

Unser Gehirn mag einfache Erklärungen und stellt gerne leicht verständliche Zusammenhänge auch dort her, wo es sie gar nicht unbedingt gibt. Als Meister der schnellen Schlussfolgerungen kann es uns bei der Betrachtung einer Grafik sehr leicht zu der Überzeugung kommen lassen, dass die Entwicklung einer Variablen A mit jener einer Variablen B zusammenhängt oder umgekehrt. Eine eingehendere statistische Prüfung kann jedoch zeigen, dass einer ähnlichen Entwicklung in einer Grafik keine Kausalität, sondern bloße Koinzidenz zugrunde liegt.

Zum besseren Verständnis möchten wir Ihnen dies anhand eines Beispiels aus dem wirklichen Leben veranschaulichen, das zugleich glaubhaft, reproduzierbar und ohne weiteres zu enttarnen ist: Ein wahrer Klassiker der Sommermonate ist es, den Anstieg der Eisverkäufe und den Anstieg der Sterblichkeitsrate mit einander in Beziehung zu setzen und ihre Korrelation aufzuzeigen, die generell recht hoch ist. Für die erhöhte Zahl der Todesfälle ist jedoch offenkundig nicht der Verzehr von Speiseeis verantwortlich. Im Falle dieses Beispiels ist es logisch, dass bei besonders großer Sommerhitze jeder Lust auf ein Eis hat, und dass dessen ungeachtet für Menschen mit schwacher Gesundheit leider eine erhöhte Wahrscheinlichkeit besteht, der Hitze zu erliegen.

Hier ist ganz klar die Hitze der Störfaktor, und die Frage der Kausalität kann ganz leicht geklärt werden, wenn man nur die genaue Anzahl der Hitzetage sowie die exakte Temperatur ermittelt, über der sowohl die Eisverkäufe als auch die Sterblichkeitsrate steigen.

Seien Sie also vorsichtig! Soweit Sie das Thema „Scheinkorrelationen“ anhand einiger Beispiele vertiefen möchten, empfehlen wir Ihnen unseren Beitrag „Performanceanalyse: Vorsicht, der Schein trügt!“.