Modell oder Gedächtnis: Wann ein Modell eine Hypothese andeutet – und wann es nur die Vergangenheit wiederholt
Ein Modell, das die Vergangenheit perfekt beschreibt, wirkt überzeugend. Genau darin liegt die Falle. Dieser Beitrag zeigt, wie Sie zwischen einer prüfbaren Idee und blosser Wiederholung unterscheiden.
Worum es geht
Wer sich mit Märkten beschäftigt, begegnet früher oder später einem Diagramm, in dem eine Modelllinie fast deckungsgleich über dem tatsächlichen Verlauf liegt. Ob die Linie aus einer Regression, einem neuronalen Netz oder einem Sprachmodell stammt, spielt zunächst keine Rolle: Der Eindruck ist immer derselbe. Das Modell scheint „verstanden“ zu haben, wie der Markt funktioniert.
Dieser Eindruck ist trügerisch. Eine hohe Übereinstimmung mit bereits bekannten Daten sagt wenig darüber aus, ob ein Modell einen Zusammenhang erfasst hat, der auch morgen noch gilt. Häufig hat es lediglich die Besonderheiten eines bestimmten Zeitraums gespeichert – es arbeitet dann eher wie ein Gedächtnis als wie eine Erklärung. Für die Einordnung von Marktdaten ist diese Unterscheidung zentral, denn nur eine Hypothese lässt sich prüfen, verwerfen oder verbessern.
Was „Auswendiglernen“ bei Modellen bedeutet
In der Statistik spricht man von Überanpassung, im Englischen von Overfitting. Gemeint ist ein Modell, das so viele Freiheitsgrade hat, dass es nicht nur die eigentliche Struktur der Daten abbildet, sondern auch deren zufälliges Rauschen. Je mehr Parameter, Indikatoren oder Regeln ein Modell enthält, desto leichter gelingt ihm das.
Ein einfaches Bild: Wenn Sie durch zehn Punkte eine Kurve mit zehn frei wählbaren Parametern legen, trifft die Kurve jeden Punkt exakt. Über den nächsten, elften Punkt sagt sie trotzdem nichts Verlässliches. Die Genauigkeit innerhalb der bekannten Daten ist also kein Beleg für Erkenntnis, sondern zunächst nur ein Beleg für Flexibilität.
Bei Finanzmarktdaten verschärft sich das Problem aus drei Gründen. Erstens ist das Verhältnis von Signal zu Rauschen niedrig: Kurzfristige Schwankungen sind zu einem grossen Teil nicht erklärbar. Zweitens verändern sich die Rahmenbedingungen – Zinsumfeld, Regulierung, Marktstruktur –, sodass ein Zusammenhang aus einer Phase in der nächsten nicht mehr gelten muss. Drittens sind die Datenreihen kürzer, als sie wirken: Zwanzig Jahre Tagesdaten enthalten nur wenige vollständige Konjunkturzyklen.
Sprachmodelle bringen eine weitere Variante mit. Sie wurden mit grossen Textmengen trainiert, in denen auch Marktkommentare, Rückblicke und Lehrbuchbeispiele vorkommen. Wenn ein solches Werkzeug einen historischen Verlauf „richtig erklärt“, kann das schlicht daran liegen, dass es die Erklärung im Training gelesen hat. Das ist Erinnerung, keine Analyse.
Woran man eine Hypothese erkennt
Eine Hypothese im hier gemeinten Sinn hat drei Eigenschaften. Sie benennt einen Mechanismus, also eine nachvollziehbare Begründung, warum zwei Grössen zusammenhängen könnten. Sie ist überprüfbar, das heisst, es lässt sich vorab sagen, welche Beobachtung sie widerlegen würde. Und sie ist sparsam: Sie kommt mit wenigen Annahmen aus und wird nicht nachträglich so lange angepasst, bis sie passt.
Ein Beispiel für die Form, nicht für den Inhalt: „Wenn die Finanzierungskosten für Unternehmen deutlich steigen, verschlechtern sich mit Verzögerung die Investitionspläne in kapitalintensiven Branchen.“ Diese Aussage lässt sich mit öffentlich verfügbaren Daten – etwa Zins- und Kreditstatistiken der SNB und Investitionsdaten des BFS – grob überprüfen. Sie sagt ausserdem, wann sie falsch wäre: wenn die Investitionspläne trotz gestiegener Kosten stabil bleiben, ohne dass ein anderer Faktor das erklärt.
Ein Modell, das nur Gedächtnis ist, liefert dagegen keine solche Begründung. Es stellt fest, dass bestimmte Muster in der Vergangenheit mit bestimmten Folgen einhergingen, kann aber nicht sagen, warum. Ändert sich das Umfeld, gibt es keinen Anhaltspunkt, ob das Muster weiterhin gilt.
Fünf Prüffragen für den Alltag
Die folgenden Fragen ersetzen keine methodische Ausbildung, helfen aber, Modellergebnisse – auch die von KI-Werkzeugen – nüchterner zu betrachten:
- Wurde das Modell an Daten geprüft, die es vorher nicht kannte? Eine saubere Trennung von Entwicklungs- und Prüfzeitraum ist das Minimum. Wird der Prüfzeitraum mehrfach genutzt, um Einstellungen zu verbessern, ist er nicht mehr unabhängig.
- Wie viele Varianten wurden ausprobiert? Wer hundert Regeln testet, findet fast immer eine, die zufällig gut aussieht. Seriöse Darstellungen nennen die Zahl der verworfenen Varianten.
- Gibt es eine Begründung, die man auch ohne das Diagramm verstehen würde? Wenn sich der Zusammenhang nur mit dem Ergebnis rechtfertigen lässt, ist Vorsicht angebracht.
- Wie stabil ist das Ergebnis? Kleine Änderungen an Zeitraum, Parametern oder Datenquelle sollten das Bild nicht grundlegend verändern. Kippt die Aussage bei jeder Verschiebung, beschreibt sie vermutlich Zufall.
- Was würde die Aussage widerlegen? Lässt sich darauf keine klare Antwort geben, handelt es sich nicht um eine Hypothese, sondern um eine Erzählung.
Ein Gedankenbeispiel ohne Kursziel
Stellen Sie sich vor, ein Werkzeug meldet: „Nach drei Monaten mit sinkenden Einkaufsmanagerindizes ist ein breiter Aktienindex in der Vergangenheit meist gefallen.“ Das klingt nach einer brauchbaren Regel. Die Prüffragen führen jedoch schnell zu Einschränkungen.
Wie oft trat die Situation überhaupt auf? Vielleicht ein Dutzend Mal in zwanzig Jahren – eine sehr kleine Stichprobe. In welchen Phasen? Möglicherweise überwiegend in zwei grossen Abschwüngen, die ganz eigene Ursachen hatten. Gab es einen Mechanismus? Ja, ein plausibler: schwächere Auftragseingänge können auf sinkende Unternehmensgewinne hindeuten. Aber Märkte nehmen solche Erwartungen oft vorweg, sodass der Zusammenhang zeitlich unscharf ist.
Das Ergebnis dieser Prüfung ist keine Handlungsanweisung, sondern eine präzisere Frage: Unter welchen Bedingungen ging eine Abkühlung der Stimmungsindikatoren mit fallenden Unternehmensgewinnen einher – und wann nicht? Diese Frage lässt sich mit offiziellen Statistiken weiter untersuchen. Genau darin liegt der Wert eines Modells als Denkhilfe: Es lenkt den Blick, ersetzt aber nicht das Urteil.
Was daraus nicht folgt
Aus dem Gesagten folgt nicht, dass Modelle nutzlos wären. Sie zwingen dazu, Annahmen auszuformulieren, und sie machen sichtbar, wo die eigene Intuition von den Daten abweicht. Es folgt auch nicht, dass jedes einfache Modell gut und jedes komplexe schlecht ist. Entscheidend ist, ob die Komplexität durch zusätzliche, unabhängige Evidenz gedeckt ist.
Ebenso wenig lässt sich aus einem gut begründeten Zusammenhang ableiten, dass er sich in Zukunft in einer bestimmten Richtung oder Grössenordnung zeigen wird. Märkte reagieren auf Informationen, die heute noch niemand kennt. Eine Hypothese ist deshalb ein Werkzeug zum Weiterdenken – kein Versprechen und keine Grundlage für eine bestimmte Anlageentscheidung.
Ein praktischer Merksatz zum Schluss: Je besser ein Modell die Vergangenheit erklärt, desto genauer sollten Sie fragen, was es über die Zukunft zu wissen behauptet.
Quellen und weiterführende Stellen
Wir verlinken ausschliesslich auf die Startseiten der herausgebenden Institutionen. Die genannten Veröffentlichungen finden Sie dort über die jeweilige Suche oder das Publikationsverzeichnis.
- Schweizerische Nationalbank (SNB)Zins-, Kredit- und Finanzmarktstatistiken sowie Quartalshefte.
- Bundesamt für Statistik (BFS)Amtliche Daten zu Investitionen, Produktion und Preisen.
- Europäische ZentralbankStatistiken und Veröffentlichungen zum Euroraum.
- Bank für Internationalen Zahlungsausgleich (BIZ)Forschungs- und Arbeitspapiere zu Finanzmärkten und Modellrisiken.