Entscheidungs Und Kapitalmarkttheorie 1

Skript zur Vorlesung
“Entscheidungs– und Kapitalmarkttheorie (I)”
von Prof. Dr. Dr. Andreas Löffler,
bearbeitet von Dr. Jörg Laitenberger∗
letzte Änderung am 28. Oktober 2003
∗
Beachten Sie bitte, dass nicht nur dieses Skript, sondern auch ein Reader mit zusätzlicher Literatur
Grundlage der Vorlesung Entscheidungstheorie ist. Nähere Hinweise erhalten Sie auf einem kleinen
Handout zur Vorlesung, den Sie im Internet finden.
Inhaltsverzeichnis
1 Sicherheit 1
1.1 Das Grundmodell . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Präferenzrelationen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3 Präferenzen im Mehrperiodenkontext . . . . . . . . . . . . . . . . . . . . . . . 6
1.4 Konsumglättung und die Bestimmung der Zinshöhe . . . . . . . . . . . . . . 8
1.5 Separation von Konsum– und Investitionentscheidungen: das Fisher–Modell . 10
2 Unsicherheit 15
2.1 Erwartungsnutzentheorie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.1.1 Das Grundmodell: mehrere Zustände . . . . . . . . . . . . . . . . . . . 15
2.1.2 Petersburger Spiel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.1.3 Erwartungsnutzen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.1.4 Grad (Intensität) der Risikoaversion . . . . . . . . . . . . . . . . . . . 23
2.1.5 Ein einfaches Portfolioproblem . . . . . . . . . . . . . . . . . . . . . . 30
2.1.6 Stochastische Dominanz . . . . . . . . . . . . . . . . . . . . . . . . . . 35
2.2 µ-σ–Theorie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
2.2.1 Das Grundmodell: mehrere Basistitel . . . . . . . . . . . . . . . . . . . 40
2.2.2 Erwartungsnutzen und µ-σ–Theorie . . . . . . . . . . . . . . . . . . . 42
2.2.3 Die Axiome . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
2.2.4 Sättigung beim µ-σ–Kalkül . . . . . . . . . . . . . . . . . . . . . . . . 49
2.2.5 Tobin–Separation (und Portfoliotheorie) . . . . . . . . . . . . . . . . . 50
Literaturverzeichnis 54
II
Inhaltsverzeichnis S. III
Definitionen, Annahmen, Sätze

Die Liste enthält eine Übersicht über die im Skript zu findenden Definitionen und Sätze
Definition 2.1 Unabhängigkeitsaxiom 19

Definition 2.2 Risikofreude, –aversion 23
Definition 2.3 Markowitzprämie 24
Definition 2.4 absolute Risikoaversion 25
Definition 2.5 relative Risikoaversion 32
Definition 2.6 Varianzaversion 46
Satz 1.1 Existenz Nutzenfunktion 2

Satz 1.2 Intertemporaler Konsum 9
Satz 1.3 Bestimmungsfaktoren für den Zinssatz 10
Satz 2.1 Erwartungsnutzen 19
Satz 2.2 konkave Nutzenfunktion und Risikoaversion 23
Satz 2.3 Approximation Markowitzprämie 24
Satz 2.4 Charakt. fallende absolute Risikoaversion 26
Satz 2.5 Charakt. konstante absolute Risikoaversion 26
Satz 2.6 absolute RA und einfaches Portfolioproblem 30
Satz 2.7 relative RA und einfaches Portfolioproblem 33
Satz 2.8 Charakt. konstante relative Risikoaversion 33
Satz 2.9 FSD 36
Satz 2.10 SSD 37
Satz 2.11 einfache Kriterien für SSD 38
Satz 2.12 Kovarianzmatrix und redundante Titel 42
Satz 2.13 Varianzaversion und µ–σ–Nutzen 47
Satz 2.14 Tobin–Separation 52

c Löffler/Laitenberger 2003
1 Sicherheit
1.1 Das Grundmodell

Wir stellen das Grundmodell unter Sicherheit vor.
Wir wollen uns in dieser Vorlesung mit der Frage beschäftigen, wie Individuen in einer un-
sicheren Umwelt entscheiden sollen. Dazu gehen wir zuerst auf ein Modell ein, bei dem die
Unsicherheit ausgeblendet wird. Wir betrachten also eine Welt unter Sicherheit. Dieser Welt
wird von uns anhand eines formalen Modells dargestellt. Dieses formale Modell soll zwei
Aspekte widerspiegeln: Entscheidungen können mehrere Güter sowie mehrere Zeitpunkte, in
denen diese Güter konsumiert werden, betreffen.
Es zeigt sich, dass wir beide Aspekte (“mehrere Güter”, “mehrere Zeitpunkte”) nicht in einem
formalen Modell analysieren können. Statt dessen werden wir uns nur auf einen der beiden
konzentrieren. Gibt es in unserer Welt mehrere Güter, dann haben wir nur einen Zeitpunkt.
Können wir dagegen in der Welt zwischen mehreren Zeitpunkten unterscheiden, dann werden
wir es der Einfachheit halber nur mit einem Gut zu tun haben. Wenden wir uns jetzt der
ersten Darstellung zu.
Es gebe in unserem Modell nur einen Zeitpunkt (“heute”), in dem Individuen handeln können.
In derselben logischen Sekunde, in der ein Vertrag vereinbart wird, wird ebenfalls geliefert.
Geliefert werden können S verschiedene physische Güter, deren Beschaffenheit uns hier weni-
ger interessiert. Bezahlt wird in einer nicht näher beschriebenen Einheit. Da in diesem Modell
die Güter konsumiert werden, macht es wenig Sinn, dass eines der Güter Geld ist: Geld
kann man schließlich nicht essen. Wenn es kein Geld gibt, gibt es auch keine Geldanlage und
demzufolge können wir nicht sagen, wie hoch ein (risikoloser) Zins wäre. Ein Vertrag (auch
Wertpapier oder Portfolio) wird durch die Menge der Güter, die zu liefern sind, beschrieben.
Wir verwenden hierfür die Vektorschreibweise und identifizieren Vertrag und Lieferung. Wir
schreiben für das Wertpapier X (sie werden grundsätzlich mit Großbuchstaben versehen, die
einzelnen Einträge erhalten einen Index)
 
X1 ←− Menge an erstem Gut
 X2  ←− Menge an zweitem Gut
X= . 
 
..
 ..  .
XS ←− Menge an S–tem Gut
Diese Schreibweise ist von Vorteil, weil wir die Elemente der Vektorraumrechnung nutzen
können. Wir können Verträge zusammenlegen (die Zahlung entspricht jetzt der Summe der
Vektoren X +Y ), wir können Verträge vervielfachen (hier ist das Produkt a·X zu verwenden)
und miteinander vergleichen. Dabei sagen wir X ≥ Y genau dann, wenn die Zahlung beim
Vertrag X von jedem Gut mehr oder wenigstens ebenso hoch ist wie beim Wertpapier Y .
Ebenso gilt X = Y , wenn die Wertpapiere X und Y von jedem Gut die gleiche Menge liefern.
Wir können auch von einem Grenzübergang sprechen: wir sagen limn Xn = X genau dann,
1
1.2 Präferenzrelationen S. 2
wenn in den Vektoren Xn die Einträge einer jeden Zeile gegen den entsprechenden Eintrag
in X konvergieren. Der Preis eines Vertrages X wird in der Literatur verschieden bezeichnet:
hier werden wir p(X) schreiben.
1.2 Präferenzrelationen
In diesem Abschnitt soll ein Axiomensystem für Präferenzen vorgestellt werden, aus dem sich
die Existenz einer Nutzenfunktion ableiten lässt.
Wir werden jetzt einen weiteren Weg kennen lernen, mit dem Nutzenfunktionen eingeführt
werden können. Wir werden dazu ein Axiomensystem an Präferenzen formulieren. Präferen-
zen sind “besser als”–Relationen: ich finde das Portfolio X besser als den Titel Y . Welche
Eigenschaften an diese Relationen benötigen wir, um daraus schlussfolgern zu können, dass
der Investor sich so verhält, als maximiere er eine Nutzenfunktion?
Wir werden im folgenden eine Präferenzrelation durch das Symbol X Y beschreiben. Diese
Schreibweise ist wie folgt zu interpretieren: “X ist besser oder mindestens ebenso gut wie
Y ”. Es gibt Lehrbücher, in denen diese Relation durch das Symbol beschrieben wird.
Wir werden hier also den Fall, dass X und Y gleichpräferiert sind (X ∼ Y ) mit in das
Relationssysmbol aufnehmen. Die folgenden Axiome sind nun hinreichend für die Existenz
einer Nutzenfunktion.
Vergleichbarkeit es gilt X Y oder Y X.1
Transitivität Wenn X Y und Y Z gilt, dann ist auch X Z.
Stetigkeit Die Relation ändert sich nicht, wenn ein Grenzübergang im Unendlichen erfolgt.
Aus X n X folgt also limn→∞ X n X. Ebenso folgt aus X n X die Relation
limn→∞ X n X.
Man kann nun zeigen, dass die genannten drei Axiome in der Tat hinreichend für die Dar-
stellung einer Präferenz durch eine Nutzenfunktion sind. Das Beispiel der lexikographischen
Präferenz zeigt auch, dass man auf die eher technisch anmutende Stetigkeitsforderung nicht
verzichten kann.2
Satz 1.1 (Debreu, 1954) Eine Präferenzrelation erfüllt die oben genannten Axiome ge-
nau dann, wenn es eine Nutzenfunktion U (x) derart gibt, dass die folgende Aussage gilt
XY ⇐⇒ U (X) ≥ U (Y ). (1.1)
Der Satz offenbart, dass die Nutzenfunktion U (X) selbst sehr wenig Einschränkungen besitzt.
So könnten wir beispielsweise statt U (X) ohne weiteres ebenso eU (X) verwenden, denn es gilt
ja
U (X) ≥ U (Y ) ⇐⇒ eU (X) ≥ eU (Y ) .
1
Hätten wir uns entschieden, die Relation X Y (“X ist besser als Y ”) zu verstehen, müsste das Axiom ein
wenig anders lauten. Wir hätten zu fordern, dass entweder X Y , Y X oder X ∼ Y gilt.
2
Debreu bewies diesen Satz in der Arbeit Debreu (1954).

Man nennt daher die Darstellung der Nutzentheorie auch ordinal, weil die absolute Nutzenzahl
keine Rolle spielt. Vielmehr kommt es nur auf die Relationen der Nutzenwerte zueinander an.
Wir wollen zuletzt zwei Beispiele von Präferenzrelationen betrachten.
Beispiel (lexikographische Ordnung): Wir betrachten die Güterbündel X und Y, die
jeweils zwei Güter (Äpfel und Birnen) enthalten.

X0 Y0
X= , Y = .
X1 Y1
X0 und Y0 zeigen Anzahl der Äpfel und X1 und Y1 Anzahl der Birnen in den entsprechenden
Bündeln. Wir wollen sagen, dass Äpfel grundsätzlich besser als Birnen sind. Die Präferenzre-
lation wird von uns dazu wie folgt definiert:
X Y : ⇐⇒ X0 > Y0 oder (X0 = Y0 und X1 ≥ Y1 ).
Zur Erläuterung: der Investor achtet zuerst auf die Anzahl der Äpfel. Sind sie in X größer als
in Y , so zieht er das Güterbündel X dem Bündel Y vor, unabhängig davon, wieviel Birnen
in beiden Bündeln enthalten sind. Prüfen wir die drei Axiome von Debreu.
1. Was ist mit dem Axiom der Vergleichbarkeit? Dieses Axiom ist dann erfüllt, wenn belie-
bige Güterbündel X und Y miteinander verglichen werden können. Bei den Güterbündeln
sind nur die folgende Fälle möglich:
• es gilt X0 > Y0 (“mehr Äpfel in X”). Dann folgt sofort X Y .

• Oder aber es gilt X0 < Y0 (“mehr Äpfel in Y ”). Dann folgt aus der Definition der
Relation sofort Y X.
• Oder aber es gilt X0 = Y0 (“gleich viel Äpfel in X und Y ”). Für die Birnen muss
dann entweder X1 ≥ Y1 gelten (und damit X Y ) oder es ist X1 < Y1 und damit
Y X.
Andere Fälle sind nicht möglich. Da jeden Fall X Y oder Y X gilt, ist die Ver-
gleichbarkeit gewährleistet.3
2. Was ist mit dem Axiom der Transitivität? Angenommen, es gilt X Y und Y Z.
Dann haben wir die Relation X Z zu beweisen. Dazu unterscheiden wir alle vier
Fälle, die aufgrund unserer Voraussetzung möglich sind.
Fall 1. Angenommen, es gilt X0 > Y0 und Y0 > Z0 . Dann gilt X0 > Z0 . Daraus folgt
X Z.
Fall 2. Angenommen, es gilt X0 = Y0 und X1 ≥ Y1 und Y0 = Z0 und Y1 ≥ Z1 . Dann
gilt X0 = Y0 = Z0 und X1 ≥ Y1 ≥ Z1 , also wieder X Z.
Fall 3. Angenommen, es gilt X0 > Y0 und Y0 = Z0 . Dann gilt X0 > Z0 und damit
X Z.
3
Dem aufmerksamen Leser dürfte nicht entgangen sein, dass bei gleichen Güterbündeln X = Y sowohl X Y
als auch Y X gilt. Dies ist kein Widerspruch zur Vergleichbarkeit! Es hieß im Axiom ja nicht “entweder
. . . oder”!

Fall 4. Angenommen, es gilt X0 = Y0 , X1 ≥ Y1 und Y0 > Z0 . Dann gilt X0 > Z0 und

damit X Z.
3. Was ist mit dem Stetigkeitsaxiom? Da die beiden anderen Axiome erfüllt sind, muss
hier das Problem liegen und wir erwarten, dass dieses Axiom nicht gelten wird. Dazu
genügt es, ein Gegenbeispiel zu konstruieren. Wir betrachten folgendes Zahlenbeispiel.

0 0,5 0,999 1
.
1 1 1 0
Damit ist die Voraussetzung, die im Stetigkeitsaxiom formuliert wurde, erfüllt. Dennoch
gilt

1 1
lim X n = X= .
n→∞ 1 0
Die Stetigkeit ist nicht erfüllt. Daraus folgt, dass keine Nutzenfunktion existiert. Wir haben,
um das Beispiel etwas anschaulicher werden zu lassen, die Bessermenge in Abbildung 1.1
eingezeichnet. Schraffiert sind diejenigen Punkte, die besser oder gleich gut dem Güterbündel
X sind.
X1
.
..... . . . . . . . . . . . . . . . . . . .
.... . . . . . . . . . . . . . . . . . . .
6 ... . . . . . . . . . .
.... . . . . . . . . . . . . . . . . . . .
.... . . . . . . . . .
.... . . . . . . . . . . . . . . . . . . .
.... . . . . . . . . . . . . . . . . . . .
... . . . . . . . . . .
.... . . . . . . . . . . . . . . . . . . .
.... . . . . . . . . .
.... . . . . . . . . . . . . . . . . . . .
.... . . . . . . . . . . . . . . . . . . .
Bessermenge
.. . . . . . . . . . .
.... . . . . . . . . . . . . . . . . . . .
.... . . . . . . . . .
X s
.... . . . . . . . . . . . . . . . . . . .
... . . . . . . . . . . . . . . . . . . .
.. . . . . . . . . . .
... . . . . . . . . . . . . . . . . . . .
... . . . . . . . . .
.... . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . .
.... . . . . . . . . . . . . . . . . . . .
.. . . . . . . . . .
.... . . . . . . . . . . . . . . . . . . .
- X0
.
Abbildung 1.1: Bessermenge für eine Präferenz ohne Nutzenfunktion
Beispiel: Wir wollen ein zweites Beispiel betrachten. Wiederum haben wir zwei Güterbündel
X und Y , die jeweils die Güter Äpfel und Birnen besitzen. Im Unterschied zu vorherigem
Beispiel wollen wir jetzt davon ausgehen, dass beide Güter vom Individuum substituiert
werden können: Äpfel und Birnen sind gleich gut. Die Präferenz wird wie folgt definiert:
X Y : ⇐⇒ X0 + X1 ≥ Y0 + Y1 . (1.2)
Der Investor zählt hier nur die Gesamtzahl der Früchte; das Bündel mit den meisten Früchten
bevorzugt er. Wieder untersuchen wir die drei Axiome von Debreu.
1. Was ist mit dem Axiom der Vergleichbarkeit? Die Zahlen X0 + X1 und Y0 + Y1 sind
immer miteinander vergleichbar. Also gilt X Y oder Y X.

2. Auch die Transitivität gilt. Wenn X Y und Y Z gilt, dann müssen die Relationen
X0 + X1 ≥ Y0 + Y1 und Y0 + Y1 ≥ Z0 + Z1 gelten. Also ist X0 + X1 ≥ Z0 + Z1 . Das
bedeutet aber X Z. Das Axiom der Transitivität ist erfüllt.
3. Auch die Stetigkeit gilt (ohne Beweis).
Nach dem Satz von Debreu muss es mithin eine Nutzenfunktion geben. Wie sieht diese Nutzen-
funktion aus? Dazu zeichnen wir die Indifferenzkurven der Relation. Auf der Indifferenzkurve
liegen genau diejenigen Güterbündel Y , für die X ∼ Y gilt. Dazu muss folgendes erfüllt sein:
X∼Y ⇐⇒ (X Y und Y X)
⇐⇒ (X0 + X1 ≥ Y0 + Y1 und Y0 + Y1 ≥ X0 + X1 )
⇐⇒ X0 + X1 = Y0 + Y1
⇐⇒ Y1 = X0 + X1 − Y0 .
Dies ist die Gleichung einer Gerade mit dem Anstieg −1. Unsere Nutzenfunktion lautet daher
U (X) = X0 + X1 . Diese Darstellung der Nutzenfunktion hätten wir bereits in der Definiti-
on der Relation (1.2) unmittelbar erkennen können. Die Abbildung 1.2 veranschaulicht die
Bessermenge.
X1
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
... . ...............................................................
. . .
.....................................................................
6
. ...................................................................
... . ...............................................................
. . .
.....................................................................
. ...................................................................
... . ...............................................................
. . .
.....................................................................
.....................................................................
. . . ...............................................................
. . .
.... . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
..... . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
...... . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
..... . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
..... . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
...... . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
..... . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
...... . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
..... . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
...... . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
...... . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Bessermenge
..... . . . . . . . . . . . . . . . . . . . . . . . . . . .
..... . . . . . . . . . . . . . . . . . . . . . . . . . . .
...... . . . . . . . . . . . . . . . . . . . . . . . . . .
..... . . . . . . . . . . . . . . . . . . . . . . . . . .
...... . . . . . . . . . . . . . . . . . . . . . . . . .
..... . . . . . . . . . . . . . . . . . . . . . . . . .
....... . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
..... . . . . . . . . . . . . . . . . . . . . . . .
sX ...... . . . . . . . . . . . . . . . . . . . . . . .
..... . . . . . . . . . . . . . . . . . . . . . .
..... . . . . . . . . . . . . . . . . . . . . . .
...... . . . . . . . . . . . . . . . . . . . . .
...... . . . . . . . . . . . . . . . . . . . . .
..... . . . . . . . . . . . . . . . . . . . .
...... . . . . . . . . . . . . . . . . . . . .
...... . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
...... . . . . . . . . . . . . . . . . . .
...... . . . . . . . . . . . . . . . . . .
..... . . . . . . . . . . . . . . . . .
...... . . . . . . . . . . . . . . . . .
..... . . . . . . . . . . . . . . . .
...... . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
..... . . . . . . . . . . . . . . .
...... . . . . . . . . . . . . . .
..... . . . . . . . . . . . . . .
...... . . . . . . . . . . . . .
..... . . . . . . . . . . . . .
..... . . . . . . . . . . . .
...... . . . . . . . . . . . .
..... . . . . . . . . . . .
- X0
Abbildung 1.2: Bessermenge des zweiten Beispiels
Wir werden im folgenden weitere Annahmen an die Nutzenfunktion unterstellen. So fordern

wir etwa die Monotonie, das heißt mehr Güter sind auch besser. Ebenso werden wir die Qua-
sikonkavität und die Differenzierbarkeit voraussetzen.4 Die Quasikonkavität soll sicherstellen,
dass Optimallösungen immer eindeutig sind; die Differenzierbarkeit soll sicherstellen, dass wir
uns des Differentialkalküls bedienen können.
4
Siehe dazu Mas-Colell (1985), S.69ff.

1.3 Präferenzen im Mehrperiodenkontext S. 6
1.3 Präferenzen im Mehrperiodenkontext

Das am Anfang vorgestellte Grundmodell kann auch gänzlich anders aufgefasst werden. Wir
könnten davon ausgehen, dass es nur ein einziges Gut gibt, welches jedoch nicht nur in einem
Zeitpunkt. sondern in mehreren Zeitpunkten geliefert werden kann. Wir würden dann X2
nicht als die Menge an zweitem Gut, sondern als die Menge des Gutes im zweiten Zeitpunkt
interpretieren können, ohne dass wir unser formales Modell entsprechend anpassen müssten.
Der Vorteil liegt auf der Hand: da wir dasselbe formale Modell verwenden, müssen wir nur
einmal beweisen und erhalten so zwei ökonomischen Aussagen.
Diese zweite Interpretation wollen wir etwas genauer beschreiben. Der gesamte Handel finde
nicht in einem Zeitpunkt statt, vielmehr gibt es eine Gegenwart (“heute”) und S zukünftige
Zeitpunkte. Verträge werden heute abgeschlossen, geliefert wird in der Zukunft. Das lieferbare
Gut sei Geld. Ein Vertrag oder ein Wertpapier verspricht nicht verschiedene physische Güter,
sondern Geld in den verschiedenen Zeitpunkten. Wir können dieselbe Schreibweise benutzen,
müssen aber die Einträge anders auffassen
 
X1 ←− Menge an Geld in t = 1
 X2  ←− Menge an Geld in t = 2
X= . 
 
..
 ..  .
XS ←− Menge an Geld in t = S
Jetzt macht es sehr wohl Sinn, von einem risikolosen Zins zu sprechen. Es gibt sogar verschie-
dene Zinssätze (Kassa– und Terminzinssätze), auf die wir in der Arbitragetheorie eingehen.
Wir verwenden an dieser Stelle statt der Schreibweise p(X) für den Preis eines Wertpapieres
auch die kürzere Form X0 (der Vektor wird gewissermaßen um eine Zeile “aufgebläht”). Diese
Schreibweise ist sinnvoll, wenn wir die Bezahlung bei Vertragsabschluss (im Zeitpunkt t = 0!)
auch als eine “Lieferung” interpretieren. Für den Fall S = 1 (nur ein zukünftiger Zeitpunkt)
werden wir den risikolosen Zins mit der Variable rf bezeichnen.
In diesem Abschnitt wollen wir kurz untersuchen, welche zusätzliche Annahmen man an die
Präferenzen machen kann, wenn es nur ein Konsumgut Xt in jeder Periode t gibt, dafür
aber mehrere Perioden t = 1, . . . , S. Dass es nur ein Konsumgut gibt, ist natürlich eine
stark vereinfachende Annahme. Man kann sich aber vorstellen, dass dieses eine Konsumgut
einfach Geld ist, mit dem man in jeder Periode seinen Konsum vieler verschiedenartiger
Produkte bestreitet. Das funktioniert aber natürlich nur, wenn man die Annahme trifft, dass
die Preise der Produkte in allen Perioden gleich bleiben, da ansonsten offensichtlich die gleiche
Menge Geld ganz verschiedene Produktallokationen ermöglicht, die wohl kaum den gleichen
Nutzenwert haben dürften.
An Stelle eines Konsumportfolios sprechen wir in diesem Kontext auch von einem Konsum-
strom. Wie wir am Anfang schon gesagt hatten, können wir den Konsumstrom einfach als ein
Konsumportfolio unseres ersten einperiodischen Modells auffassen und ansonsten alles gleich
lassen. Man erhält dann mit Satz (1.1) die Existenz einer Nutzenfunktion U (X1 , . . . , XS ).
Wir wollen überlegen, ob man im intertemporalen Kontext vielleicht zusätzliche vertretbare
Annahmen an die Präferenzen machen kann. Man betrachte als erstes das Axiom der Sepa-
rabilität. Dabei werde die Menge der Zeitpunkte t = 1, . . . , S in zwei disjunkte Teilmengen
aufgeteilt: T1 und T2 mit T1 ∪ T2 = {1, . . . , S}.
Separabilität Die Präferenzrelation für die Verteilung des Konsums über die Perioden in T1

1.3 Präferenzen im Mehrperiodenkontext S. 7
ist unabhängig vom Konsum in den Perioden in T2 . Formal: es seien X und Y zwei
Konsumströme mit Xt = Yt zu allen Zeitpunkten t ∈ T2 , sowie zwei Konsumströme X̂
und Ŷ , die ebenfalls X̂t = Ŷt zu allen Zeitpunkten t ∈ T2 . Außerdem sei X̂s = Xs und
Ŷs = Ys zu allen Zeitpunkten s ∈ T1 . Dann folgt aus X Y die Präferenz X̂ Ŷ .
Das Axiom der Separabilität werde am folgenden Beispiel dargestellt:
t 1 2 3 4
X X1 X2 X3 X4
Y X1 X2 Y3 Y4
X̂ X̂1 X̂2 X3 X4
Ŷ X̂1 X̂2 Y3 Y4
Die Konsumströme X und Y sind in den Perioden 1 und 2 identisch. Wenn nun X gegenüber
Y präferiert wird, so impliziert das, dass auch X̂ gegenüber Ŷ präferiert wird, da auch X̂ und
Ŷ in den Perioden 1 und 2 identisch sind und in den anderen Perioden den Konsum von X
bzw. von Y bieten. Da X̂ und Ŷ in t = 1 und t = 2 identisch sind, muss die Entscheidung
zwischen den beiden offensichtlich anhand des Konsums in t = 3 und in t = 4 festgemacht
werden. Hier ist aber aus der Vorliebe von X über Y bereits die Präferenz festgelegt. Ob Sie
es vorziehen, heute weniger zu konsumieren und dafür später mehr, hängt nicht davon ab,
was sie in den letzten Jahren konsumiert haben.
Eine Konsequenz dieses Axioms ist, dass die Nutzenfunktion U zeitlich additiv sein muss, was
bedeutet, dass es Funktionen ut gibt, so dass
S
X
U (X1 , . . . , XS ) = ut (Xt ).
t=1
Die zeitliche Separabilität scheint eine recht plausible Annahme zu sein, jedenfalls erleich-
tert es die Analyse ungemein. Allerdings schränkt es die Nutzenfunktion ein. Bestimmte
Phänomene, wie zum Beispiel Gewohnheitseffekte, können damit nicht erfasst werden. Diese
Gewohnheitseffekte (englisch ’habit formation’) werden seit einigen Jahren intensiv bei der
Analyse des Sparverhaltens intensiv diskutiert.5
Eine weitere hilfreiche und vertretbare Annahme an die Präferenzen bildet das Axiom der
Stationarität. Man erläutert es am einfachsten im Kontext von Entscheidungen über Kon-
sumströme über unendlich viele Perioden, also t = 1, 2, . . .. Es betrifft die Art und Weise,
wie sich die Präferenzen ändern, wenn der Entscheidungsträger älter wird. Es wird dabei
gefordert, dass
Stationarität Die Rangordnung der Konsumströme in zukünftigen Perioden ist in allen Peri-
oden gleich. Formal: wenn zu einem Zeitpunkt t der Konsumstrom X = (Xt+1 , Xt+2 , . . .)
dem Konsumstrom Y = (Yt+1 , Yt+2 , . . .) vorgezogen wird, dann wird zum Zeitpunkt t+1
der Konsumstrom X̂ = (X̂t+2 , X̂t+3 , . . .) mit X̂t+2 = Xt+1 , X̂t+3 = Xt+2 , usw.., dem
Konsumstrom Ŷ = (Ŷt+2 , Ŷt+3 , . . .) mit Ŷt+2 = Yt+1 , Ŷt+3 = Yt+2 , usw.., vorgezogen.
5
Wer mehr über Gewohnheitseffekte und deren Anwendung auf das Sparverhalten wissen möchte, konsultiere
Constantinides (1990).

1.4 Konsumglättung und die Bestimmung der Zinshöhe S. 8
Mit den Axiomen der Separabilität und der Stationarität folgt, dass es ein β ∈ R und ei-
ne Funktion u(·) gibt, so dass die Funktionen ut (Xt ) = β t u(Xt ). Die Nutzenfunktion über
intertemporalen Konsum schreibt sich dann
S
X
U (X1 , . . . , XS ) = β t u(Xt ).
t=1
Das Axiom der Stationarität wird manchmal auch Axiom der zeitlichen Konsistenz der Ent-
scheidungen genannt, da es äquivalent zu der Annahme ist, dass ein rationaler Entscheider
seine Entscheidungen so trifft, dass er sie in späteren Perioden nicht revidiert. Es bedeu-
tet, dass man eine Maßnahme, die man sich heute vornimmt, morgen durchzuführen, auch
tatsächlich durchgeführt wird. Angesichts der Erfahrungen Milliarden von Rauchern beim
Versuch damit aufzuhören, mag man an der Berechtigung dieses Axioms zweifeln, aber bei
Investitionsentscheidungen dürfte es ganz gut hinkommen.
Zur Illustration, was passiert, wenn die Präferenzen nicht die Eigenschaft der Stationarität
besitzen, betrachte man das folgende Problem. Sie können heute darüber entscheiden, morgen
Geld eine Periode lang anzulegen zu einem festen Zinssatz rf . Heute in t = 1 werden Sie zur
Lösung dieses Problems das folgende Maximierungsproblem lösen:
max u1 (E1 ) + u2 (E2 − Y ) + u3 (E3 + (1 + rf )Y ) + . . . ,
Y
wobei Y den Sparbetrag und Et Ihr Einkommen in Periode t darstellt. Eine Periode später,
in t = 2, wenn der Zeitpunkt gekommen ist, zur Bank zu gehen, lösen sie das Problem
max u1 (E2 − Y ) + u2 (E3 + (1 + rf )Y ) + . . . .
Y
Man erhält in beiden Entscheidungsproblemen nur dann die gleiche Sparrate Y , wenn u2 =
βu1 und u3 = βu2 . In der Regel geht man davon aus, dass β < 1 ist, was zum Ausdruck
bringt, dass die Gegenwart höher gewertet wird als die Zukunft und die nahe Zukunft höher
als die ferne Zukunft.
1.4 Konsumglättung und die Bestimmung der Zinshöhe

Wir wollen untersuchen, welchen Einfluss die Zeitpräferenzen auf die Zinshöhe in einem
Marktgleichgewicht haben.
Es gibt zwei Gründe dafür zu sparen: man spart, um seinen Konsum über die verschiedenen
Perioden zu verteilen, und man spart, um sein Vermögen durch Ausnutzen hoher Zinsraten
zu erhöhen. Wir wollen diese beiden Effekte in einem einfachen Modell untersuchen. Wir
betrachten ein Modell mit zwei Zeitpunkten, t = 1 und t = 2. Ein Investor habe die in-
tertemporale Nutzenfunktion u(X1 ) + βu(X2 ). Der Investor verfüge über Einkommen E1 in
t = 1 und E2 in t = 2. Darüber hinaus kann er zum sicheren Zinssatz rf sparen oder auch
zum gleichen Zinssatz Kredite aufnehmen. Der Anlagebetrag werde mit Y bezeichnet. Das
Entscheidungsproblem lautet:6
max u(E1 − Y ) + βu(E2 + (1 + rf )Y ).
Y
6
Wenn der Konsument einen Kredit aufnimmt, dann ist Y negativ. Der Konsument hat dann in t = 2 den
Kredit zurückzuzahlen.

1.4 Konsumglättung und die Bestimmung der Zinshöhe S. 9
Die Bedingungen erster Ordnung dieses Problems lauten
−u0 (E1 − Y ) + β(1 + rf )u0 (E2 + (1 + rf )Y ) = 0.
Die Bedingungen zweiter Ordnung lauten
u00 (E1 − Y ) + β(1 + rf )2 u00 (E2 + (1 + rf )Y ) < 0.
Die Bedingungen zweiter Ordnung sind nur dann erfüllt, wenn u00 < 0 ist, u also eine konkave
Funktion ist. Wenn u konvex wäre, dann hätten wir es mit einem Minimum zu tun und es
gäbe überhaupt kein Maximum. Der Konsument würde versuchen so viel Konsum in einer
Periode zu konzentrieren wie möglich. Wenn man negativen Konsum ausschließt, würde das
dazu führen, dass der Konsument sich gerade so weit verschuldet, dass er in t = 2 mit seinem
Einkommen den Kredit zurückzahlen kann und nichts mehr zum konsumieren übrig bleibt.
Das ist unwahrscheinlich und deshalb ist die Annahme einer konkaven Nutzenfunktion ganz
vernünftig. Hier wird der Konsument versuchen weitgehend gleich hohen Konsum in beiden
Perioden zu erreichen, er wird seinen Konsum glätten.
Die Bedingung erster Ordnung kann umgeformt werden:
u0 (X1 )
= β(1 + rf ). (1.3)
u0 (X2 )
Da u0 eine fallende Funktion ist, ist der Bruch auf der linken Seite genau dann größer (kleiner)
eins, wenn der Konsum zunimmt (abnimmt). Wir haben damit ein erstes Ergebnis:
Satz 1.2 Der Konsum ist genau dann zunehmend (abnehmend), wenn das Produkt aus β(1+
rf ) größer (kleiner) eins ist.
Wenn β(1 + rf ) = 1 ist, dann ist der Konsum über die Perioden konstant.
Als nächstes wollen wir einen ersten Versuch machen, zu verstehen, wie die Höhe des Zinssatzes
rf in einer Marktwirtschaft zustande kommt. Da der Zins sich im Rahmen eines Marktgleich-
gewichts, bei dem alle Marktteilnehmer zu bestimmten Preisen ihre Konsum– und Investi-
tionentscheidungen treffen, so dass Angebot und Nachfrage sowohl auf den Gütermärkten als
auch auf den Finanzmärkten im Gleichgewicht sind, ist dies im Allgemeinen nicht so einfach.
Zudem ist dies eigentlich erst Thema der Vorlesung ’Kapitalmarkttheorie’ im nächsten Se-
mester. Trotzdem wollen wir in einem sehr einfachen Modell diese Frage jetzt schon einmal
beleuchten. Das Modell ist eine Vereinfachnung des (auch bereits sehr einfachen) Modells von
Lucas (1978), der u.a. dafür den Nobelpreis bekommen hat.
Es gebe eine endliche Menge an identischen Konsumenten, die in den Perioden t = 1 und
t = 2 leben. Sie haben alle die gleiche intertemporale Nutzenfunktion u(X1 ) + βu(X2 ). Jeder
Konsument besitzt einen Baum, der in t = 1 E1 Früchte und in t = 2 E2 Früchte produziert.
Die Wachstumsrate der Früchteproduktion ist E2 /E1 = 1 + g. Die Konsumenten können sich
gegenseitig Früchte verkaufen. Da alle Konsumenten ja gleich viele Früchte besitzen und auch
ansonsten identisch sind, wüsste man aber nicht weshalb sie das tun sollten. Außerdem soll es
in t = 1 einen Kapitalmarkt geben, auf dem die Konsumenten Früchte gegen das Versprechen
der Lieferung von Früchten in t = 2 eintauschen können. Jemand der in t = 1 auf diesem
Kapitalmarkt Früchte anbietet, legt also sozusagen Früchte an und bekommt dafür in t = 2

1.5 Separation von Konsum– und Investitionentscheidungen: das Fisher–Modell S. 10
Zinsen in Form von Früchten. Der Kapitalmarkt wird von einem sogenannten Market Maker
geleitet. Dessen Job ist es, den geeigneten Zinssatz zu bestimmen, so dass das Angebot an
Früchten gerade der Nachfrage entspricht. Da aber wieder alle Konsumenten identisch sind,
wird im Gleichgewicht niemand Früchte verleihen oder ausleihen. Für jeden Konsumenten
lautet also die Bedingung erster Ordnung (1.3):
1 u0 (E1 )
= 1 + rf .
β u0 (E1 (1 + g))
Man erkennt: wenn die Früchteproduktion stagniert (g = 0), dann ist der Zinssatz gerade
der Kehrwert der Zeitpräferenz β. Dieser Kehrwert wird auch als Maß der Ungeduld der
Konsumenten bezeichnet. Spezifizieren wir die Nutzenfunktion zum Beispiel mit u(X) =
ln(X), dann lautet die Bedingung erster Ordnung:
1
(1 + g) = 1 + rf .
β
Wir fassen zusammen:7
Satz 1.3 Der Zins steigt mit der Höhe des Wachstums und der Höhe der Ungeduld.
Ohne Wachstum ist der Zinssatz gerade gleich dem Kehrwert der Zeitpräferenz.
1.5 Separation von Konsum– und Investitionentscheidungen: das

Fisher–Modell
In diesem Abschnitt soll das Fisher–Modell vorgestellt werden. Wir zeigen damit, dass für
bestimmte Entscheidungen, die Kenntnis der Zeitpräferenzen gar nicht benötigt werden.
Wir wollen nun zeigen, wie wir mit Hilfe von Nutzenfunktionen im Fisher–Modell Entschei-
dungen treffen. Es gebe in der Zukunft nur einen Zeitpunkt, der Investor tauscht Geld. Er
besitzt heute eine Erstausstattung an Geld, die wir mit X̄0 bezeichnen. Wir setzen voraus,
dass der Investor Portfolios bildet, um seinen Geldbesitz heute X0 und morgen X1 zu opti-
mieren. Es geht um eine optimale Umverteilung heutigen Geldbesitzes in die Zukunft. Das
Fisher–Modell8 betrachtet nun drei stilisierte Situationen.
Robinso-Crusoe–Welt. Wenn der Investor weder produzieren noch handeln kann, bleibt ihm
gar nichts anderes übrig als die Erstausstattung X0 = X̄0 sowie den zukünftigen Besitz
X1 = 0 als optimal anzusehen.
Kapitalmarkt Es gibt jetzt einen perfekten Kapitalmarkt.9 Der Investor kann Geld am Kapi-
talmarkt anlegen oder borgen. Die Geldanlage am Kapitalmarkt verzinst sich zu einem
7
Das Ergebnis gilt auch für andere Nutzenfunktionen. Die Herleitung ist dann allerdings etwas mühsamer.
8
Unser Fisher–Modell ist denkbar einfach. So kann man ohne Schwierigkeiten voraussetzen, dass der Investor
auch eine Erstausstattung an Geld morgen besitzt, neben Geld ein Gut gehandelt wird und dieses Gut
einer Inflation ausgesetzt wird. Die zentralen Ergebnisse ändern sich aber dadurch nicht.
9
Der Kapitalmarkt ist perfekt genau dann, wenn Sollzinsen und Habenzinsen identisch sind, es kein Finan-
zierungslimit gibt und der Markt keine Reibungsmöglichkeiten (Steuern, Transaktionskosten) besitzt.

Zins rf . Wir wollen die Geldanlage, mit der der Investor sein optimales Portfolio her-
stellt, mit dem Symbol M bezeichnen (die Schreibweise ist historisch gewachsen und
orientiert sich an der Bedeutung “money”). Heute zahlt der Investor also den Preis M0 ,
um morgen den Geldbetrag M1 zu erhalten. M kann auch negativ sein, in diesem Fall
nimmt er einen Kredit auf.
Wollen wir das optimale Nutzenniveau ermitteln, so haben wir das folgende Maximie-
rungsproblem zu lösen
max U (X0 , X1 ), s.t. X0 = X̄0 − M0 , X 1 = M1 . (1.4)
Wir wissen, dass die Rendite am Kapitalmarkt rf beträgt, also gilt
M1
rf = − 1. (1.5)
M0
Setzen wir dies in die Maximierungsbedingung ein, dann erhalten wir durch Eliminieren
von M0
max U (X0 , X1 ), s.t. 0 = X1 − (1 + rf )(X̄0 − X0 ).
Was haben wir bisher ökonomisch gezeigt? Wir haben gezeigt, dass mit der Wahl
des heutigen Besitzniveaus sämtliche anderen Variablen des Problems (Geldanlage M0 ,
zukünftiger Besitz X1 ) festgelegt sind. Dies scheint plausibel zu sein. Die Nebenbedin-
gung wird auch Transaktionsgerade genannt, weil sie die Menge möglicher Transaktio-
nen am Kapitalmarkt beschreibt. Unsere Maximierungsaufgabe lässt sich nun mit dem
Kalkül von Lagrange lösen. Dazu notieren wir die Lagrange–Funktion
L = U (X0 , X1 ) − λ(X1 − (1 + rf )(X̄0 − X0 )).
Die Nebenbedingungen erster Ordnung lauten nun10

∂L
0= = X1 − (1 + rf )(X̄0 − X0 )
∂λ
∂L ∂U (X0 , X1 )
0= = − λ(1 + rf )
∂X0 ∂X0
∂L ∂U (X0 , X1 )
0= = −λ
∂X1 ∂X1
Die erste Gleichung ist notwendig, um das optimale Portfolio zu bestimmen, sie wird
uns aber in diesem Abschnitt nicht interessieren. Wir setzen die dritte Gleichung in die
zweite ein und erhalten
∂U (X0 ,X1 )
∂X0
−(1 + rf ) = − ∂U (X . (1.6)
0 ,X1 )
∂X1
10
Wir ignorieren in diesem Abschnitt die Bedingungen zweiter Ordnung: es könnte also durchaus sein, dass
wir hier kein Nutzenmaximum, sondern ein Nutzenminimum gefunden haben?! Wir werden im Verlauf der
Diskussion sehen, wie man diesen Fall ausschließen kann. Im Moment ist er uns nicht wichtig.

Der Term auf der rechten Seite wird als Grenzrate der Substitution bezeichnet.11 Die
Bedingung (1.6) besagt, dass im Optimum Grenzrate der Substitution und risikoloser
Zins plus eins übereinstimmen müssen. Diese Bedingung können wir uns gut graphisch
veranschaulichen. Dazu tragen wir in einem Diagramm die Zahlungen X0 sowie X1
ein und berücksichtigen weiter die Nebenbedingung aus der Maximierung (1.4). Das
Ergebnis ist in Abbildung 1.3 zu sehen. Der Optimalpunkt ist derjenige, bei dem die
Tangentiallinie der Indifferenzkurve (gerade der rechte Ausdruck in (1.6)) parallel an
die Transaktionsgerade mit der Steigung −(1 + rf ) ist.
6
(1 + rf )X 0 .....
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
X1 .....
.....
.....
.....
.....
.....
.....
.....
.....
.....
..... ...
..... .
.....
..... .....
..... ..
..... ..
..... ...
s
.......
.......
.......
................
..... ............
.....
..... .....
.....
.....
U (X0 , X1 )
.....
.....
. -
X0
X0
Abbildung 1.3: Fisher–Modell mit Kapitalmarkt
Bisher haben wir die Frage, ob genau eine optimale Lösung existiert, vernachlässigt.
Dies wollen wir jetzt nachholen. Würde es uns nicht gelingen, Bedingungen für eine
eindeutige optimale Lösung zu formulieren, dann macht unsere gesamte Theorie wenig
Sinn: wir behaupten ja, Verhalten von Entscheidungsträgern beschreiben zu können.
Gäbe es beispielsweise mehrere optimale Lösungen, dann müssten wir erklären, welche
der möglichen Portfolios der Entscheidungsträger nun letztendlich wählt. Wir fragen
daher, unter welchen Annahmen an die Nutzenfunktion das optimale Portfolio eindeutig
bestimmt ist. Es zeigt sich, dass dazu die strikte Quasikonkavität der Nutzenfunktion
11
Dazu eine kurze Erläuterung. Unter der Grenzrate der Substitution versteht man diejenigen Mengen an
zukünftigem Gut, auf die man verzichten muss, wenn wir eine (marginale) Einheit heutiges Gut zusätzlich
erhalten und dennoch das Nutzenniveau nicht verändern wollen. Daraus ergibt sich folgende Rechnung
0 = dU (X0 , X1 ) Nutzenniveau konstant

∂U ∂U
= dX0 + dX1 totales Differential
∂X0 ∂X1
dX1 ∂U/∂X0
=− , umstellen.
dX0 ∂U/∂X1
Der Ausdruck auf der linken Seite gibt die Mengen an X1 an, die als Kompensation für dX0 mehr Geld in
t = 0 herhalten müssen. Dieser Ausdruck ist immer negativ, da man für mehr X0 ja weniger X1 in Kauf
nehmen wird.

ausreichend ist. Eine Nutzenfunktion heißt strikt quasikonkav, wenn sie die folgende
Eigenschaft besitzt:
• Wir wählen zwei beliebige Punkte auf einer Indifferenzkurve und verbinde sie mit-
einander.
• Die Nutzenfunktion ist strikt quasikonkav, wenn jeder Punkt auf der Verbindungs-
linie besser als die beiden Ausgangspunkte ist.
Zur Veranschaulichung betrachten wir eine Situation wie in Abbildung 1.4. In diesem
Fall wären die beiden Portfolios (a0 , a1 ) sowie (b0 , b1 ) optimal, da die Indifferenzkurve
tangential an der Budgetlinie verläuft. Offensichtlich ist die Nutzenfunktion nicht strikt
quasikonkav, denn die Portfolios der Verbindungslinie von (a0 , a1 ) und (b0 , b1 ) sind alle
schlechter als (a0 , a1 ) bzw. (b0 , b1 ).
6
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
..... ...
.....
..... ..
.....
..... .....
..... ..
..... ...
..... ....
..... ...
X1 ..... ...
.......
s
a1 ......
.......
...................
..... ............
..... ........
..... .......
..... ....
..... ...
..... ...
.....
.....
..... .....
..... ..
..... ..
..... ...
s
.......
.......
......
b1 ...............
..... ..............
.....
..... .....
.....
.....
.
U (X0 , X1 )
.....
..... -
a0 b0
X0
Abbildung 1.4: Zwei optimale Portfolios
Kapitalmarkt und Realinvestition Nun unterstellen wir die Existenz einer Realinvestition
mit der Anfangsausgabe I0 sowie der Auszahlung CF1 einen Zeitpunkt später. Diese
Realinvestition erscheint in diesem Modell als eine Art “Geldmaschine”, bei der keine
Rücksicht darauf genommen wird, ob hier ein Gut produziert wird.
Wir werden uns bei der Antwort auf die Frage, ob diese Realinvestition durchgeführt
werden sollte, nur an dem Nutzenniveau des Investors orientieren. Dazu fügen wir dem
Maximierungsproblem die Realinvestition hinzu und prüfen, inwieweit sich das Nutzen-
niveau des Investors erhöht. Wir haben
max U (X0 , X1 ), s.t. X0 = X̄0 − M0 − I0 , X1 = (1 + rf )M0 + CF1 . (1.7)
Analog dem obigen Vorgehen können wir wieder M0 ausklammern; wir erhalten
CF1
max U (X0 , X1 ), s.t. X1 = (1 + rf )(X̄0 − X0 ) + (1 + rf )(−I0 + ).
1 + rf
| {z }
=NPV

Statt mit der üblichen mathematische Prozedur zu beginnen, genügt ein scharfer Blick
auf unser Problem. Wir erkennen folgendes. Für einen gegebenen Geldbesitz heute (also
X0 ) ist, wenn der in der Klammer NPV genannte Ausdruck positiv ist, der Geldbesitz
morgen höher. Mithin wird der Investor, egal wie seine konkrete Nutzenfunktion nun
gestaltet ist, die Investition immer dann vorziehen, wenn der Kapitalwert (NPV) größer
null ist. Graphisch lässt sich dieses Verhalten dadurch plausibilisieren, dass ein positiver
NPV die Transaktionsgerade nach oben verschiebt – und dort befinden sich ja gerade
die höheren Nutzenniveaus.
Das zuletzt erhaltene Resultat nennt man auch die Separierbarkeit von Investitions– und
Konsumentscheidung. Ob sich eine Investitionsentscheidung lohnt oder wir sie besser
unterlassen, hängt nicht mehr von der konkreten Form der Nutzenfunktion ab. Vielmehr
ist für alle Investoren, die eine monotone Nutzenfunktion aufweisen, die Durchführung
der Investition vorteilhaft, falls der Kapitalwert positiv ist.
Betrachten wir ein weiteres Mal die Intepretation mit mehreren Zeitpunkten. Es sei ange-
merkt, dass im Fisher–Modell die Bedingung eines positiven Zinses nicht aus den Modellan-
nahmen folgt. Vielmehr könnte der Zins durchaus negativ sein. Erst, wenn man voraussetzt,
dass das Geld auch ohne weitere Kosten gelagert werden könnte (dies bedeutet beispielsweise
auch keine Inflation und kein Währungstausch), ist nur ein Zins von null oder höher denkbar.
Dies kann man sich wie folgt klarmachen. Angenommen, es wäre möglich, Geld kostenfrei zu
lagern und dennoch sei der Zins negativ. Dann würde jeder Investor sich Geld borgen, dieses
Geld lagern und würde so in der Zukunft einen Extragewinn erzielen können.

2 Unsicherheit
2.1 Erwartungsnutzentheorie
2.1.1 Das Grundmodell: mehrere Zustände
Wir stellen das Grundmodell unter Unsicherheit vor. Es wird sehr starke Ähnlichkeit mit dem
Grundmodell aus em Abschnitt unter Sicherheit aufweisen.
Wir wollen nun ein Modell näher betrachten, das eine unsichere Zukunft zum Gegenstand ha-
ben wird. Wie wird die Unsicherheit formal dargestellt? Wir unterscheiden zwei Zeitpunkte,
die eine festgelegte Einheit (etwa ein Jahr) auseinanderliegen. Während der heutige Zeitpunkt
sicher ist, soll die Zukunft unsicher sein. Wir setzen voraus, dass es insgesamt S einander
wechselseitig ausschließende Zustände in dieser Zukunft geben kann, die wir mit dem Index
s = 1, . . . , S (s steht für “state”) bezeichnen. Wir gehen weiter davon aus, dass wir jedem Zu-
stand s eine Wahrscheinlichkeit seines Eintretens zuordnen können. Diese Wahrscheinlichkeit
bezeichnen wir mit qs , sie ist sinnvollerweise größer null und alle qs summieren sich natürlich
zu eins. Da wir Wahrscheinlichkeiten der Zustände kennen, werden wir Erwartungswerte und
Kovarianzen berechnen können. Es gebe an unserem Markt insgesamt nur ein handelbares
Gut, und dabei soll es sich um Geld handeln. Insofern hat unser Modell sehr starke Ähnlich-
keit mit der zweiten Interpretation des Grundmodells aus dem vorigen Abschnitt, bei dem
ebenfalls Geld zu verschiedenen Zeitpunkten in der Zukunft lieferbar war.
 
X1 ←− Menge an Zahlung im ersten Zustand
 X2  ←− Menge an Zahlung im zweiten Zustand
X=
 
..  ..
 .  .
XS ←− Menge an Zahlung im S–ten Zustand
Bevor wir mit dem inhaltlichen Teil beginnen, stellen wir folgende interessante Eigenschaft
unseres Modelles fest. Wenn wir unser Grundmodell der Unsicherheit mit den Modellen ver-
gleichen, die wir im vorigen Kapitel behandelt haben, dann haben sie eine grundlegende
formale Gemeinsamkeit. Wir könnten in einem Gedankenexperiment beispielsweise die ver-
schieden lieferbaren Güter als Geld in verschiedenen Zuständen auffassen: Gut eins entspricht
also einer Geldeinheit im ersten Zustand, Gut zwei einer Geldeinheit im zweiten Zustand usw.
Insoweit könnten wir etwa die Axiomatik der Nutzenfunktionen übernehmen, wenn uns an ei-
ner Nutzenfunktion der Form U (X1 , X2 , . . . , XS ) gelegen wäre. Etwas mehr Aufmerksamkeit
müssen wir der Frage widmen, was in unserem Modell jetzt ein risikoloser Titel sein soll.
Offensichtlich ist ein Wertpapier in dem Grundmodell der Unsicherheit genau dann risikolos,
wenn es genau eine Geldeinheit in jedem Zustand auszahlt. Wir werden es auch durch eine
15
2.1 Erwartungsnutzentheorie S. 16
fett gedruckte eins darstellen:

 
1
 1 
1 :=  .  .
 
 .. 
1
Der Preis dieses Wertpapiers wird den risikolosen Zins determinieren, und es gilt
1
p(1) = .
1 + rf
2.1.2 Petersburger Spiel
Wir betrachten ein berühmtes Spiel, dessen Ergebnis als “Petersburger Paradox” in die Li-
teratur eingegangen ist.1 Angenommen, man offeriert uns ein Spiel, das einmal durchgeführt
wird. Um daran teilzunehmen, muss man einen Geldbetrag bezahlen, dessen Höhe vorerst
unbekannt sei.
Hat man also den bisher unbekannten Teilnahmebetrag ermittelt, dann wirft der Spielleiter
eine Münze. Er tut dies so oft, bis auf der Münze “Zahl” erscheint. In Abhängigkeit von der
Anzahl der notwendigen Würfe gibt es für den Teilnehmer des Spiels eine Auszahlung. Sie
ermittelt sich wie folgt
Anzahl der Würfe Auszahlung

(Zustand s) (Xs )
1 Wurf 1 Geldeinheit
2 Würfe 2 Geldeinheiten
.. ..
. .
Mit der Anzahl der notwendigen Würfe verdoppelt sich die Auszahlung. Befragen wir den
ökonomisch nicht versierten Leser, welchen Eintrittspreis er als “fair” bezeichnen würde, so
werden sehr selten Werte über fünf Geldeinheiten genannt. Wir wollen zuerst ermitteln, wie
hoch die erwartete Auszahlung dieses Spieles wäre.
Dazu haben wir in jeder möglichen Situation die Auszahlung mit der entsprechenden Wahr-
scheinlichkeit zu multiplizieren. Dies führt auf die folgende Rechnung
1 1 1 1
1· + 2 · 2 + 4 · 3 + 8 · 4 + ···
2 2 2 2
1 1 1
= + + + ···
2 2 2
=∞
1
Dieses Spiel ist durch die Arbeit Daniel Bernoullis berühmt geworden. Eine Übersetzung ist wieder kürzlich
erschienen, siehe Bernoulli (1996).

und dieses Ergebnis ist in der Tat paradox. Jeder “vernünftige” Mensch würde für die hier
vorgestellte Lotterie nicht mehr als fünf Geldeinheiten zahlen, obwohl sie offensichtlich eine
unendlich hohe erwartete Auszahlung besitzt. Wird die Lotterie also oft genug gespielt, dann
könnte der Spieler im Durchschnitt unendlich reich werden. Und dennoch ist der “faire”
Eintrittpreis des Spiels ganz offensichtlich ungleich der erwarteten Auszahlung. Wie kommt
es zu diesem Paradox?
In der Literatur hat es um diese Frage eine erbitterte Auseinandersetzung gegeben, weil
das Spiel ein Element der Unendlichkeit enthält. So hat Cramer noch vor Daniel Bernoulli
vorgeschlagen, alle Auszahlungen ab dem 24.ten Wurf nicht mehr zu berücksichtigen (dies
entspräche einer Auszahlung von ca. 8.4 Millionen). Und in der Tat scheint es ab einem be-
stimmten Geldbetrag schlichtweg unmöglich, dass der Spielleiter abenteuerlich hohe Gewinne
auszahlen könnte. Wiederholt man nun die Rechnung, so kommt man auf einen vernünftigen
Spieleinsatz von etwa 12 Geldeinheiten und das Problem scheint gelöst.
Nicht alle Ökonomen haben diese Ansicht geteilt. Um klarzumachen, dass hinter dem Pe-
tersburger Paradox mehr als nur ein Problem mit der Unendlichkeit steckt, wollen wir ein
weiteres Spiel vorschlagen. Wir bieten ein Spiel an, bei dem eine Münze einmal geworfen
wird. Erhalten wir “Zahl”, dann verpflichten wir uns (oder wir verpflichten eine Bank), das
zukünftige Gehalt des Spielers immer zu verdoppeln. Eine Bank sollte ohne weiteres dazu
in der Lage sein. Als Eintrittspreis verlangen wir dagegen, dass im Falle von “Wappen” der
Spieler sein gesamtes Gehalt uns (oder der Bank) zur Verfügung stellt. Hier liegt sicherlich
kein Problem mit einer Unendlichkeit vor.2 Die erwartete Auszahlung entspricht genau dem
Eintrittspreis des Spiels, dennoch wird niemand ein derartiges Spiel spielen.
Die beiden Beispiele verdeutlichen folgendes: entweder liegt der als “fair” empfundene Ein-
trittspreis des Spiels deutlich unter der Auszahlung (siehe das Petersburger Paradox) oder,
falls beide zusammenfallen (siehe unser Lohnverpfändungsspiel), werden wir dieses Spiel nicht
spielen. Wenn p(X) den fairen Eintrittspreis des Spieles bezeichnet, so gilt
p(X) < E [X].
Dieses Ergebnis scheint der Intuition zu widersprechen, dass eine Investitionsentscheidung

unter Unsicherheit sich einfach am Erwartungswert der Auszahlung orientiert. Während das
Petersburger Spiel dieses Paradox durch die Verwendung eines unendlichen Spiels nicht deut-
lich genug herausarbeitet, fällt es bei unserem Lohnverpfändungsspiel sofort auf.
Zurück zum Petersburger Spiel. Wie löste Daniel Bernoulli das Paradox? Er argumentier-
te, dass nicht die Auszahlung, sondern der Nutzen der Auszahlung für einen Investor von
Bedeutung ist. Der Nutzen aber, so postulierte er, verhält sich diametral zu Höhe des Geld-
betrages und er leitete eine Nutzenfunktion der Form u(x) = ln(x) ab. Dann müssen wir die
Ergebnisrechnung wiederholen3
X ln(2k ) ∞
ln(1) ln(2) ln(4)
+ 2 + 3 + ··· =
2 2 2 2k+1
k=0
= ln(2).
2
Natürlich ist es unmöglich, sein gesamtes Gehalt zu verpfänden, das Sozialhilfeniveau muss ja gesichert
werden. Diese Details ignorieren wir jetzt großzügig.
3
Der nun folgende Rechenschritt setzt in der letzten Zeile einen mathematischen Trick voraus, auf dessen
Darstellung wir hier verzichten.

In der ersten Zeile finden wir den Nutzen des Spieles, und wenn dieser Nutzen gleich dem
Nutzen des Eintrittspreises sein soll, dann muss der faire Preis gerade zwei Geldeinheiten
betragen. Dieses Ergebnis ist plausibel.
2.1.3 Erwartungsnutzen
Wir können folgendes festhalten. Wenn ein Entscheidungsträger unter Unsicherheit entschei-
det, sollte er sich aufgrund der Risikoaversion der Investoren nicht am Erwartungswert, son-
dern am Erwartungsnutzen orientieren. Bevor wir uns der Frage zuwenden, welche Nutzen-
funktionen denn überhaupt plausibel sind, müssen wir folgende Frage aufwerfen. Wir haben
im vorigen Kapitel großen Wert darauf gelegt, unsere Nutzenfunktionen immer auf Axiome
zu begründen. Eine solche Nutzenfunktion, die auf uns bekannten Axiomen beruht, würden
wir mit
U (X1 , X2 , X3 , . . .)
bezeichnen können. Die Erwartungsnutzentheorie aber verlangt, dass unsere Nutzenfunktion
eine wesentlich speziellere Gestalt aufweist, genauer soll sie von der Form
U (X1 , X2 , X3 , . . .) = q1 · u(X1 ) + q2 · u(X2 ) + q3 · u(X3 ) + . . . + qS u(XS ) (2.1)
für eine Funktion u(x) sein. Unter welchen (weiteren) Annahmen an die Präferenzen aber
folgt, dass wir es in der Tat mit einer Erwartungsnutzendarstellung zu tun haben?
Die Präferenzen müssen über unsichere Ergebnisse definiert sein. Ein Güterbündel im Sin-
ne
PSvon Mikro I soll nun eine Lotterie L sein, die mit Wahrscheinlichkeiten (q1 , . . . , qS ) mit
s=1 qs = 1 die Auszahlungen (X1 , . . . , XS ) liefert. Um ein paar technischen Details aus dem
Weg zu gehen, wollen wir nur Lotterien mit endlich vielen möglichen Ergebnissen betrach-
ten. Dies schließt allerdings bereits das Beispiel des Petersburger Spiels aus, bei dem es ja
durchaus zu unendlich vielen Münzwurfen kommen kann.
Die Ergebnisse Xs können einfache Zahlungen oder bestimmte Ereignisse sein (eine Beförde-
rung, eine gute Note o.ä.). Besondere Bedeutung haben Lotterien deren Ergebnisse selbst
wieder Lotterien sind. Eine Lotterie über Lotterien ist aber im Grunde auch nur eine ein-
fache Lotterie über die Menge der Preise aller Lotterien, die die ursprüngliche Lotterie als
Ergebnisse lieferte. Sei zum Beispiel L0 die Lotterie, die mit Wahrscheinlichkeiten (p1 , p2 ) die
Ergebnisse (X1 , X2 ) ergibt und L00 die Lotterie, die mit Wahrscheilichkeiten (q1 , q2 ) die Er-
gebnisse (X2 , X3 ) liefert. Dann ist die Lotterie L, die mit Wahrscheinlichkeiten (α, 1 − α) als
Ergebnisse die Lotterien L0 bzw. L00 liefert, nichts anderes als eine Lotterie mit Wahrschein-
lichkeiten (αp1 , αp2 +(1−α)q1 , (1−α)q2 ) die Preise (X1 , X2 , X3 ) liefert. Die zusammengesetzte
Lotterie L schreiben wir
L = αL0 + (1 − α)L00 .
Dabei benutzen in Anlehnung an die Literatur wir also das +–Zeichen, obwohl hier nichts
addiert wird. Ich hoffe, das führt nicht zu all zu viel Verwirrung...
Wir wollen aber annehmen. dass alle Marktteilnehmer dies erkennen und also nicht zwischen
Lotterien über Lotterien und einfachen Lotterien unterscheiden.4 Darüber hinaus sollen die
4
Bereits dies ist eine gewagte Annahme. In der Realität verhalten sich die wenigsten Menschen derart. Wenn
man ihnen aber vorher die Äquivalenz der beiden Lotterien erläutert, wird diese Annahme in der Regel
befolgt.

Standardaxiome der Vollständigkeit, der Transitivität und der Stetigkeit gelten. Das Stetig-
keitsaxiom bezogen auf Lotterien bedeutet demnach, dass wenn für Lotterien L, L0 und L00
und für Wahrscheinlichkeiten qn ∈ [0, 1] gilt, dass
qn L + (1 − qn )L0 L00
dann gilt auch für q = limn→∞ qn
qL + (1 − q)L0 L00 .
Damit ergibt sich immerhin schon die Existenz einer Nutzenfunktion U auf dem Raum der
Lotterien. Damit U aber die Form von (2.1) hat, wird ein weiteres Axiom benötigt, das so
genannte ’Unabhängigkeits–Axiom’:
Definition 2.1 Die Präferenz–Relation genügt auf dem Raum der Lotterien dem Axiom
der Unabhängigkeit, wenn für alle Lotterien L, L0 und L00 mit L L0 und α ∈ [0, 1] gilt, dass
auch
αL + (1 − α)L00 αL0 + (1 − α)L00 .
Mit anderen Worten, wenn eine Lotterie einer zweiten Lotterie vorgezogen wird, dann ändert
sich daran auch nichts, wenn beide Lotterien mit einer dritten verknüpft werden. Dies ist
ein vollkommen neues Axiom, das es in der bisherigen Nutzentheorie in Mikro I nicht gab.
Dort konnte es eben sehr wohl sein, dass die Vorlieben für Eis über Spaghetti durchaus davon
abhängig sein konnten, ob man dazu auch Tomatensoße bekam. Das soll beim Erwartungs-
nutzen anders sein. Hier wird die Wahl einer Lotterie davon unabhängig sein, welche anderen
Lotterien gespielt werden.
Mit dem Unabhängigkeits–Axiom wird die Nutzenfunktion die additive Struktur von (2.1)
haben:
Satz 2.1 (von Neumann/Morgenstern, 1944) Die Präferenzrelation auf dem Raum
der Lotterien genüge den Axiomen der Vollständigkeit, der Transitivität, der Stetigkeit und der
Unabhängigkeit. Dann hat die zugehörige Nutzenfunktion U die Form einer Erwartungsnut-
zenfunktion, das heißt, es existiert eine stetige Funktion u auf dem Raum der Ergebnisse, so
dass für alle Lotterien L mit Wahrscheinlichkeiten (q1 , . . . , qS ) und Ergebnissen (X1 , . . . , XS )
gilt:
S
X
U (L) = qs u(Xs ).
s=1
Beweis: Wir beweisen den Satz vorerst für den Fall, dass es eine beste Lotterie Lb und eine schlech-
teste Lotterie Lw gibt, das heißt für alle Lotterien L gilt:
Lb L Lw .
Man setzt U (Lb ) = 1 und U (Lw ) = 0. Für eine beliebige Lotterie L setzt man U (L) = αl wobei
αl ∈ [0, 1] mit
αl Lb + (1 − αl )Lw ∼ L.
Wir müssen als erstes zeigen, dass U wohldefiniert ist, das heißt wir müssen die Existenz und die
Eindeutigkeit von αl beweisen.

Eindeutigkeit Dazu benutzen wir den folgenden

Hilfssatz: Für je zwei Zahlen α und β in [0, 1] gilt
αLb + (1 − α)Lw βLb + (1 − β)Lw genau dann wenn α > β. (2.2)
Dies ergibt sich aus dem Unabhängigkeits–Axiom (in der Fassung für die strikte Präferenz )
wie folgt: da Lb Lw folgt mit dem Unabhängigkeits–Axiom, dass für beliebige Lotterien L
und 0 < γ < 1:
γLb + (1 − γ)L γLw + (1 − γ)L.
Setzt man hier für L die Lotterie δLb + (1 − δ)Lw mit δ ∈ [0, 1] so erhält man:
γLb + (1 − γ)(δLb + (1 − δ)Lw ) γLw + (1 − γ)(δLb + (1 − δ)Lw )
bzw.
(γ + (1 − γ)δ)Lb + (1 − γ)(1 − δ)Lw (1 − γ)δLb + (γ + (1 − γ)(1 − β)Lw .
Da γ > 0 ist, bekommt man mit α = γ + (1 − γ)δ und β = (1 − γ)δ = α − γ das Ergebnis (2.2).
Damit haben wir aber die Eindeutigkeit von αl gezeigt, da für alle α 6= αl mit dem Hilfssatz
offensichtlich αLb + (1 − α)Lw 6∼ αl Lb + (1 − αl )Lw sein muss.
Existenz Wegen der Vollständigkeit der Präferenzrelation liegt jedes q ∈ [0, 1] in einer der Mengen
{q ∈ [0, 1]|qLb + (1 − q)Lw L} oder {q ∈ [0, 1]|qLb + (1 − q)Lw L}. Sei q min > 0 das
Minimum der ersten Menge und q max < 1 das Maximum der zweiten Menge5 . Mit unseren
Überlegungen zur Eindeutigkeit wissen wir bereits, dass q min ≥ q max . Wenn q min > q max wäre,
dann gäbe es Werte q ∈ [0, 1] mit q min > q > q max , die in keiner der beiden Mengen liegen
würden. Dies ist aber ein Widerspruch zur Vollständigkeit der Präferenzrelation. Damit haben
wir also q min = q max und damit die Existenz von αl = q min = q max .
Damit ist U (L) wohldefiniert. Wir müssen noch zeigen, dass U tatsächlich eine Erwartungsnutzen-
funktion ist. Sei nun L eine beliebige Lotterie mit Wahrscheinlichkeiten (q1 , . . . , qS ) und Ergebnissen
(X1 , . . . , XS ). Wenn S = 1, also L eine degenerierte Lotterie mit nur einem Ergebnis ist, dann ist
offensichtlich mit der Definition u(X1 ) := U (L):
U (L) = 1 ∗ u(X1 ) = q1 u(X1 ).
Sei nun S > 1. L1 bezeichne die degenerierte Lotterie mit einem sicheren Ergebnis von X1 und L−1
q2 qS
die Lotterie mit Wahrscheinlichkeiten ( 1−q 1
, . . . , 1−q 1
) und Ergebnissen (X2 , . . . , XS ). Es gilt:
L = q1 L1 + (1 − q1 )L−1 .
Beachten Sie, dass L−1 nur S − 1 mögliche Ergebnisse liefert. Nach der Konstruktion von U haben wir
L ∼ U (L)Lb + (1 − U (L))Lw
L1 ∼ U (L1 )Lb + (1 − U (L1 ))Lw
L−1 ∼ U (L−1 )Lb + (1 − U (L−1 ))Lw .
Mit dem Unabhängigkeits–Axiom haben wir dann
q1 L1 + (1 − q1 )L−1 ∼ q1 (U (L1 )Lb + (1 − U (L1 ))Lw ) + (1 − q1 )L−1
bzw.
q1 (U (L1 )Lb +(1−U (L1 ))Lw )+(1−q1 )L−1 ∼ q1 (U (L1 )Lb +(1−U (L1 ))Lw )+(1−q1 )(U (L−1 )Lb +(1−U (L−1 ))Lw ).
5
Beide existieren, wegen der Stetigkeit der Präferenzrelation.

Wird letzteres ausmultipliziert, erhält man
L ∼ (q1 U (L1 ) + (1 − q1 )U (L−1 ))Lb + (q1 (1 − U (L1 )) + (1 − q1 )(1 − U (L−1 )))Lw .
Damit haben wir also gezeigt, dass U (L) = q1 U (L1 ) + (1 − q1 )U (L−1 ). Man kann dieses Verfahren nun
weiter auf L−1 anwenden indem ein weiteres Ergebnis gestrichen wird. Man setzt dies so lange fort bis
nichts mehr zu streichen ist und erhält dann schließlich
S
X S
X
s
U (L) = qs U (L ) = qs u(X s ).
s=1 s=1
Es bleibt noch zu zeigen, was passiert, wenn es keine beste und schlechteste Lotterie Lb und Lw gibt.
Man greift sich dann zwei beliebige Lotterien heraus. Einzige Bedingung: eine muss besser als die
andere sein. Man nennt diese wieder Lb und Lw mit Lb Lw . Für Lotterien L mit Lb L Lw
geht man wie oben vor. Für Lotterien L mit L Lb zeigt man, dass es ein eindeutiges αl existiert mit
αl L + (1 − αl )Lw ∼ Lb und definiert U (L) = 1/αl . Für Lotterien L mit L ≺ Lw zeigt man, dass es ein
eindeutiges αl gibt mit αl Lb + (1 − αl )L ∼ Lw und definiert U (L) = −αl /(1 − αl ). Näheres schlage
man in den einschlägigen Lehrbüchern nach.
Sehr viele Ergebnisse in der Theorie der Kapitalmärkte basieren auf der Erwartungsnutzen-
theorie. Es wäre also schön, wenn die zu Grunde liegenden Axiome einigermaßen zutreffen
würden. Hier gilt leider wieder, was weiter oben zur Einschätzung von Lotterien auf Lotterien
gesagt wurde. Viele Menschen handeln erst dann entsprechend des Unabhängigkeits–Axiom,
wenn man sie explizit auf die Inkonsistenzen einer Abweichung hinweist. Ein berühmtes Bei-
spiel, für Entscheidungen, die nicht mit dem Unabhängigkeits–Axiom zu vereinbaren sind, ist
das so genannte Allais–Paradox6 . Es gebe drei mögliche Preise:
Erster Preis Zweiter Preis Dritter Preis

e 27.500 e 24.000 e0
Gefragt nach einer Entscheidung zwischen dem zweiten Preis mit Sicherheit oder einer Lot-
terie L mit Wahrscheinlichkeiten (0, 33; 0, 66; 0, 01), entscheiden sich die meisten Menschen
für die sichere Zahlung. Geht die Entscheidung aber zwischen zwei Lotterien L0 mit Wahr-
scheinlichkeiten (0; 0, 34; 0, 66) und L00 mit Wahrscheinlichkeiten (0, 33; 0; 0, 67), dann ziehen
die meisten Menschen L00 vor. Dies widerspricht aber dem Erwartungsnutzenprinzip. Wenn
Sie bei der ersten Entscheidung die sichere Zahlung vorziehen, heißt das also
u(e 24.000) > 0, 33u(e 27.500) + 0, 66u(e 24.000) + 0, 01u(e 0).
Wenn Sie dies umstellen, ergibt sich
0, 34u(e 24.000) > 0, 33u(e 27.500) + 0, 01u(e 0).
Wenn Sie nun auf beiden Seiten 0, 66u(e 0) addieren, erhalten Sie
0, 34u(e 24.000) + 0, 66u(e 0) > 0, 33u(e 27.500) + 0, 67u(e 0).
An diesem Beispiel lässt sich die Bedeutung des Unabhängigkeitsaxiom recht gut demonstrie-
ren. Der Verstoß gegen das Erwartungsnutzenprinzip ergibt sich aus einem Verstoß gegen das
6
Nach Allais (1953).

Unabhängigkeits–Axiom. Schauen Sie sich die Lotterien L1 ’e 24.000 mit Sicherheit’ und L2
’e 27.500 mit einer Wahrscheinlichkeit von 33/34 und e 0 mit einer Wahrscheinlichkeit von
1/34’ an. Entweder Sie ziehen die sichere Zahlung vor oder nicht. Nehmen wir an Sie würden
die sichere Zahlung vorziehen, also L1 L2 . Dann gilt also mit dem Unabhängigkeitsaxiom
also für jede beliebige Lotterie L3 und 0 < α < 1:
αL1 + (1 − α)L3 αL2 + (1 − α)L3 .
Wenn Sie nun für L3 die Lotterie L1 nehmen und α = 0, 34 dann erhalten Sie
L1 0, 34L2 + 0, 66L1 .
Wenn Sie die Lotterie auf der rechten Seite ausmultiplizieren, dann erkennen Sie, dass das
gerade die Lotterie L aus dem Allais–Paradox ist. Die Entscheidung die sichere Zahlung der
Lotterie L2 vorzuziehen war also kompatibel mit der ersten Entscheidung im Allais–Paradox.
Genau so gut können Sie aber für L3 die Lotterie ’e 0 mit Sicherheit’ einsetzen. Mit dem
gleichen α = 0, 34 wie gerade eben ergibt sich dann:
0, 34L1 + 0, 66L3 0, 34L2 + 0, 66L3 .
Wenn Sie diese Lotterien ausmultiplizieren, erkennen Sie aber, dass dies bedeutet, dass Sie in
der zweiten Entscheidung des Allais–Paradoxes L0 L00 vorziehen müssten.
Sie haben vielleicht bemerkt, dass wir bei der Herleitung der Erwartungsnutzentheorie da-
von ausgegangen sind, dass die Wahrscheinlichkeiten der Lotterien vorgegeben wurden. Die
Erwartungsnutzentheorie gibt uns eine Darstellung der Nutzenfunktion für Entscheidungen,
bei denen die Unsicherheit objektiv vorgegeben ist. Dies ist sicherlich bei Entscheidungen, bei
denen es um einen Münzwurf oder die Ziehung der Lottozahlen geht, realistisch. Es gibt aber
auch viele Situationen, bei denen man sich als Entscheider erst einmal über die zu Grunde
liegenden Wahrscheinlichkeiten Klarheit verschaffen muss. Wie sieht ein Axiomensystem aus,
das sowohl zu jedem Zustand eine Wahrscheinlichkeit als auch eine zu diesen Wahrscheinlich-
keiten konsistente Erwartungsnutzenfunktion liefert?
Leider ist diese Frage nicht ganz einfach zu beantworten. In der Literatur sind ökonomisch
gut zu interpretierende Axiomensysteme für den Fall bekannt, dass am Markt unendlich
viele Zustände S = ∞ existieren.7 Für den Fall endlich vieler Zustände S < ∞ ist die
Diskussion durchaus noch nicht abgeschlossen. Ein besonders eleganter Zugang stammt von
Wakker (1984), dort genügt neben den im Kapitel über Sicherheit genannten Annahmen
ein weiteres Axiom (es heißt “kardinale Koordinatenunabhängigkeit”, was die Sache nicht
einfacher macht. . . ). Dieser Zugang hat aber den großen Nachteil, dass er ökonomisch nur
sehr schwer zu verstehen ist. Wir verzichten daher auf eine Darstellung und wollen damit die
Fragen um die Axiomatisierung der Erwartungsnutzentheorie beenden.
Wir wollen noch auf einen wichtigen Unterschied der Erwartungsnutzentheorie zur Nutzen-
theorie unter Sicherheit hinweisen. Dort hatten wir erkannt (siehe S. 2), dass wir eine Nutzen-
funktion immer monoton transformieren dürfen und wieder eine Nutzenfunktion erhalten, die
die Rangordnung der Güterbündel des Investors widerspiegelt. Wir hatten diese Eigenschaft
als Ordinalität der Nutzenfunktion gekennzeichnet. Im Rahmen der Erwartungsnutzentheorie
7
Das state–of–the–art System stammt von Savage (1972).

ist diese Eigenschaft nicht mehr erfüllt. Die einzigen Transformationen, die wir mit Nutzen-
funktionen durchführen dürfen, sind positiv lineare Transformationen (b > 0). Denn es gilt
E [u(X)] ≥ E [u(Z)] ⇐⇒ a + b E [u(X)] ≥ a + b E [u(Z)],

⇐⇒ E [a + b · u(X)] ≥ E [a + b · u(Z)],
falls b > 0. Diese Eigenschaft werden wir als Kardinalität der Erwartungsnutzentheorie be-
zeichnen.
2.1.4 Grad (Intensität) der Risikoaversion
Wir fragen, welche Nutzenfunktionen in einer ökonomischen Theorie plausibel sind. Dazu
definieren wir den Grad oder die Intensität der Risikoaversion und stellen fest, dass nur eine
fallende absolute Risikoaversion vertretbar ist.
Wir haben den vergangenen Abschnitten erkannt, dass in Entscheidungssituation unter Un-
sicherheit immer Erwartungsnutzenfunktion verwendet werden sollten. Wir wollen uns jetzt
mit der Frage auseinandersetzen, welche Nutzenfunktionen dabei sinnvollerweise eingesetzt
werden können. Wir gehen dabei wie folgt vor: wir vergleichen eine unsichere Situation mit
einer sicheren Zahlung, die beide jedoch für den Investor den gleichen Nutzen stiften sollen.
Sei also eine Lotterie X gegeben, die eine unsichere Auszahlung in der Zukunft generiert.
Nach unseren bisherigen Ausführungen wird dies beim Investor zu einem Nutzen in Höhe von
E [u(X)] führen.
Zuerst könnte man davon ausgehen, dass der Investor statt des unsicher ausgezahlten Geldbe-
trages einen sicheren Geldbetrag in Höhe des Erwartungswertes erhält. In diesem Fall würden
dem Investor also E [X] zustehen und dies hätte einen Nutzen in Höhe von u(E [X]) zur Folge.
Der Investor ist aber risikoavers. Also müssen wir davon ausgehen, dass dieser Nutzenwert
über dem im vorigen Absatz ermittelten Niveau liegt: anderenfalls würde ja der Investor eine
unsichere Zahlung mit gleichem Erwartungswert vorziehen. Wir definieren also
Definition 2.2 Sei X eine unsichere Zahlung. Dann heißt ein Investor
risikoavers genau dann, wenn für dessen Nutzenfunktion die Relation E [u(X)] < u(E [X])
gilt,
risikofreudig genau dann, wenn E [u(X)] > u(E [X]) erfüllt ist,
risikoneutral genau dann, wenn E [u(X)] = u(E [X]) gilt.
Wir haben natürlich zuerst die Frage zu beantworten, inwieweit wir bereits der Nutzenfunk-
tion ansehen können, welches Risikoverhalten vorliegt. Wir können folgenden Satz beweisen.
Satz 2.2 Wenn die Nutzenfunktion u(x) konkav ist, dann ist der Investor risikoavers. Ist sie
konvex, dann ist er risikofreudig. Ist sie linear, dann liegt Risikoneutralität vor.
Beweis: Wir zeigen die Behauptung nur für den Fall der Risikoaversion, die beiden anderen Fälle
können analog erledigt werden.

Die Behauptung des Satzes ist dann eine Folge der sogenannten Jensenschen Ungleichungen. Diese
behaupten,
P dass eine Funktion u(x) genau dann konkav ist, wenn für beliebige Zahlen λs , Xs mit
s λs = 1 die folgende Ungleichung gilt
λ1 u(X1 ) + λ2 u(X2 ) + . . . + λS u(XS ) < u(λ1 X1 + . . . λS XS ).
Wir müssen nun nur noch diese Ungleichung richtig interpretieren. Dazu setzen wir statt der λs auf
der linken Seite die Wahrscheinlichkeiten der S Zustände ein. Die linke Seite ist dann nichts anderes
als der Erwartungsnutzen E [u(X)], während die rechte Seite genau u(E [X]) ergibt. Aber das war zu
zeigen.
Wir hatten bereits in der Einleitung argumentiert, dass wir ein risikoaverses Verhalten für
ökonomisch plausibel halten. Daher werden wir im folgenden immer von konkaven Nutzen-
funktionen ausgehen. Uns interessiert nun, wie hoch der Abschlag ist, den ein Investor in
Kauf nimmt, wenn er sich dennoch Risiko aussetzt. Dieser Abschlag wird auch Markowitz–
Risikoprämie genannt und wie folgt definiert.
Definition 2.3 (Markowitz) Die Risikoprämie π für die Übernahme von Risiko X unter
der Nutzenfunktion u(x) ist derjenige Betrag π, für den die Gleichung
E [u(X)] = u(E [X] − π) (2.3)
erfüllt wird. E [X] − π wird auch als das Sicherheitsäquivalent SÄ(X) von X bezeichnet.
Zuerst versuchen wir, eine Abschätzung für die Höhe dieser Risikoprämie herzuleiten. Es wird
sich zeigen, dass dies für kleine Risiken in der Tat möglich ist.
Satz 2.3 Für kleine Risiken gilt der Zusammenhang

00
π ≈ 12 Var [X] · − uu0 (E
(E [X])
[X]) . (2.4)
00
Die Größe − uu0 (x)
(x)
wird auch absolute Risikoaversion der Nutzenfunktion u(x) genannt.
Beweis: Um diesen Satz zu beweisen, verwenden wir eine Taylor–Approximation bis zur zweiten
Ordnung
u00 (s)
u(t) ≈ u(s) + u0 (s)(t − s) + (t − s)2 . (2.5)
2
Bei der Taylor–Approximation wird eine Nutzenfunktion u(t) durch die ersten drei Glieder der Tay-
lorreihe ersetzt. Wir erhalten eine neue quadratische Funktion, die für kleine Abweichungen |s − t| ein
durchaus akzeptables Ergebnis liefern kann.
In einem ersten Schritt wenden wir die Approximation (2.5) für jede der Größen t = Xs und s = E [X]
an und erhalten
u00 (E [X])
u(Xs ) ≈ u(E [X]) + u0 (E [X])(Xs − E [X]) + (Xs − E [X])2 .
2
Wird nun der Erwartungswert gebildet (dazu multiplizieren wir jede der obenstehenden Abschätzungen
mit der Wahrscheinlichkeit qs und addieren die S Gleichungen), so verbleibt
u00 (E [X])
E [u(X)] ≈ u(E [X]) + 0 + Var [X].
2

Diese Abschätzung können wir in die Definition der Markowitz–Prämie einsetzen. Wir erhalten
u00 (E [X])
u(E [X] − π) = E [u(X)] ≈ u(E [X]) + 0 + Var [X].
2
In einem zweiten Schritt versuchen wir, uns der linken Seite zu nähern. Auch hier hilft eine Taylor–
Approximation weiter. Wir approximieren hier mit t = E [X] − π und s = E [X] nur bis zur ersten
Stelle und dies führt auf
u00 (E [X])
u(E [X]) + u0 (E [X])(−π) ≈ u(E [X] − π) ≈ u(E [X]) + Var [X].
2
Kürzen wir u(E [X]) und stellen geringfügig um, so erhalten wir die gewünschte Approximation.
Die Risikoprämie ermittelt sich also in quadratischer Näherung aus dem Produkt der Varianz
des Risikos mit einem Term, der sich aus der zweiten und ersten Ableitung der Nutzenfunktion
ergibt. Dabei sind beide Ableitungen jeweils an der Stelle E [X] zu ermitteln.
Wir wollen nun einen Schritt weitergehen. Wir gehen davon aus, dass der Investor neben der
riskanten Investition im Zeitpunkt t = 1 (also der Zukunft) ein sicheres Vermögen besitze.
Dieses Vermögen betrage gerade w und damit ist das Portfolio der Approximation nicht X,
sondern X + w · 1. Die Approximationsgleichung lautet, weil eine sichere Größe die Varianz
ja nicht ändert
00
1 u (w + E [X])
π ≈ Var [X] · − 0 .
2 u (w + E [X])
Uns interessiert nun, inwieweit die Risikoprämie sich mit dem Vermögen des Investors ändert.
Dazu betrachten wir die Approximation (2.4) ein weiteres Mal. Uns interessiert die Risiko-
prämie π als eine Funktion des sicheren Vermögens w in der Zukunft. Angenommen, ein
Entscheidungsträger wird immer wohlhabender. Es scheint plausibel, dass er in einer solchen
Situation selbstverständlich bereit sein sollte, zumindest die bisherigen riskanten Situationen
einzugehen: die gerade definierte Risikoprämie bei einem gleichbleibenden Risiko sollte sich
also nicht erhöhen, wenn das Vermögen w wächst – vielmehr sollte sie fallen. Würde nun
die Approximation nicht nur ungefähr, sondern sogar exakt gelten, dann ließe sich dieser Zu-
sammenhang wie folgt formal umsetzen. Da die linke Seite der Approximation ja in w fallen
soll, muss dies auch für die rechte Seite gelten. Die rechte Seite besteht aber aus der Varianz
des Risikos, die vom Vermögen gänzlich unabhängig ist, und dem Term, den wir die absolute
Risikoaversion genannt haben. Es bietet sich damit folgende Definition an.
Definition 2.4 Der Entscheidungsträger besitzt fallende (wachsende, konstante) absolute Ri-
sikoaversion genau dann, wenn die absolute Risikoaversion
u00 (t)
−
u0 (t)
eine fallende (wachsende, konstante) Funktion ist.
Und in der Tat lässt sich der folgende Satz beweisen. Allerdings fußt der Beweis nicht auf
der Approximationsgleichung (2.4), da die Approximation nur eine Näherungsaussage über
die Höhe der Risikoprämie machen kann. Auf einen Beweis müssen wir verzichten, er ist zu
aufwendig.8
8
Man findet den Beweis beispielsweise bei Wolfstetter (1999), S.166f.

Satz 2.4 Der Investor besitzt fallende absolute Risikoaversion (wachsende, konstante ARA)
genau dann, wenn π im Vermögen w eine fallende (wachsende, konstante) Funktion ist.
Der Fall der konstanten absoluten Risikoaversion besitzt eine besondere Bedeutung. Abgese-
hen von vielen ökonomischen Modellen, in denen er Verwendung findet, wird er insbesondere
bei der Berechnung von Versicherungsprämien in der Praxis sehr oft benutzt. Eben weil die
Höhe der Risikoprämie nicht vom aktuellen Vermögen abhängig ist, lässt sich eine Versiche-
rungsprämie ermitteln, die nicht auf die persönlichen Umstände des Versicherungsnehmers
zurückgreift. Wir werden in diesem Fall die einfacher zu zeigenden Beweise angeben.
Satz 2.5 Für Nutzenfunktionen sind folgende drei Aussagen äquivalent
(i) die absolute Risikoaversion ist konstant,

(ii) die Nutzenfunktion ist u(x) = −e−ax ,
(iii) die Risikoprämie ist unabhängig vom Vermögen.
Beweis: Wir zeigen: (i) =⇒ (ii), (ii) =⇒ (iii) sowie (iii) =⇒ (i). Damit ist der Satz dann bewiesen.
Wir zeigen zuerst, dass aus der Aussage (i) die Aussage (ii) folgt. Die Risikoaversion war konstant,
und die Konstante setzen wir gleich einer Variablen a
u00 (t) d(ln(u0 (t))
− = const. = a =⇒ − =a Regeln Differentialr.
u0 (t) dt
Z t
=⇒ ln(u0 (t)) − ln(u0 (0)) = −adt = −at integrieren
0
=⇒ ln(u0 (t)) = −at + ln(u0 (0)) vereinfachen
| {z }
=c
0 c−at
=⇒ u (t) = e Exponentialfunktion
Z x
1
ec−at dt = − ec−ax − ec

=⇒ u(x) − u(0) = integrieren.
0 a
Nun können wir zur Nutzenfunktion ohne Einschränkung u(0) addieren, sie mit der Zahl ae−c multipli-
zieren und ebenso die Zahl 1 addieren: das Ergebnis ist weiterhin eine repräsentierende Nutzenfunktion
des Investors. Wir erhalten −e−ax und das war zu zeigen.
Im nächsten Schritt zeigen wir, wie aus der Teilaussage (ii) die Aussage (iii) folgt. Dazu nutzen wir
die Definition der Risikoprämie sowie die funktionale Form der Nutzenfunktion aus. Es gilt für den
Erwartungswert
E [u(w · 1 + X)] = u(w + E [X] − π) Definition π
S
X
qs u(w + Xs ) = u(w + E [X] − π) Berechnung Erwartungswert
s=1
S
X
qs e−a(w+Xs ) = e−a(w+E [X]−π) Form der Nutzenfunktion
s=1
S
X
−aw
e qs e−aXs = e−aw · e−a(E [X]−π) Ausklammern
s=1
S
X
qs e−aXs = e−a(E [X]−π) kürzen
s=1

und die letzte Gleichung besagt nichts anderes als das die Höhe der Risikoprämie ohne Kenntnis des
Vermögens berechnet werden kann.
Zuletzt wollten wir beweisen9 , dass aus (iii) die Aussage (i) folgt. Wenn Aussage (iii) gilt, dann
insbesondere auch für kleine Risiken X mit E [X] = 0. Dann gilt aber mit (2.4):
00
1 u (w)
π ≈ Var [X] · − 0 .
2 u (w)
u00 (w)
Dies ist aber offensichtlich nur dann unabhängig vom Vermögen w, wenn u0 (w) konstant ist. Das war
zu zeigen und damit sind wir am Ende des Beweises angelangt.
Beispiel 2.1 (Nachfrage nach Versicherungen) Eine Hausbesitzerin besitze ein Haus im
Wert von H. Daneben verfüge sie über ein Barvermögen von W . Mit der Wahrscheinlichkeit
q wird das Haus komplett abbrennen. Der Hausbesitzerin steht die Möglichkeit offen, sich zu
versichern. Um eine Versicherung, die im Falle eines Feuers eine Entschädigung E zahlt, abzu-
schließen, muss eine Versicherungsprämie in Höhe von πE gezahlt werden.10 π ist die Prämie
je Einheit der Versicherungssumme. Wie hoch sollte sich die Hausbesitzerin versichern? Das
Nutzenmaximierungsproblem hat folgende Form:
max qu(W − H − πE + E) + (1 − q)u(W − πE).

E
Die Bedingung erster Ordnung lautet:
qu0 (W − H + (1 − π)E ∗ )(1 − π) − (1 − q)u0 (W − πE ∗ )π = 0
bzw.
u0 (W − H + (1 − π)E ∗ ) 1−q π
= .
u0 (W − πE ∗ ) q 1−π
Im Falle eines Feuers macht die Versicherung einen Verlust in Höhe von πE − E. Wenn kein
Feuer eintritt, macht sie einen Gewinn von πE. Der Erwartete Gewinn der Versicherung ist
(1 − q)πE − q(1 − π)E.
Bei einem harten Wettbewerb im Versicherungsmarkt wird die Versicherung einen Profit von
Null machen, das heißt
(1 − q)πE − q(1 − π)E = 0
woraus folgt: π = q. Eine derartige Versicherungsprämie wird als aktuarisch faire Prämie be-
zeichnet: die Kosten einer Versicherungsprämie entsprechen gerade dem erwarteten Schaden.
Wenn wir die faire Prämie in das Entscheidungsproblem der Hausbesitzerin einfügen, erhalten
wir
u0 (W − H + (1 − π)E ∗ ) = u0 (W − πE ∗ ).
9
Da wir den Beweis mit einer Approximation führen, ist dies natürlich kein mathematisch sauberer Beweis,
aber uns genügt die Intuition, die dahinter steckt.
10
Achtung: dies ist eine andere Prämie als die Risikoprämie, die wir in 2.3 kennen gelernt haben.

Wenn die Hausbesitzerin risikoavers ist, dann ist u00 < 0 und u0 eine fallende Funktion. Obige
Gleichung kann dann nur erfüllt sein, wenn
W − H + (1 − π)E ∗ = W − πE ∗
bzw. wenn E ∗ = H. Wenn die Hausbesitzerin risikoavers ist, wird sie sich bei aktuarisch fairen
Versicherungsprämien immer vollständig versichern!
Beispiel 2.2 (Wertpapierrenditen) Eine wichtige (wahrscheinlich die wichtigste) Anwen-

dung der Entscheidungstheorie unter Unsicherheit betrifft die Erklärung von Wertpapierprei-
sen oder -renditen an den Kapitalmärkten. Wertpapiere sind rein formal Verträge zwischen
einem Käufer, der heute einen Preis zahlt, und einem Verkäufer, der sich verpflichtet zu
einem (oder mehreren) späteren Zeitpunkt(en) Zahlungen an den Käufer zu leisten. Die be-
kanntesten Sorten von Wertpapieren sind Aktien, die den Inhabern (den Käufern) zukünftige
Dividenden versprechen, und Anleihen, die den Inhabern zukünftige Zinszahlungen verspre-
chen. Die Zahlungen aus Wertpapieren sind typischerweise unsicher. Dividenden richten sich
nach den Gewinnen der Unternehmen, die in einer unsicheren Welt unsicher sind, und auch
die Zinszahlungen aus Anleihen sind in der Regel unsicher, wenn der Schuldner (der Verkäufer
der Anleihe) ausfallgefährdet ist. Wenn man die Wertpapiere nicht mit dem Ziel erwirbt, sie
für alle Zeiten zu behalten, sondern plant, sie zu einem späteren Zeitpunkt wieder zu ver-
kaufen (was typischerweise der Fall sein dürfte), kommt bei beiden genannten Gattungen die
Unsicherheit über den zukünftig erzielbaren Verkaufspreis dazu.
Wir wollen nun untersuchen, wie die Konzepte des Erwartungsnutzens und der Risikoaversion
sich auf die Nachfrage nach Wertpapieren auswirken. Betrachten Sie einen Investor, der sein
gesamtes Vermögen W am Kapitalmarkt anlegen möchte. Der Investor kann in ein risikoloses
Wertpapier investieren, das eine sichere Rendite von r0 bietet, und in n verschiedene unsichere
Wertpapiere, deren Renditen der Investor jeweils mit der Zufallsvariablen ri , i = 1, . . . , n
einschätzt. Das heißt, beim Kauf des Wertpapiers i erhält der Investor für jeden eingesetzten
Geldbetrag y eine spätere unsichere Rückzahlung in Form einer Lotterie mit den Gewinnen
y(1 + ri ). Wir bezeichnen den Anteil seines Vermögens, den der Investor in das Wertpapier i
investiert, mit xi . Das zukünftige Vermögen des Investors ergibt sich also zu
Xn
X = W( xi (1 + ri )),
i=0
Pn
wobei i=0 xi = 1, wenn der Investor sein gesamtes Vermögen einsetzt (wovon wir ausgehen).
Diese Gleichung stellen wir um:
n
X
X = W (x0 (1 + r0 ) + xi (1 + ri ))
i=1
n
X n
X
= W ((1 − xi )(1 + r0 ) + xi (1 + ri ))
i=1 1=1
n
X
= W ((1 + r0 ) + xi (ri − r0 )).
1=1
Damit haben die Entscheidungsvariable x0 aus unserem Investitionsproblem eliminiert. x0

ergibt sich mit Hilfe der Budgetidentität automatisch, sobald wir die anderen xi ausgewählt

haben. Das Maximierungsproblem des Investors schreibt sich nun wie folgt:
n
X
max E [u(W ((1 + r0 ) + xi (ri − r0 )))],
x1 ,...,xn
1=1
wobei u die Erwartungsnutzenfunktion des Investors sei. Wir gehen davon aus, dass u zweimal
differenzierbar ist und der Investor risikoavers, also u0 > 0 und u00 < 0. Ableitung nach den
Entscheidungsvariablen x1 , . . . , xn ergibt n Bedingungen erster Ordnung:
E [u0 (X ∗ )(ri − r0 )] = 0, (2.6)
wobei X ∗ das optimierte zukünftige Vermögen des Investors bezeichnet. Die Bedingungen
zweiter Ordnung lauten
E [u00 (X ∗ )(ri − r0 )2 ] < 0.
Sie sind immer erfüllt, da (ri − r0 )2 ≥ 0 und u00 < 0 ist.

Die Bedingungen erster Ordnung (2.6) lauten umgeformt
E [u0 (X ∗ )ri ] = r0 E [u0 (X ∗ )]. (2.7)
Wir benutzen nun eine nützliche Gleichung aus der Wahrcheinlichkeitstheorie. Es gilt nämlich
für beliebige Zufallsvariablen Y und Z:
Cov [Y, Z] = E [Y Z] − E [Y ]E [Z].
Damit schreibt sich (2.7):
E [u0 (X ∗ )ri ] = Cov [u0 (X ∗ ), ri ] + E [u0 (X ∗ )]E [ri ] = r0 E [u0 (X ∗ )],
oder
1
E [ri ] = r0 − Cov [u0 (X ∗ ), ri ]. (2.8)
E [u0 (X ∗ )]
Das heißt, die erwartete Rendite eines beliebigen Wertpapiers ergibt sich als Summe aus der
Rendite des risikolosen Wertpapiers und einer Risikoprämie, die von der Kovarianz der Wert-
papierrendite mit dem marginalen Nutzen aus dem zukünftigen Konsum abhängt. Da u0 eine
fallende Funktion ist (u00 ist immer negativ), ist der marginale Nutzen bei hohen Realisatio-
nen des zukünftigen Vermögens X niedriger als bei niedrigem Vermögen. Wertpapierrenditen,
die positiv mit dem zukünftigen Vermögen korreliert sind (Cov [X ∗ , ri ] > 0), sind tendenziell
negativ mit dem marginalen Nutzen daraus korreliert (Cov [u0 (X ∗ ), ri ] < 0) und haben daher
eine höhere erwartete Rendite als das risikolose Wertpapier.11 Bei diesen Wertpapieren wer-
den Sie dafür kompensiert, dass Sie Risiko übernehmen. Umgekehrt, wenn ri und X ∗ negativ
korreliert sind, dann wird die Wertpapierrendite niedriger sein als die Rendite des risikolosen
Wertpapiers. Dies sind Wertpapiere, mit denen Sie sich gegen künftige Konsumunsicherheiten
absichern und die also den Charakter einer Versicherung aufweisen.
11
Das gilt leider nicht immer. Man kann Beispiele konstruieren, bei denen diese Beziehung nicht gilt. Man
muss eine etwas strengere Annahme treffen als Cov [X ∗ , ri ] > 0, die in der Fachwelt als ’positive (ne-
gative) Abhängigkeit’ bezeichnet wird (Magill & Nermuth (1986)). In der Regel sind positive (negative)
Abhängigkeit und positive (negative) Korrelation äquivalent.

2.1.5 Ein einfaches Portfolioproblem
Wir untersuchen eine besonders einfache Entscheidungssituation: es gebe nur ein risikolo-
ses und ein riskantes Wertpapier. Dann kann man in Abhängigkeit der Risikoaversion be-
schreiben, wie sich die Zusammenstellung des optimalen Portfolios ändert, wenn der Investor
vermögender wird.
Im vergangenen Abschnitt haben wir gelernt, dass man Nutzenfunktionen anhand von Risi-
koprämien unterscheiden kann. Für diese Risikoprämien konnten wir, falls die Risiken selbst
klein sind, eine Abschätzung angeben. Man bezeichnet diese Art der Herangehensweise auch
als ”lokale Theorie”, weil wir nur kleine Risiken in der Nähe von null untersucht haben. Es
ist auch möglich, eine ”globale Theorie” des Risikos zu entwickeln, und das soll in diesem
Abschnitt geschehen.
Wir wollen das bisher gelernte auf ein einfaches Investitionsproblem anwenden, bei dem es
nur zwei Wertpapiere gibt: der risikolose Titel 1 mit Preis p(1) und ein riskanter Titel X mit
positivem Preis p(X) > 0 und Var [X] > 0. Dem Investor stehe heute der Geldbetrag w zur
Verfügung, mit dem er handeln kann. Damit löst er das folgende Problem:
max E [u(m1 + nX)]. (2.9)

m·p(1)+n·p(X)≤w
Der Einfachheit halber wollen wir annehmen, dass p(1) = p(X) = 1 ist. Außerdem nehmen wir
an, dass der Investor sein gesamtes Vermögen w investiert. Heutige Konsumentscheidungen
spielen also bei der Investitionentscheidung keine Rolle. Weiterhin wollen wir nur unsichere
Wertpapiere X in Betracht ziehen, die eine höhere erwartete Rendite als das sichere Wert-
papier haben, bei denen also E [X] > 1 ist. Wäre E [X] < 1, dann könnten wir nämlich mit
Y = 21 − X ein neues Wertpapier schaffen, das auch einen Preis von eins hat, und bei dem
E [Y ] = 2 ∗ 1 − E [X] > 1 ist. Der Fall E [X] = 1 ist nicht besonders spannend, da in diesem
Fall die Nachfrage nach X immer gleich Null wäre.
Es gilt nun folgender Satz, der auf Arrow und Pratt zurückgeht.12
Satz 2.6 Das optimale Portfolio aus (2.9) beim Einkommen w enthalte m? risikolose Titel
und n? riskante Titel. Dann hat der Entscheidungsträger fallende (wachsende, konstante)
absolute Risikoaversion genau dann, wenn n? eine wachsende (fallende, konstante) Funktion
in w ist.
Beweis: Wir zeigen nur, dass aus fallender Risikoaversion ein steigendes n? folgt. Das ist der le-
bensnächste Fall und die Beweise für die anderen beiden Fälle funktionieren genauso.
Wenn der Investor sein Budget ausschöpft, dann ist m + n = w. Setzen wir dies in das Maximierungs-
problem des Investors ein, so lautet dieses:
max E [u(w − n + nX)].
n
Die Bedingungen erster und zweiter Ordnung dieses Problems lauten

E [u0 (w + n? (X − 1))(X − 1)] = 0
bzw.
E [u00 (w + n? (X − 1))(X − 1)2 ] < 0.
12
Siehe Pratt (1964).

Aufgrund der Risikoaversion des Investors ist u00 < 0 und also ist die Bedingung zweiter Ordnung
immer erfüllt.
Kann das optimale n? negativ sein?13 Bei einem negativen n ergibt sich ein zukünftiges Vermögen
W = w + n(X − 1) = mit E [W ] = w + n(E [X] − 1) < w, da E [X] > 1 vorausgesetzt wurde, und
Var [W ] = n2 Var [X] > 0. Nach der Definition von Risikoaversion zieht der Investor dem Vermögen
W die sichere Zahlung E [W ] vor. Da der Investor außerdem ungesättigt ist, zieht er auch der sicheren
Zahlung E [W ] die höhere sichere Zahlung w vor. Dies kann er aber erreichen, wenn er einfach gar
nichts in das riskante Wertpapier investiert. Damit ist klar, dass n? ≥ 0.
An der Stelle n = 0 ist E [u0 (w)(X − 1)] = u0 (w)(E [X] − 1) und dies ist mit E [X] > 1 immer positiv,
da u0 (w) > 0. Damit kann das optimale n? auch nicht gleich Null sein. Damit bleibt also nur n? > 0
übrig.
Sei nun n? (w) der optimale Portfolioanteil im unsicheren Wertpapier in Abhängigkeit vom Vermögen
w. Aufgrund der Bedingungen erster Ordnung gilt:
E [u0 (w + n? (w)(X − 1))(X − 1)] ≡ 0.
Wird auf beiden Seiten nach w abgeleitet, erhält man:
dn? (w)
E [u00 (w + n? (w)(X − 1))(X − 1)(1 + (X − 1))] ≡ 0
dw
bzw.
dn? (w) E [u00 (w + n? (w)(X − 1))(X − 1)]
=− . (2.10)
dw E [u00 (w + n? (w)(X − 1))(X − 1)2 ]
Wieder ist aufgrund der Risikoaversion von u der Nenner immer negativ.
Entscheidend für das Vorzeichen des Bruches ist also der Zähler. Es sei daran erinnert, dass dieser ein
Erwartungswert ist, der sich auch wie folgt schreibt:
S
X
E [u00 (w + n? (w)(X − 1))(X − 1)] = qs u00 (w + n? (w)(Xs − 1))(Xs − 1).
s=1
Um das Vorzeichen des Zählers zu ermitteln, sollte man also versuchen etwas über den Wert jedes
einzelnen Summanden dieser Summe herauszufinden. Da die qs alle nichtnegativ sind, wollen wir
versuchen, etwas über jeden der Werte u00 (w+n? (w)(Xs −1))(Xs −1) herauszufinden. Zuerst betrachten
wir diejenigen Xs mit Xs ≥ 1. Da wir fallende Risikoaversion vorausgesetzt haben, gilt also für Xs ≥ 1:
u00 (w + n? (Xs − 1)) u00 (w)

− 0 ?
≤− 0 ,
u (w + n (Xs − 1)) u (w)
oder umgestellt
u00 (w) 0
u00 (w + n? (Xs − 1)) ≥ u (w + n? (Xs − 1)).
u0 (w)
Da Xs ≥ 1 gilt schließlich auch
u00 (w) 0
u00 (w + n? (Xs − 1))(Xs − 1) ≥ u (w + n? (Xs − 1))(Xs − 1). (2.11)
u0 (w)
13
Das würde also einem so genannten Leerverkauf des riskanten Wertpapiers entsprechen, bei dem man ein
Wertpapier, das man gar nicht besitzt, verkauft. Man verpflichtet sich dabei, alle Zahlungen des Wertpa-
piers (Zinsen oder Dividenden) dem Käufer zu leisten. Leerverkäufe sind für institutionelle Händler nichts
ungewöhnliches, Hedge Funds verdienen einen Großteil ihres Geldes damit.

Nun betrachten wir diejenigen Xs mit Xs < 1. Nun gilt wegen der fallenden Risikoaversion umgekehrt
u00 (w + n? (Xs − 1)) u00 (w)

− 0 ?
>− 0 ,
u (w + n (Xs − 1)) u (w)
bzw.
u00 (w) 0
u00 (w + n? (Xs − 1)) < u (w + n? (Xs − 1)).
u0 (w)
Und da Xs < 1 folgt Gleichung (2.11) auch in diesem Fall. Da Gleichung (2.11) für alle Xs gilt, gilt
sie auch für den Erwartungswert:
u00 (w)
E [u00 (w + n? (X − 1))(X − 1)] ≥ E [u0 (w + n? (X − 1))(X − 1)].
u0 (w)
Da aber E [u0 (w + n? (X − 1))(X − 1)] = 0 (dies ist die Bedingung erster Ordnung) folgt
E [u00 (w + n? (X − 1))(X − 1)] ≥ 0.
Damit haben wir aber gezeigt, dass der Zähler in (2.10) nichtnegativ ist und damit folgt, dass
dn? (w)
≥ 0.
dw
Arrow hat aus diesem Satz den durchaus plausiblen Schluss gezogen, dass für Nutzenfunktio-
nen nur der Fall der fallenden absoluten Risikoaversion plausibel sein kann. Wir sind dieser
Forderung bereits in der lokalen Theorie begegnet und finden daher unsere dort getroffene
Einschätzung wiederum bestätigt. Aber wir müssen die auch in der lokalen Theorie aufge-
worfene Frage hervorheben: die Tatsache, dass die absolute Risikoaversion fällt, schränkt die
Menge der möglichen Nutzenfunktionen nicht wesentlich ein. Wie können wir also eine hinrei-
chend plausible Nutzenfunktion auswählen? Wir wenden uns einer Definition zu, die ebenfalls
auf Arrow und Pratt zurückgeht und sich als hilfreich erweisen wird.
Definition 2.5 Für eine Nutzenfunktion u(t) wird der Term
u00 (t)
−t
u0 (t)
als die relative Risikoaversion der Nutzenfunktion bezeichnet. Insbesondere sprechen wir da-
von, die Nutzenfunktion habe fallende (konstante, wachsende) relative Risikoaversion genau
dann, wenn dieser Term fällt (konstant bleibt, wächst).
Bevor wir mit dem entscheidenden Resultat dieses Abschnittes fortfahren, wollen wir versu-
chen, die relative Risikoaversion einer Nutzenfunktion inhaltlich zu interpretieren. Wir stellen
die Definition etwas um und erhalten den folgenden Ausdruck
du0 (t)
u00 (t) u0 (t)
−t 0 =− dt
.
u (t) t

Bei dem Term auf der rechten Seite handelt es sich um die aus der Literatur bekannte Vorge-
hensweise, eine Elastizität der Größe u0 (t), also dem Grenznutzen, zu ermitteln. Die relative
Risikoaversion einer Nutzenfunktion ist damit interpretierbar als die Elastizität des Grenz-
nutzens. Wir kehren nun zurück zum einfachen Portfolioproblem und es gilt folgender Satz.14
Satz 2.7 Das optimale Portfolio aus (2.9) beim Einkommen w enthalte m? risikolose Titel
und n? riskante Titel. Dann hat der Entscheidungsträger fallende (wachsende, konstante)
?
relative Risikoaversion genau dann, wenn nw eine wachsende (fallende, konstante) Funktion
in w ist.
Worin unterscheiden sich die Aussagen der Sätze 2.6 sowie 2.7? Es handelt sich nur um ein
unscheinbares Detail: während bei der fallenden absoluten Risikoaversion n? im Einkommen
?
wächst, ist es bei der fallenden relativen Risikoaversion der Ausdruck nw . Inhaltlich lässt sich
dieser Unterschied wie folgt beschreiben. Hat ein reicher werdender Investor eine fallende
absolute Risikoaversion, so wird die Menge des riskanten Titels, die er hält, wachsen. Hat
ein reicher werdender Investor dagegen fallende relative Risikoaversion, so wird der Anteil
des riskanten Titels am optimalen Gesamtportfolio wachsen. Und in der Tat: dieser Anteil
ermittelt sich ja aus dem Quotienten
n? p(X) n?
= p(X) .
w w | {z }
>0
Man kann leicht zeigen, dass die Aussage, die relative Risikoaversion (RRA) sei fallend, we-
sentlich stärker ist als die Behauptung, die absolute Risikoaversion (ARA) falle. Wir wollen
die bisherigen Erkenntnisse in einer tabellarischen Übersicht zusammenfassen:
Menge riskanter Titel Anteil riskanter Titel

ARA fällt wächst mit Vermögen nicht eindeutig
RRA fällt wächst mit Vermögen wächst mit Vermögen
Analog zum Satz 2.5 können wir die Funktionen mit konstanter relativer Risikoaversion ge-
nauer charakterisieren.
Satz 2.8 Folgende Aussagen sind äquivalent:
(i) die Nutzenfunktion weist konstante relative Risikoaversion auf,

α
(ii) die Nutzenfunktionen hat die funktionale Form ln(x), x α−1 für α ∈ (−∞, 1) \ {0},
(iii) Beim einfachen Portfolioproblem bleibt der Anteil am riskanten Titel im optimalen Port-
folio konstant.
Beweis: Wir wollen nur die Äquivalenz der ersten beiden Behauptungen beweisen, auf den Beweis
der Bedingung (iii) verzichten wir.
14
Siehe Pratt (1964).

Die relative Risikoaversion war konstant, und die Konstante setzen wir gleich einer Variablen a
u00 (t) d(ln(u0 (t)) a

−t = const. = a =⇒ =− Regeln Differentialr.
u0 (t) dt t
Z t
a
=⇒ ln(u0 (t)) − ln(u0 (1)) = − dt = −a ln(t) integrieren
1 t
0 0
=⇒ ln(u (t)) = −a ln(t) + ln(u (1)) vereinfachen
| {z }
=ln(c)
0 c−a ln(t) −a
=⇒ u (t) = e = ct Exponentialfunktion
(
x c 1−a
− 1) a 6= 1
Z
=⇒ u(x) − u(1) = ct−a dt = 1−a (x integrieren.
1 c ln(x) a=1
Analog dem anderen Beweisweg (kardinale Nutzentheorie!) erhalten wir wieder die Nutzenfunktionen
t1−a oder ln(x) und das war zu zeigen.
Jetzt wollen wir beweisen, dass aus (ii) die Aussage (i) folgt. Dies ist nun einfache Differentialrechnung.
Wir beschränken uns auf den Fall ln(x)
u(x) = ln(x)
1
u0 (x) = −
x
1
u00 (x) = 2
x
u00 (x)
−x 0 =1
u (x)
und damit sind wir am Ende angelangt.
Arrow hat in einer 1971 erschienen Arbeit behauptet, es sei durchaus plausibel anzuneh-
men, die Nutzenfunktion von Individuen weise wachsende relative Risikoaversion auf. Diese
Behauptung kann heute als widerlegt gelten. In der Literatur wurde dabei das Portfolio–
Verhalten von Individuen untersucht und es die Ergebnisse weisen auf eine fallende relative
Risikoaversion hin.15 Meistens macht man aber mit einer Nutzenfunktion mit konstanter re-
lativer Risikoaversion keinen großen Fehler, weshalb diese Funktionen in der Literatur sehr
beliebt sind. Üblicherweise arbeitet man mit der etwas anderen parametrische Darstellung
x1−α
u(x, 1 − α) = , α > 0, α 6= 1,
1−α
und es finden sich Belege für ein α der Größenordnung zwischen 1 und 2.16
15
Zum Beispiel weisen Kessler & Wolff (1991) nach, dass US–Haushalte mit niedrigem Einkommen einen un-
proportional hohen Anteil an festverzinslichen Wertpapieren halten. Guiso, Jappelli & Terlizzese (1996)
untersuchen die Zusammensetzung von Portfolios von italienischen Haushalten und stellen fallende relative
Risikoaversion fest. Ogaki & Zhang (1999) weisen fallende relative Risikoaversion anhand des Konsumver-
haltens in Entwicklungsländern nach.
16
Friend & Blume (1975) finden einen Koeffizienten α = 2, Kydland & Prescott (1982) untersuchten aggre-
gierte Fluktuationen von Konsum und Investition, die vorliegenden Daten verwiesen auf einen Parameter
α zwischen 1 und 2. Hildreth & Knowles (1982) analysierten das Verhalten von Bauern und erhielten einen
Parameter zwischen 1 und 2. Tobin & Dolde (1971) studierten das Sparverhalten in Lebenszyklus–Modellen
mit Kreditrestriktionen, sie kamen auf einen Wert von 1,5. Neuere Arbeiten (Dalal & Arshanapalli (1993))
haben diese Ergebnisse prinzipiell bestätigt.

Wir sind damit an unserem Ausgangspunkt angelangt. Wir haben anhand des Petersbur-
ger Spiels erkannt, dass nicht der Erwartungswert, sondern der Erwartungsnutzen den fairen
Preis einer unsicheren Auszahlung bestimmt. Die Nutzenfunktionen haben wir sehr weit ein-
schränken können: sie mussten konkav sein (wegen der Risikoaversion), weiter fallende absolu-
te Risikoaversion aufweisen (damit die Risikoprämie im Vermögen sinkt) und eine konstante
relative Risikoaversion aufweisen (damit der Anteil der riskanten Titel im optimalen Portfolio
konstant bleibt). Dann aber muss die verwendete Nutzenfunktion entweder der Logarithmus
oder eine Wurzelfunktion sein.
2.1.6 Stochastische Dominanz
Wir werden in diesem Abschnitt zeigen, wie man Aussagen über Vorteilhaftigkeit verschiede-
ner Portfolios treffen kann, wenn man die Erwartungsnutzenfunktion nicht kennt.
Wir haben in den letzten Abschnitten erkannt, wie man anhand von Eigenschaften der Nut-
zenfunktionen eines Investors Aussagen über sein optimales Portfolio treffen kann. Wenn ein
Investor risikoavers ist, so wird er beispielsweise eine risikolose Investition einer riskanten
Investition mit gleichem Erwartungswert vorziehen. Ebenso wissen wir, dass die Höhe der Ri-
sikoprämie von dem Koeffizienten der absoluten Risikoaversion abhängig ist. Wir haben auch
erkannt, dass sich die absolute Risikoaversion eignet, um eine komparative Statik des opti-
malen Portfolios beschreiben zu können. In allen Fällen sind wir in fast selbstverständlicher
Weise davon ausgegangen, dass wir hinreichend genaue Kenntnisse über die Nutzenfunkti-
on des Investors besitzen. Genau diese Selbstverständlichkeit wollen wir in diesem Abschnitt
aufgeben. Sind wir in der Lage, einen Investor bei der Auswahl optimaler Portfolios auch
dann zu beraten, wenn wir nicht wissen, wie seine Nutzenfunktion gestaltet ist? Können wir
ohne Kenntnis der Risikoaversion sagen, jeder Investor werde ein Portfolio einem anderen
vorziehen? Die Antwort auf diese Frage bietet die Theorie der stochastischen Dominanz.
Wir werden nun dem Rahmen des Grundmodells nicht mehr in voller Strenge folgen. Die
Theorie der stochastischen Dominanz wird üblicherweise in Modellen dargestellt, in denen
der Zustandsraum nicht endlich ist. Vielmehr betrachtet man die Verteilungsfunktionen der
Portfolios. Zwar wäre es möglich, alle Resultate auf unser Modell umzurechnen, wir wollen
jedoch der besseren Vergleichbarkeit wegen darauf in der Vorlesung verzichten. Wir gehen also
im folgenden davon aus, dass wir zu Portfolios X und Y die jeweiligen Verteilungsfunktionen
FX (t) und FY (t) kennen.
Wenn wir unser Grundmodell zugrunde legen würden, dann wären die Verteilungsfunktionen
einfach Treppenfunktionen, die sich schrittweise der 1 nähern. Ein Portfolio der Form
 
1
X =  1.5 
3
bei jeweils gleichverteilten Zuständen hätte beispielsweise eine Verteilungsfunktion, wie in

Abbildung 2.1) dargestellt.
Die Theorie der stochastischen Dominanz ist sehr weit ausgebaut. Wir werden uns in diesem
Rahmen nur auf die Dominanz erster und zweiter Ordnung beschränken. Üblicherweise sollte
nun eine Definition beide Begriffe erfolgen. Weil aber die stochastische Dominanz nicht in allen
Fällen leicht zu motivieren ist, wollen wir ausnahmsweise einmal mit dem Ergebnis, das wir

1 ......................................
...
..
...
...
...
..
FX (t) 0.66 ...................................................................................................................................................................
....
...
...
...
...
..
........................................................
0.33 ....
...
...
...
...
..
............................................................................................................. -
0 1 1.5 3
t
Abbildung 2.1: Verteilungsfunktion im Grundmodell
erzielen wollen, beginnen. Uns interessieren Aussagen der folgenden Form: Wir wollen wissen,
unter welchen Annahmen jeder Investor, der nur monotone Präferenzen habe, ein Portfolio X
immer einem Portfolio Y vorziehen wird. Wenn beispielsweise X und Y risikolose Portfolios
sind, und wenn weitergehend X eine höhere Auszahlung als Y aufweist, dann wird jeder
Investor mit monotonen Präferenzen sinnvollerweise X dem Portfolio Y vorziehen. Wenn
aber sowohl X als auch Y nicht mehr sichere Zahlungen aufweisen, dann liegen die Dinge
keinesfalls so einfach.
Betrachten wir dazu folgenden Fall. Wenn in jedem Zustand die Auszahlung von X höher
als die Auszahlung von Y ist, dann wird jeder Investor mit monotonen Präferenzen X dem
Portfolio Y vorziehen. Die Theorie der stochastischen Dominanz X F SD Y schwächt nun
diese Bedingung dahingehend ab, dass nicht mehr in jedem Zustand eine höhere Auszahlung
vorliegen muss. Vielmehr muss nur noch die höhere Auszahlung immer mit höherer Wahr-
scheinlichkeit erfolgen. Um zu zeigen, dass hier tatsächlich ein allgemeinerer Zugang vorliegt,
betrachten wir ein einfaches Beispiel mit zwei Zuständen und den Portfolios

3 1
X= , Y = , q1 = 90%, q2 = 10%.
1 2
Das Portfolio X weist im ersten Zustand eine höhere Zahlung als Y auf, nicht aber im zweiten
Zustand. Dennoch gilt, dass das Portfolio X höhere Zahlungen mit höherer Wahrscheinlich-
keit leisten wird: eine Geldeinheit wird jetzt nur mit 10% Wahrscheinlichkeit gezahlt, beim
Portfolio Y waren es noch 90%.
Satz 2.9 Seien zwei Portfolios X und Y gegeben. Jeder Investor mit beliebiger, aber mono-
toner Nutzenfunktion u, zieht X der Lotterie Y genau dann vor
E [u(X)] ≥ E [u(Y )],
wenn für die Verteilungsfunktionen FX und FY die Ungleichung
∀t FX (t) ≤ FY (t)
erfüllt ist.

Wir sagen in einem solchen Fall X dominiert das Portfolio Y im Sinne der stochastischen
Dominanz erster Ordnung (“first order stochastic dominance”, auch FSD abgekürzt) und
schreiben dafür symbolisch X F SD Y .
Wenden wir uns nun der Theorie der stochastischen Dominanz zweiter Ordnung (“second
order stochastic dominance”, SSD) zu. Bei der FSD war es notwendig, dass eine Verteilungs-
funktion immer unterhalb einer anderen Verteilungsfunktion verlief, um eine Entscheidung zu
treffen. Es wird nun aber eine Vielzahl von Fällen geben, bei der die Verteilungsfunktionen
einander schneiden. Nach dem Kriterium der stochastischen Dominanz erster Ordnung ist
dann aber keine Entscheidung mehr möglich. Allerdings haben wir bei dem Kriterium nur In-
vestoren betrachtet, bei denen wir wussten, dass sie monotone Nutzenfunktionen besitzen. In
der Entscheidungstheorie haben wir jedoch erkannt, dass typischerweise Investoren nicht mo-
noton, sondern auch risikoavers sind. Die dazugehörigen Erwartungsnutzenfunktionen müssen
dann konkav sein. Wenn wir nun diese zusätzliche Information berücksichtigen, gelingt dann
eine Entscheidung auch bei sich schneidenden Verteilungsfunktionen?
Satz 2.10 Seien zwei Lotterien X und Y gegeben. Jeder Investor mit beliebiger, aber mono-
toner und konkaver Nutzenfunktion u, zieht X der Lotterie Y genau dann vor
E [u(X)] ≥ E [u(Y )],
wenn für die Verteilungsfunktionen FX und FY die Ungleichung

Z s Z s
∀s FX (t)dt ≤ FY (t)dt
−∞ −∞
erfüllt ist.
Wir sprechen in einem solchen Fall davon, dass X das Portfolio Y im Sinne der stochastischen
Dominanz zweiter Ordnung (“second order stochastic dominance”, auch SSD abgekürzt) do-
miniert und schreiben dafür symbolisch X SSD Y .
An dieser Stelle wäre nun eine Intuition für die Dominanz zweiter Ordnung zu geben. Leider
ist eine Intuition in diesem Fall nicht ganz offensichtlich. Um wenigstens einen Versuch einer
Annäherung zu wagen, betrachten wir die folgende Situation. Angenommen, es wäre ein
risikoloses Portfolio X mit einer Auszahlung von µ Geldeinheiten gegeben und ein weiteres
Portfolio Y habe denselben Erwartungswert, sei aber unsicher. Eine Auszahlung größer als 2µ
sei bei Y aber nicht möglich. Jeder risikoaverse Investor wird X dem Portfolio Y vorziehen.
Daher erwarten wir, dass in diesem Fall auch eine stochastische Dominanz zweiter Ordnung
vorliegt (im übrigen schneiden sich die Verteilungsfunktionen, FSD ist also nicht gegeben!),
und das werden wir jetzt zeigen.
Betrachten wir die Verteilungsfunktionen von X und Y . Da X risikolos ist, macht die Ver-
teilungsfunktion an der Stelle µ einen Sprung von 0 zu 1. Die Verteilungsfunktion von Y
dagegen wird sich eher schrittweise der 1 annähern und sie erst bei 2µ erreichen, so wie in
der Abbildung 2.2 angedeutet.
Wir wollen
R t nun in einer anderen Abbildung das Integral der Differenz der Verteilungsfunk-
tionen 0 FY (s) − FX (s) ds in Abhängigkeit von t eintragen. Wir halten zunächst fest, dass
für t = 0 dieses Integral sinnvollerweise null ist. Man kann nun durch nicht umfangreiche
Überlegungen zeigen, dass für t ≥ 2µ ebenfalls das Integral null wird, da die Flächen unter

6
1 ...
............................................................................................................................................................................................
... ...........
.........
........
.... .......
... .
............
...
.. .......
... .........
.............
... .............
FX ....
..
.
......
...
..........
... ......
......
F (t) ...
.... ....
.......
...... FY
.. ......
......
... ..........
...............
.
..
... . .
....... ....
.......
....... ..
....... ...
.................. ..
..................... ..
.
.
................ ...
.....................
............................... ...
................. ...
.............
..........................................................................................................................................................................................
0 -
t→ µ 2µ
Zahlung t
Abbildung 2.2: Ein Versuch einer Intuition für SSD
beiden Verteilungsfunktionen identischen Inhalt aufweisen.17 Entscheidend ist nun die folgen-
de Überlegung: wenn t links von dem Mittelwert µ liegt,R t dann ist offensichtlich die Differenz
FY − FX = FY − 0 immer positiv und das Integral 0 FY (s) − FX (s) ds wird daher immer
positiv sein. Ein möglicher Funktionsverlauf ist in der Abbildung 2.3 durchgehend gezeichnet.
Sobald t den Wert µ durchstößt, wird die Differenz FY − FX = FY − 1 dagegen immer ne-
gativ. Das Integral kann also in diesem Bereich nur kleiner werden (monoton fallen). Jedoch
wissen wir bereits, dass für t = 2µ (nach Betrachtung aller möglichen Auszahlungswerte) als
größtmöglicher Wert des Integrals die null erreicht wird. Demnach kann der Funktionsverlauf
zwischen der durchgehenden Linie und dem Nullpunkt nur in der Weise verlaufen, wie er in
der gestrichelten Linie dargestellt ist, und damit bleibt also das Integral immer nichtnegativ.
In der Tat liegt hier stochastische Dominanz zweiter Ordnung vor.
Die SSD ist häufig schwer zu prüfen und daher formulieren wir drei einfachere Kriterien.
Satz 2.11 (einfachere Kriterien für SSD) Wenn X dem Portfolio Y im Sinne der FSD
vorgezogen wird (also X F SD Y ), dann auch im Sinne der SSD (also X SSD Y ).
Angenommen, X und Y seien stetige nichtnegative Zufallsvariablen und die Verteilungs-

funktionen FX und FY schneiden sich genau in einem Punkt (man spricht von der
17
Die Fläche unter einer Verteilungsfunktion 1 − FY auf einem endlichen Intervall ist gerade gleich dem
Erwartungswert der Zufallsvariablen (dies beweist man durch partielle Integration)
Z 2µ
1 − FY (t)dt = E [Y ] = E [X].
0
Diese Gleichung gilt aber auch für X und damit haben dann die Gesamtflächen unter FX und unter FY
identischen Flächeninhalt, weil X und Y identischen Erwartungswert besaßen:
Z 2µ Z 2µ Z 2µ
FY − FX dt = 1 − FX dt − 1 − FY dt
0 0 0
= E [Y ] − E [X] = 0.

......... .... .... .... ....

.... ....
.....
Rt ..... ....
..... ....
0 FY − FX dt .
...
.
.
.. .
...
.
.. ....
....
..
. ....
..
....
. ....
...
.......
. ....
...
.......
. ....
....
.
...
....... ....
.
...
...
...... ....
...
...
...
........ .... .
... ...
.
...
...
...
......... . ....
...
...
...
...
............
. .... ..
.. ...
...
..........
. . ...
...
.......
. . ...
. ...
..
...
...... . ...
. .......
....... -
t→ µ 2µ
Zahlung t
Rt
Abbildung 2.3: Das Integral 0 FY − FX dt
“single–crossing property”). Des weiteren sei FX (t) ≤ FY (t) für kleine t. Dann gilt
X SSD Y genau dann, wenn E [X] ≥ E [Y ].
Angenommen, Y ergibt sich aus X und einem Störterm, also einer weiteren Lotterie , wobei
der bedingte Erwartungswert von , gegeben dass man X bereits kennt, nicht positiv ist.
Also
Y =X + mit E [|X] ≤ 0.
Dann gilt: X SSD Y .
Beweis: Die ersten beiden Behauptungen sind einfach und bleiben daher Ihnen als Übungsaufgaben
überlassen. Die dritte Behauptung ergibt sich durch Anwendung der Jensen’schen Ungleichung:
E [u(Y )] = E [E [u(X + )|X]] ≤ E [u(X + E [|X])] ≤ E [u(X)].
Beispiel 2.3 (Der Nutzen von Portfoliodiversifikation) Sie haben sicherlich schon ein-
mal den Rat bekommen, beim investieren nicht alles ’auf ein Pferd zu setzen’, sondern Ihre
Investitionen auf verschiedene Wertpapiere zu streuen. Das hat viele gute intuitive Gründe.
Wenn zwei Wertpapiere negativ miteinander korreliert sind, dann können Sie einen Teil des Ri-
sikos des einen Wertpapiers durch den Kauf des anderen Wertpapiers eliminieren.18 Aber auch
wenn Sie in unabhängige Wertpapiere investieren, senken Sie Ihr Risiko.19 Wir wollen nun un-
tersuchen, wie das mit dem Konzept der stochastischen Dominanz zusammen hängt. Betrach-
ten Sie zwei unabhängige und gleich verteilte Lotterien X und Y . Sie können Ihr Vermögen
beliebig auf die beiden Lotterien aufteilen. Es bezeichne αx den Anteil des Vermögens, den Sie
18
Dies folgt aus grundlegenster Wahrscheindlichkeitstheorie, da E [X + Y ] = E [X] + E [Y ], aber Var [X + Y ] =
Var [X] + Var [Y ] + 2Cov [X, Y ].
19
Das ist wieder elementare Wahrscheinlichkeitstheorie: wenn E [X] = E [Y ] und Var [X] = Var [Y ], dann ist
E [ 21 X + 12 Y ] = 12 E [X] + 12 E [Y ]=E [X] aber Var [ 21 X + 12 Y ] = 41 Var [X] + 41 Var [Y ] = 12 Var [X].

2.2 µ-σ–Theorie S. 40
auf X setzen, und αy den Anteil, den Sie auf Y setzen. Da Sie nicht mehr einsetzen können, als
was Sie besitzen, ist αx + αy = 1. Wir zeigen nun, dass die Gleichverteilung Ihres Vermögens,
(αx , αy ) = ( 12 , 21 ) alle anderen Verteilungen im Sinne der stochastischen Dominanz zweiter
Ordnung dominiert.
Beweis: Wir bezeichnen die perfekte Diversifikation mit A, also A = 12 X + 21 Y . Betrachten Sie nun
irgendeine andere Diversifikationsstrategie B = αx X + αy Y . Es gilt
1 1
B = A + (αx − )X + (αy − )Y.
2 2
Wir zeigen nun, dass der hintere Term (αx − 21 )X +(αy − 21 )Y ein reiner Störterm ist, also bei gegebenen
A einen Erwartungswert von Null besitzt. Es gilt:
1 1 1 1
E [(αx − )X + (αy − )Y |A] = (αx − )E [X|A] + (αy − )E [Y |A].
2 2 2 2
Da X und Y identisch und gleichverteilt sind, ist E [X|A] = E [Y |A]. Wir bezeichnen diesen Wert mit
k. Es folgt
1 1 1 1
E [(αx − )X + (αy − )Y |A] = k((αx − ) + (αy − )) = k(αx + αy − 1) = 0.
2 2 2 2
2.2 µ-σ–Theorie
2.2.1 Das Grundmodell: mehrere Basistitel
Wir stellen das Grundmodell unter Unsicherheit für die µ-σ–Theorie vor.
Wir hatten für die Theorie des Erwartungsnutzens von einem Grundmodell Gebrauch ge-
macht, bei dem die Zahlungen eines Portfolios in jedem Zustand zugrunde liegen. Wir könnten
auch im Falle der µ-σ–Theorie dieses Grundmodell verwenden, allerdings ist dies in der Li-
teratur unüblich. Die µ-σ–Theorie hat weitestgehend Verwendung nur in der Portfoliotheorie
und der Auswahl optimaler Kapitalmarktanlagen gefunden, und dort liegt der Fokus weniger
auf den Zahlungen als auf der Art und Weise, wie ein optimales Portfolio zusammenzustellen
ist. Daher werden wir das Modell etwas verändern. Wir gehen davon aus, dass an einem Markt
insgesamt S Wertpapiere oder Basistitel gehandelt werden. Diese Basistitel mögen Zahlungen
in der Zukunft versprechen, die wir mit Y s bezeichnen wollen. Die Zahlungen sind im all-
gemeinen unsicher und daher formal Zufallsvariablen. Der Erwartungswert der Zahlung des
s–ten Basistitels werde mit E [Y s ] bezeichnet, die Kovarianz der Zahlungen des s–ten und des
r–ten Basistitels mit Cov [Y s , Y r ].
Unter einem Portfolio verstehen wir eine Zusammenstellung von S Basistiteln, wir bezeichnen
dieses Portfolio mit X. Diese Zusammenstellung erfolgt noch in der Gegenwart, aber die
Struktur des Portfolios ändert sich bis zur Zukunft morgen nicht mehr. Die Einträge in dem
Portfoliovektor sind wie folgt zu interpretieren:20
20
Der Leser beachte: bei Xs handelt es sich im Grundmodell des Erwartungsnutzens um eine Zahlung des
Titels X im Zustand s. Hier steht Xs für die Menge des Titels Y s im Portfolio X!

 
X1 ←− Menge erstes Wertpapier
 X2  ←− Menge zweites Wertpapier
X=
 
..  ..
 .  .
XS ←− Menge S–tes Wertpapier
Bevor wir mit unserer Analyse fortfahren, müssen wir auf einen ersten wichtigen Unterschied
zum Grundmodell des Erwartungsnutzens hinweisen. Dort bedeutete ein negativer Eintrag
in einem Wertpapier, dass dieser Titel negative Gütermengen zahlte – und der Inhaber zu
liefern hatte. Hier bedeutet ein negativer Eintrag, dass der Inhaber des Assets beispielsweise
−3 Titel eines Basistitels besitzt. Was soll das heißen?
Ein positiver Eintrag hieß, der Investor erhält die mit dem Wertpapier verbundenen Dividen-
denzahlungen der nächsten Periode. Ein negativer Eintrag kann also nur bedeuten, dass er
diese Dividendenzahlungen selbst zu liefern hat – oder anders gesagt, dass er in der Zukunft
das Wertpapier nicht besitzen, sondern selbst liefern muss. Diese Situation kann realisti-
scherweise so verstanden werden, dass der Investor sich heute das Asset borgt und es einen
Zeitpunkt später wieder zurückgeben muss. Diesen Vorgang bezeichnet man als Leerverkauf,
er wird in Deutschland von Privatpersonen derzeit eher selten praktiziert. Für institutionelle
Anleger existiert ein standardisiertes Verfahren (unter Einbeziehung eines clearing houses),
mit dem diese Leerverkäufe abgewickelt werden.
Wir benötigen für den Fortgang der Untersuchungen noch eine Reihe von Annahmen. So
werden wir unterstellen, dass unter den genannten S Wertpapieren ein Titel sei, der risikolos
ist. Der Einfachheit halber sei dies der erste Titel. Hier entsteht also ein wichtiger Unterschied
zum vorigen Grundmodell. Der risikolose Titel wird jetzt durch (1, 0, . . . , 0) beschrieben; im
Grundmodell der Erwartungsnutzentheorie war es dagegen (1, 1, . . . , 1).
Des weiteren wollen wir annehmen, dass sich unter dem riskanten Titeln nur soviele Assets
wie unbedingt nötig befinden mögen. Wann ist ein Titel überflüssig? Ein Titel ist offensicht-
lich genau dann überflüssig, wenn seine Zahlungen durch ein geschickt zusammengestelltes
Portfolio aus den verbleibenden S −1 Titel dupliziert werden können. Betrachten wir der Ein-
fachheit halber den S–ten Basistitel und unterstellen, dass die verbleibenden S − 1 ebenfalls
eine Zahlung in der Höhe realisieren können, die der Zahlung des S–ten Titels entspricht. Mit
geeigneten Mengen X1 , X2 , . . . der Wertpapiere gilt dann aber
Y S = X1 · Y 1 + X2 · Y 2 + · · · + XS−1 · Y S−1
oder umgestellt
0 = X1 · Y 1 + X2 · Y 2 + · · · + XS−1 · Y S−1 + XS ·Y S . (2.12)

|{z}
=−1
Wenn also ein Titel (in unserem Beispiel der S–te) nachgebaut werden kann, dann kann
insbesondere auch ein Portfolio ohne Zahlungsverpflichtungen (“Nullportfolio”) aus den S − 1
riskanten Basistiteln und dem risikolosen Titel erzeugt werden.21
Wie kann man überprüfen, ob es in einer Menge von Basistiteln duplizierbare Portfolios gibt?
Man wird ja schlecht dem Anwender vorschlagen, alle möglichen Portfolios X auf Gültigkeit
21
Man sagt auch, die Wertpapierzahlungen seien linear abhängig, wenn eine Relation der Form (2.12) gilt.

der Beziehung (2.12) zu überprüfen. Es gilt folgender Zusammenhang, auf dessen Beweis wir
verzichten.
Satz 2.12 Unter S Basistiteln sind keine Titel überflüssig genau dann, wenn die Kovarianz–
Matrix aus den riskanten Titeln
Cov [Y 2 , Y 2 ] Cov [Y 2 , Y 3 ] · · · Cov [Y 2 , Y S ]
 
 Cov [Y 3 , Y 2 ] Cov [Y 3 , Y 3 ] · · · Cov [Y 3 , Y S ] 
 
 .. .. .. 
 . . . 
Cov [Y S , Y 2 ] Cov [Y S , Y 3 ] ··· Cov [Y S , Y S ]
eine von null verschiedene Determinante hat.
Diese Bedingung garantiert, dass man mit den riskanten kein Portfolio zusammenstellen kann,
dass risikolos ist, bei dem sich also die Risiken der riskanten Titel gegenseitig aufheben. Wäre
das der Fall liesse sich mit dem risikolosen Titel schließlich das Nullportfolio erreichen.
2.2.2 Erwartungsnutzen und µ-σ–Theorie
Wie begründet man, dass eine Nutzenfunktion nur vom Erwartungswert und der Varianz
abhängig ist? Vielleicht handelt es sich ja um einen Spezialfall des Erwartungsnutzens? Das
wollen wir hier nachprüfen.
Wir wollen nun eine weitere Theorie kennenlernen, mit der Entscheidungen unter Unsicherheit
getroffen werden. Sie geht auf die Arbeit von Markowitz (1952) zurück, der dafür mit dem
Nobelpreis geehrt wurde.
In der Erwartungsnutzentheorie ist es notwendig, die Zahlungen eines Portfolios in jedem
Zustand zu kennen: daraus werden die die entsprechenden Nutzenniveaus ermittelt. Von die-
sen Nutzenniveaus ist der Erwartungswert zu berechnen und diese Erwartungswert bildet die
Grundlage für die Entscheidung. Markowitz schlug nun vor, diese Rechenverfahren zu ver-
einfachen. Der Ertrag eines Wertpapieres soll durch den Erwartungswert, das Risiko dagegen
einfach durch die Varianz abgebildet werden. Je besser der Erwartungswert, desto besser für
den Entscheidungsträger. Je höher die Varianz, desto unangenehmer für den Entscheidungs-
träger. Dieses Risikomaß hat den unbestrittenen Vorteil, dass es sehr leicht zu implementieren
ist und es hat sich denn auch in der modernen Finanzmarkttheorie (im Gegensatz zum Er-
wartungsnutzen) auf breiter Front in der Praxis durchgesetzt.
Die Nutzenfunktion ist daher von der Gestalt
V (E [X], Var [X]).
V ist eine beliebige Funktion, die in der ersten Variable strikt monoton wachsend und in
der zweiten strikt monton fallend ist. Wenn ein Entscheidungsträger diese Nutzenfunktion
benutzen soll, müssen wir im Vorfeld folgende Frage klären. Wir sind immer davon ausgegan-
gen, dass Präferenzen Nutzenfunktionen bestimmen. Wir haben diese Vorgehensweise (mehr
oder weniger erfolgreich) verfolgt, um den Erwartungsnutzen zu begründen. Also sollten wir
klären, welche Axiome notwendig sind, um zu einer Nutzenfunktion zu kommen, die in der
Tat nur noch vom Erwartungswert und der Varianz einer Zahlung abhängig ist. Wir sollten
also mit Präferenzen und nicht mit Nutzenfunktionen beginnen.

In der Literatur hat man bisher eine Antwort auf diese Frage umgangen. Vielmehr wurde
versucht, den µ-σ–Nutzen auf der Erwartungswerttheorie zu begründen. Wir wollen diese
Möglichkeiten kurz darstellen; wir werden sehen, dass insbesondere im finanzwirtschaftlichen
Kalkül diese Zugänge eher fragwürdig sind. Es sind bis heute drei Spezialfälle bekannt, in
denen diese Vereinbarkeit gelingt.
1.Fall: quadratischer Nutzen Markowitz, der Begründer des µ-σ–Modells, bemerkte bereits,
dass unter der Annahme einer quadratischen Nutzenfunktion die Vereinbarkeit beider
Modelle gelingt. Es gilt nämlich mit geeigneten reellen Konstanten a, b (a > 0) und der
Nutzenfunktion
u(t) := −at2 + bt (2.13)
der Zusammenhang
E [u(X)] = E [−aX 2 + bX]

= −aVar [X] − aE [X]2 + bE [X] =: V (E [X], Var [X]). (2.14)
Ein Entscheidungsträger, der seine Erwartungsnutzenfunktion maximiert, verhält sich

gleichzeitig wie ein Investor, der den Forderungen des µ-σ–Modells gehorcht.
Allerdings hat der Zugang (2.14) eine Reihe schwerwiegender Nachteile. Zum ersten
ist die Nutzenfunktion nicht monoton im Erwartungswert. Zeichnet man diese Nutzen-
b
funktion für genügend große Werte E [X] (genauer für E [X] > 2a ), dann sinkt der
Nutzen mit steigendem Erwartungswert. Dieses Ergebnis ist natürlich sehr unplausi-
bel. Es würde bedeuten, dass ein Entscheidungsträger unter Umständen ein Portfolio
ablehnt, weil es zu hohe erwartete Zahlungen verspricht!
Weiter zeigt sich eine Schwierigkeit dieses Zuganges, auf die Arrow (1971) verwiesen hat.
Arrow zeigte, dass ein Entscheidungsträger mit quadratischer Nutzenfunktion immer
wachsende absolute Risikoaversion aufweist. Das können wir sehr einfach nachrechnen:
u00 (t)
ARA(t) = −
u0 (t)
−2a 1
=− = b
.
−2at + b 2a −t
Zeichnet man diese Funktion, so ergibt sich eine Darstellung wie in Abbildung 2.4 an-
gedeutet. Wir erkennen, dass (mit Ausnahme der Polstelle) die absolute Risikoaversion
immer wachsend ist. Dies bedeutet aber, dass ein solcher Entscheidungsträger bei höher-
em Vermögen immer eine sinkende Nachfrage nach riskanten Titel aufweist. Ein solches
Verhalten ist ebenfalls sehr unplausibel.
Zusammenfassend bleibt zu sagen, dass eine bestimmte quadratische Nutzenfunktion
zwar zum µ-σ Modell führt, dieser Weg aber mit schwerwiegenden Nachteilen behaftet
ist.
2.Fall: normalverteilte Rückflüsse Eine zweite Möglichkeit, den Erwartungsnutzen und den
µ-σ Kalkül miteinander zu vereinen, besteht durch die Annahme eines Kontinuums
an zukünftigen Umweltsituationen. Weiter wird vorausgesetzt, dass die Nutzenfunktion

ARA(t)
.
6
...
...
..
...
.
...
....
.....
.....
.
..
.....
.......
.......
..........
.............
...
...
...
...
...
...
...
...
....................
.
.............................................
-
....
t
b ...................................
.....................
..............
2a ...........
.
..
...........
.
.
......
.....
.....
...
...
.
...
...
...
..
.
...
...
...
Abbildung 2.4: ARA für quadratische Nutzenfunktionen
u(t) analytisch ist (sich also für alle t ∈ R in eine Taylor–Reihe entwickeln lässt) und
dass sie strikt monoton und strikt konkav ist. Die Basistitel seien multivariat normal-
verteilt.22 Dann lässt sich beweisen, dass ein Entscheidungsträger, der sich gemäß dem
Erwartungsnutzen verhält, ebenfalls den Anforderungen des µ-σ–Modells genügt.
Beweis: Zum Beweis der Vereinbarkeit von Erwartungsnutzen und µ-σ Kalkül entwickeln wir
die Nutzenfunktion u(t) an der Stelle E [X] und erhalten
∞
X (t − E [X])k
u(t) = u(E [X]) + u(k) (E [X]) . (2.15)
k!
k=1
Setzen wir nun für t die Realisationen der Zielgröße X(ωs ) ein und bilden den Erwartungswert,
dann erhalten wir
∞
X u(k)
E [u(X)] = u(E [X]) + E [(X − E [X])k ]. (2.16)
k!
k=1
Nun waren die Basistitel normalverteilt, mithin sind es auch die Portfolios aus den Basistiteln.23
Die zentralen Momente einer Normalverteilung aber können berechnet werden, es gilt
(
k 0 wenn k ungerade,
E [(X − E [X]) ] = k−1
(2.17)
1 · 3 · 5 · · · (k − 1) · Var [X] wenn k gerade.
Setzt man dieses Ergebnis in die Gleichung (2.16) ein, dann erkennt man, dass der Entschei-
dungsträger eine Funktion maximiert, deren Zielgröße in der Tat nur von Erwartungswert und
Varianz des Portfolios abhängig ist:24
∞
X 1 · 3 · · · (2k − 1) · Var [X]2k−1
E [u(X)] = u(E [X]) + u(2k) (E [X])
(2k)!
k=1
=: V (E [X], Var [X]).
22
Zur Definition siehe zum Beispiel Bronstein, Semendjajew, Musiol & Mühlig (1993), S. 203.
23
Dies folgt aus der Annahme der linearen Unabhängigkeit der Basistitel. Die Summe von normalverteilten
Zufallsvariablen und das Produkt mit reellen Zahlen sind wieder normalverteilt, siehe Bronstein et al.
(1993), S. 712.
24
Dabei bezeichne u(2k) die 2k–te Ableitung der Funktion u.

Man kann nun zeigen, dass die Zielgrösse E [u(X)] strikt monoton wachsend im Erwartungswert
und strikt monoton fallend in der Varianz des Portfolios ist. Wir verzichten hier auf einen Beweis.
Die Annahme der Normalverteilung impliziert, dass die Basistitel mit nichtverschwin-
dender Wahrscheinlichkeit beliebig hohe negative Rückflüsse aufweisen. Eine ganze Rei-
he von Wertpapieren (zum Beispiel Aktien) aber, die durchaus als Anwendungsbeispiel
für Basistitel in Frage kommen, können keine negativen Rückflüsse erzielen. Wir sind
der Auffassung, dass durch diese Implikationen keine ausreichende Realitätsnähe des
Zuganges mehr gegeben ist.
3.Fall: lineare Risikoklassen Eine dritte Möglichkeit, beide Modelle miteinander zu vereinen,
geht auf Meyer (1987) und Schneeweiß (1967) sowie (in Unkenntnis dieser Arbeiten) auf
Lajeri & Nielsen (1994) zurück.25
Beim Ansatz der linearen Risikoklassen folgt man den bisher vorgestellten Annahmen.
Im Gegensatz dazu wird aber unterstellt, dass es nur einen riskanten Basistitel Y2 (und
nicht mehrere linear unabhängige) gibt. Dieser Titel habe einen Erwartungswert E [Y2 ] =
0 und eine Varianz Var [Y2 ] = 1. Des weiteren existiere wieder ein risikoloses Asset Y1
mit einem Erwartungswert von 1. Die Strategien des Entscheidungsträgers sind wieder
Portfolios aus den beiden Wertpapieren, haben also die Rückflüsse
X = X1 Y 1 + X2 Y 2 . (2.18)
Der Erwartungsnutzen dieser Rückflüsse ergibt sich aus
E [u(X)] = E [u(X1 · Y 1 + X2 · Y 2 )]. (2.19)
Andererseits kann man den Erwartungswert und die Varianz der vom Entscheidungs-
träger zu bildenden Portfolios direkt bilden:
E [X] = X1 , Var [X] = X22 .
Beide Gleichungen können leicht nach den Koeffizienten X1 und X2 aufgelöst werden.
Setzen wir dies in die Darstellung (2.19) ein, so erhalten wir die folgende Darstellung
des Erwartungsnutzens eines Portfolios X:26
h p i
E [u(X)] = E u E [X] · Y 1 + Var [X] · Y 2
=: V (E [X], Var [X]). (2.20)
Die letzte Gleichung besagt gerade, dass der Erwartungsnutzen eines Portfolios X nur
vom Erwartungswert E [X] und der Varianz Var [X] dieses Portfolios abhängig ist. Alle
25
Tobin äußerte 1958 die Behauptung, das von Markowitz formulierte µ-σ–Modell lasse sich für alle diejeni-
gen Verteilungen aus dem Erwartungsnutzen ableiten, die zweiparametrig seien. Diese Behauptung erwies
sich als fehlerhaft, wie zuerst von Schneeweiß (1967) und Samuelson (1967) erkannt wurde. Schneeweiß
war der erste, der explizit zwischen den hier zu behandelnden linearen Risikoklassen und anderen Zwei–
Parameterklassen unterschied. Nur für die linearen Risikoklassen ließ sich die Vereinbarkeit beider Modelle
beweisen.
26
Das risikolose Asset zahle gerade eine Geldeinheit und kann daher beim Faktor E [X] weggelassen werden.

anderen Variablen sind konstant, da sie sich aus den Basistiteln Y 1 , Y 2 ergeben. Auch
dieser Zugang führt zum µ-σ–Modell.
So elegant dieser Weg ist, er hat folgenden Nachteil. Betrachten wir als Anwendungs-
fall die Nutzenfunktion ln(t). Angenommen, es gebe in der Zukunft nur zwei Zustände
und der Einfachheit halber mögen beide mit gleicher Wahrscheinlichkeit auftreten. Es
gebe weiter nur einen riskanten Basistitel Y 2 . Dieser Basistitel Y 2 habe in den beiden
Zuständen die Realisationen ±1. Man errechnet sofort einen Erwartungswert des Rück-
flusses von E [Y 2 ] = 0 und eine Varianz Var [Y 2 ] = 1. Jetzt wollen wir Portfolios aus
dem risikolosen Titel sowie dem riskanten Basistitel bilden. Dies ist natürlich immer
möglich, aber es gelingt uns nur in bestimmten Fällen, einen Erwartungsnutzen für
diese Portfolios zu errechnen. Beim Erwartungsnutzen müssen ja die Nutzenwerte der
Zustände mit den Wahrscheinlichkeiten gewichtet werden, die einzelnen Summanden
sind dann zu addieren. Betrachten wir aber den Zustand, in dem Y 2 gerade den Wert
-1 annimmt, der Einfachheit halber möge dies der erste Zustand sein. Wenn wir jeweils
einen Basistitel Y 2 und ein risikoloses Asset Y 1 halten, bekommen wir in der Zukunft
eine Zahlung in Höhe von null
Y11 + Y12 = 1 + (−1) = 0.
Wir hätten nun den Nutzenwert dieser Zahlung zu ermitteln: aber ln(0) ist nicht defi-
niert! Es ist schlichtweg nicht möglich, den Erwartungsnutzen des Portfolios Y 1 + Y 2
zu bestimmen, weil in einem Zustand der Wert der Nutzenfunktion undefiniert ist. Ein
Zugang zum µ-σ–Kalkül, bei dem wir einige Portfolios ausblenden müssen, kann uns
aber nicht überzeugen.
Fassen wir die vorangegangenen Überlegungen zusammen. Es ist uns nicht gelungen, das µ-σ–
Modell dem Erwartungsnutzen unterzuordnen. Vielmehr haben alle diesbezüglichen Versuche
schwerwiegende Nachteile. Wir vertreten daher die Ansicht, dass es sich beim Erwartungsnut-
zen und dem µ-σ–Modell um zwei verschiedene Arten der Modellierung von Risiko handelt.
Diese Sichtweise hat setzt sich erst sehr zögerlich in der Finanzierung durch.27
2.2.3 Die Axiome
Wir haben vergeblich versucht, den µ-σ–Kalkül auf dem Erwartungsnutzen zu begründen. Des-
halb werden wir jetzt einen anderen Weg gehen und Axiome angeben, die auf µ-σ–Funktionen
führen.
Wir definieren zwei Begriffe, die auf Duffie (1988) zurückgehen:
Definition 2.6 Die Präferenz heißt strikt varianzavers genau dann, wenn gilt
∀X, Z 6= 0 Cov (X, Z) = E (Z) = 0 =⇒ X X + Z,

27
Einige Arbeiten, die unsere Sicht teilen, sind zum Beispiel: “A mean–variance framework is justified if the
class of distributions is suitably restricted; for example, if they are all normal. The capital asset pricing
model is also justified in a continuous time model where uncertainty is generated by diffusion processes. But
more generally the specification of mean–variance utility functions is an ad hoc functional form specification
that is adopted for reasons of tractability” Epstein (1985), S. 945 oder “In the present paper, mean–variance
behavior is treated not as a special case of expected utility maximization but as an alternative, normal
distributions being a special case of both” Lajeri & Nielsen (1994), S. 4.

Die Präferenz heißt strikt monoton im risikolosen Titel Y 1 genau dann, wenn gilt
∀t > 0, X X + t · Y 1 X.
Versuchen wir zuerst, den ökonomischen Gehalt beider Begriffe zu verstehen. Monotonie ver-
langt, dass bei Addition des risikolosen Portfolios der Nutzen eines Investors wächst. Also
unterstellt die zweite Bedingung, dass der Entscheidungsträger keine Sättigung im risikolo-
sen Titel aufweist. Etwas komplizierter scheint die Interpretation der ersten Bedingung. Das
Portfolio Z in der Definition 2.6 kann als ein reiner Störterm von X aufgefasst werden. Denn
Z besitzt verschwindenden Erwartungswert und erhöht wegen
Var [X + Z] = Var [X] + Var [Z] + 2Cov (X, Z) > Var [X]
| {z }
=0
nur die Varianz des Portfolios. Also verlangt die Varianzaversion, dass ein Investor die Ad-
dition reiner Störterme zu seinem Portfolio ablehnt. Die Nutzenfunktion des Investors wird
nun durch den folgenden Satz charakterisiert.28
Satz 2.13 Es gebe mindestens zwei riskante und unkorrelierte Wertpapiere. Es sei eine
Präferenzrelation gegeben. Eine Präferenz erfüllt die strikte Varianzaversion und strikte
Monotonie im risikolosen Wertpapier genau dann, wenn es eine repräsentierende Nutzen-
funktion U (X) gibt, die nur von Mittelwert und Standardabweichung des Portfolios abhängt:
U (X) = V (E [X], Var [X]),
wobei V in der ersten Variablen strikt monoton wachsend und in der zweiten Variablen strikt
monoton fallend ist.
Sind die Annahmen an die Präferenzen erfüllt, dann maximiert der Investor eine Nutzenfunk-
tion, welche nur vom Erwartungswert und der Varianz einer Zufallsvariable abhängt.
Man kann die µ-σ–Nutzenfunktionen sehr anschaulich in einem µ-Var –Diagramm darstellen,
bei dem jeder Punkt des Diagramms ein Porfolio darstellt mit einer bestimmten Kombina-
tion aus einem Wert der Varianz und einem Erwartungswert. Wie sehen in einem solchen
Diagramm die Indifferenzkurven einer µ-σ–Nutzenfunktion aus? Dazu sucht man diejenigen
Punkte in dem Diagramm, bei denen sich der Wert der Nutzenfunktion nicht verändert:
V (µ, σ 2 ) = C.
Eine Indifferenzkurve ist dann durch einen funktionalen Zusammenhang µ(σ 2 ) gegeben. Vor-
ausgesetzt die Nutzenfuktion ist ausreichend differenzierbar, dann ergibt sich für die Steigung
der Indifferenzkurve ein positiver Wert. Dies sieht man wie folgt: ableiten von
V (µ(σ 2 ), σ 2 ) = C
ergibt
dV ∂V ∂µ ∂V
2
= 2
+ = 0.
dσ ∂µ ∂σ ∂σ 2
28
Zum Beweis siehe Löffler (1996).

Durch umstellen sieht man, dass

∂V
∂µ ∂σ 2
= − ∂V > 0
∂σ 2 ∂µ
∂V ∂V
da ∂µ > 0 und ∂σ 2
< 0. Wenn wir nun zusätzlich fordern, dass die Nutzenfunktion des
∂ µ 2
Investors quasikonkav ist, dann kann man sogar zeigen, dass ∂(σ 2 )2 > 0 ist, und also dass
die Indifferenzkurven immer stärker steigende Kurven sind wie in der folgenden Graphik
dargestellt:
µ .
....
....
6 ....
....
.
..
.....
.
.....
....
.....
.....
..
.....
.
.....
.....
......
.......
...
...
..........
..........
..............
-
σ2
Abbildung 2.5: Indifferenzkurve einer µ–σ–Nutzenfunktion

2.2.4 Sättigung beim µ-σ–Kalkül
Damit haben wir nicht gerechnet: wir zeigen, dass mehr nicht unbedingt besser ist, wenn der
Investor eine µ-σ–Nutzenfunktion besitzt.
Wir wollen in diesem Abschnitt auf eine Eigenschaft der µ-σ–Nutzenfunktionen hinweisen,
die erst in der neueren Literatur bemerkt wurde.29 Dazu betrachten wir einen Investor, der
eine Erwartungsnutzenfunktion besitze. Diesem Investor werde ein Portfolio angeboten, das
in jedem Zustand entweder null oder einen (möglicherweise kleinen) positiven Betrag aus-
zahle. Wir können diese Situation auch dadurch beschreiben, dass dem Investor eventuell
etwas geschenkt werde. Es ist für uns selbstverständlich, dass jeder Investor dieses Geschenk
annehmen wird. Für den mathematischen Kalkül des Erwartungsnutzens kann diese Eigen-
schaft auch bewiesen werden, worauf wir aber hier verzichten wollen. Beim µ-σ–Kalkül ist
dies anders.
Bevor wir in die Details einsteigen, schauen wir uns die Motivation aus einem anderen Blick-
winkel an. Dazu gehen wir zurück zur Definition der strikten Monotonie im risikolosen Asset.
Unser Vorgehen in diesem Abschnitt kann als Versuch gewertet werden, diese strikte Mono-
tonie auf den Fall zu verallgemeinern, bei dem einem Investor nur ein Portfolio mit einer
nichtnegativen Auszahlung offeriert wird. Sei Z ein solches Portfolio, also es gelte Z ≥ 0. Gilt
für eine Präferenz, die von einer µ-σ–Nutzenfunktion repräsentiert wird, dann immer
X ≺ X + Z?
Wir werden jetzt ein Beispiel konstruieren, bei dem diese elementare Eigenschaft verletzt ist.
Bevor wir in die Mathematik einsteigen, soll aber die Intuition des Resultates vorweggenom-
men werden. Wenn man zu einem beliebigen Portfolio X ein Z ≥ 0 hinzufügt, so erhöht das
sicherlich den Erwartungswert und wird damit vom Investor gern gesehen. Leider aber besteht
die Möglichkeit, dass ebenso die Varianz steigt. Wenn nun die Varianz stärker als der Erwar-
tungswert wächst (und dies hängt sowohl von Z als auch von der Nutzenfunktion ab), dann
sinkt der Nutzen und der Investor lehnt dieses Portfolio ab. Diese Eigenschaft ist offensichtlich
unerwünscht, aber dennoch Ergebnis einer gedankenlosen Anwendung der µ-σ–Theorie.
Es gebe zwei zukünftige Zustände der Welt, die beide gleich wahrscheinlich seien. Der Investor
habe zuerst nichts, X = 0. Seine Nutzenfunktion sei
V (E [X], Var [X]) = E [X] − Var [X].
Nun offerieren wir dem Investor ein Portfolio, bei dem im Zustand eins eine Zahlung von
2t Geldeinheiten erfolgt, während im Zustand zwei nichts gezahlt wird. Intuitiv würden wir
erwarten, dass der Investor dieses Portfolio besser als X findet. Doch rechnen wir besser nach:
V (E [X + Z], Var [X + Z]) = E [X + Z] − Var [X + Z]
= E [Z] − Var [Z]
= t − t2 .
Für Werte von t aus dem Intervall [0, 1] steigt der Wert der Nutzenfunktion in der Tat über
V (E [X], Var [X]) = 0 und daher gilt auch X ≺ X + Z. Wenn jedoch t den Wert von eins
übersteigt, steigt die Varianz zu stark an und es gilt
V (E [X], Var [X]) > V (E [X + Z], Var [X + Z]) =⇒ X X + Z.
29
Beispielsweise Nielsen (1987).

Wenn wir dem Investor “zuviel” schenken, lehnt er dieses Geschenk wegen der zu hohen
Varianz ab! Eine solche Eigenschaft wird auch als Sättigung bezeichnet und stellt eine der
unangenehmen Begleiterscheinungen der µ-σ–Theorie dar.
2.2.5 Tobin–Separation (und Portfoliotheorie)
Wir zeigen eine wichtige Eigenschaft der µ-σ–Präferenzen: das optimale Portfolio setzt sich
aus dem risikolosen Asset und einem vom Investor unabhängigen Portfolio zusammen.
Wir betrachten nun einen Investor, der eine µ-σ–Nutzenfunktion besitzt und sein Vermögen
w maximieren möchte. Dieser Investor löst das folgende Problem
max V (E [X], Var [X]), s.t. p(X) ≤ w.
Zuerst können wir folgendes feststellen. Wir haben bisher immer angenommen, dass ein risi-
koloser Titel Y 1 gehandelt wird. Wenn der Investor sein Budget nicht ausschöpfen sollte (also
wenn p(X) < w gilt), dann kann der Investor von dem verbleibenden Restbetrag risikolose
Assets kaufen. Dieser Kauf wird den Erwartungswert erhöhen, aber die Varianz unverändert
lassen. Das heißt aber nichts anderes, als das der Gesamtnutzen steigt. Damit können wir
schlussfolgern, dass wir genauso gut das Maximierungsproblem lösen können, bei dem das
Budget ausgeschöpft wird
max V (E [X], Var [X]), s.t. p(X) = w.
Um diese Maximierungsaufgabe zu bewältigen, bestehen nun mehrere Möglichkeiten. Wir
werden hier den klassischen Weg verfolgen und den Lagrangeansatz verwenden. Dazu bilden
wir die Lagrangefunktion in der Variable X und erhalten
L = V (E [X], Var [X]) − λ(p(X) − w).
Diese Funktion muss nun nach X abgeleitet werden und da X ein Vektor ist, scheint diese
Aufgabe auf den ersten Blick nicht gerade einfach. Bevor wir mit der Rechnung fortfahren
können, müssen wir uns weiter eines Resultates bedienen, dass aus der Arbitragefreiheit des
Marktes stammt. Dieses Ergebnis wird in einer anderen Veranstaltung präzise hergeleitet, wir
werden es hier nur veranschaulichen.
Wir wissen, dass X die Zusammenstellung eines Portfolios des Investors beschreibt. Wir setzen
nun voraus, dass der Preis dieses Portfolios sich aus der Summe der Einzelteile zusammen-
setzt30 , genauer nehmen wir an, dass folgender Zusammenhang gilt
S
X
p(X) = Xs · p(Y s ).
s=1
Setzen wir dies in unsere Lagrangefunktion ein und berücksichtigen die Art und Weise, in der
Erwartungswerte und Varianzen ermittelt werden, so erhalten wir
S S XS S
!
X X X
s s r s

L=V Xs E [Y ], Xs Xr Cov [Y , Y ] − λ Xs p(Y ) − w
|s=1 {z } |s=1 r=1 {z } s=1
=E [X] =Var [X]

30
Dieses Ergebnis heißt Wertaddivitätstheorem und wird in der Veranstaltung zur Kapitalmarkttheorie be-
handelt.

und diese Formulierung hat den Vorteil, dass wir nun Ableitungen nach den Zahlen Xs bilden
können. Vorher berücksichtigen wir, dass der risikolose Titel zwar zu einem höheren Erwar-
tungswert beiträgt, aber keine Wirkungen auf die Varianz besitzt. Mithin verkürzt sich die
letzte Maximierungsaufgabe zu
S S XS S
!
X X X
s s r s

L=V Xs E [Y ], Xs Xr Cov [Y , Y ] − λ Xs p(Y ) − w (2.21)
s=1 s=2 r=2 s=1
Leiten wir diese Gleichung zuerst nach der ersten Variable X1 , also der nachgefragten Menge
an risikolosen Titeln ab, dann ergibt sich31
d Ss=1 Xs E [Y s ]
P
∂L
0= = Vµ (E [X], Var [X]) · − λp(Y 1 )
∂X1 dX1
= Vµ (E [X], Var [X]) · E [Y 1 ] − λp(Y 1 )
was auf den folgenden Ausdruck für den Parameter λ führt
E [Y 1 ]
λ = Vµ (E [X], Var [X]) · . (2.22)
p(Y 1 )
| {z }
=1+rf
Die Ableitungen nach der s–ten Variable (für s > 1) ergeben dagegen32
∂L ∂V (E [X], Var [X])

0= = − λp(Y s )
∂Xs ∂Xs
∂ Ss=1 Xs E [Y s ]
P
= Vµ (E [X], Var [X]) · +
∂Xs
∂ Ss=2 Sr=2 Xs Xr Cov [Y s , Y r ]
P P
+ Vσ2 (E [X], Var [X]) · − λp(Y s )
∂Xs
S
X
= Vµ (E [X], Var [X]) E [Y s ] + Vσ2 (E [X], Var [X]) 2 Xr Cov [Y s , Y r ] − λp(Y s ).
r=2
31
Wir benutzen hier und im nächsten Schritt die Grundregel des totalen Differentials. Danach gilt für eine
beliebige Funktion f (x, y) immer
df (x, y) dx dy
= fx + fy .
dz dz dz
Für die Ableitung von V nach der ersten Variablen schreiben wir Vµ , für die Ableitung nach der zweiten
Variablen Vσ2 .
32
Der folgende Schritt enthält eine Ableitung nach einer Doppelsumme, und das ist etwas ungewöhnlich. In
einer Aufgabe zeigen wir anhand eines Beispiels für S = 3, dass die Ableitung in der Tat dem im Skript
genannten Ausdruck entspricht.

Wir setzen die Gleichung (2.22) ein und erhalten

S
X
0 = Vµ (E [X], Var [X]) E [Y s ] + Vσ2 (E [X], Var [X]) 2 Xr Cov [Y s , Y r ]−
r=2
− (1 + rf )Vµ (E [X], Var [X]) · p(Y s )
S
Vσ2 (E [X], Var [X]) X
0 = E [Y s ] − (1 + rf )p(Y s ) + 2 Xr Cov [Y s , Y r ] (2.23)
Vµ (E [X], Var [X])
r=2
Wir wollen diese Bedingung vorerst nicht weiter umformen. Da wir für jedes s = 2, . . . , S eine
Ableitung bilden können, haben wir es insgesamt mit S − 1 Gleichungen zu tun. Wir müssen
uns klarmachen, dass sich diese Gleichungen in einer wesentlich kompakteren Form schreiben
lassen. In allen Fällen gehen die Unbekannten X2 , . . . , XS linear ein. Dies lässt vermuten,
man könne die Gleichungen (2.23) als ein lineares Gleichungssystem formulieren. Und in der
Tat erkennt man bei genauerer Betrachtung, dass die S − 1 Gleichungen sich in folgender
Matrixschreibweise darstellen lassen
(1 + rf )p(Y 2 ) − E [Y 2 ] Cov [Y 2 , Y 2 ] Cov [Y 2 , Y S ]
    
X2
.. Vσ2 (E [X], Var [X])  .. ..   .. 
=2 · . 
 
 . V (E [X], Var [X])
 . .
S S µ S 2 S S
(1 + rf )p(Y ) − E [Y ] Cov [Y , Y ] Cov [Y , Y ] XS
Die Unbekannten Parameter X2 , . . . , XS stehen auf der rechten Seite und alle anderen Varia-
blen sind bekannt. Die Gleichung lässt sich lösen, wenn die Kovarianzmatrix invertierbar ist.
Aber genau das hatten wir in der Einleitung vorausgesetzt (siehe Seite 42). Damit besitzt das
Gleichungssystem eine eindeutige Lösung
−1 
Cov [Y 2 , Y 2 ] Cov [Y 2 , Y S ] (1 + rf )p(Y 2 ) − E [Y 2 ]
   
X2
Vσ2 (E [X], Var [X])  .   .. .. ..
2  ..  =   ·
  
Vµ (E [X], Var [X]) . . . 
XS Cov [Y S , Y 2 ] S
Cov [Y , Y ] S S
(1 + rf )p(Y ) − E [Y ] S
Was können wir über die Lösung dieses Gleichungssystems aussagen? Es scheint keine generel-
le Aussage möglich, da wir doch nichts genaueres über die Nutzenfunktion V wissen. Dennoch
erlaubt ein genauerer Blick auf die letzte Gleichung folgenden Schluss. Wir erkennen, dass
auf der rechten Seite ausschließlich Größen zu finden sind, die nicht von der Nutzenfunktion
abhängig sind. Vielmehr stehen dort nur Größen, die von den Basistiteln bestimmt werden.
Das bedeutet aber, dass die rechte Seite der Gleichung für alle Investoren identisch ist, wenn
sie identische Erwartungen und identische Kovarianzmatrizen besitzen.
V (E [X],Var [X])
Die Nutzenfunktion weiter geht nur auf der linken Seite ein, und der Term Vσµ2(E [X],Var [X]) ist
eine Zahl. Daher ist auch das relative Verhältnis von Xs : Xr nicht von der Nutzenfunktion
abhängig. Wir können unsere Erkenntnis in folgendem Satz zusammenfassen, der auf James
Tobin zurückgeht.
Satz 2.14 (Tobin–Separation) Angenommen ein Investor maximiere eine µ-σ–Nutzen-

funktion. Dann haben die riskanten Titel in seinem optimalen Portfolio ein Verhältnis zu-
einander, das nicht von der Nutzenfunktion und auch nicht von seinem Einkommen abhängt.
Dieses Portfolio wird auch Preisportfolio genannt.

Wir könnten dieses Ergebnis wie folgt zusammenfassen. Jeder µ-σ–Investor wird, das wissen
wir bereits ohne genauere Kenntnis seiner Nutzenfunktion und seines Vermögens, zwei Port-
folios erwerben: den risikolosen Titel und ein riskantes Portfolio, dessen Zusammensetzung
wir bereits ermitteln können. Um nun zu bestimmen, wieviel er von dem risikolosen Titel und
wieviel von dem riskanten Portfolio erwirbt, müssen wir sowohl die Nutzenfunktion als auch
das Vermögen kennen.

Literaturverzeichnis
Allais, M. (1953), ‘Le comportement de l’homme rationnel devant le risque: Critique des
postulats et axiomes de l’ecole americaine’, Econometrica 21, 503–546.
Arrow, K. (1971), Essays in the Theory of Risk Aversion, Markham, Chicago.
Bernoulli, D. (1996), ‘Entwurf einer neuen Theorie zur Bewertung von Lotterien (Specimen
theoriae novae de mensura sortis)’, Die Betriebswirtschaft 56, 733–742. Deutsche Über-
setzung: L. und P. Kruschwitz.
Bronstein, I., Semendjajew, K., Musiol, G. & Mühlig, H. (1993), Taschenbuch der Mathematik,
Verlag Harri Deutsch, Frankfurt/M.
Constantinides, G. M. (1990), ‘Habit formation: A resolution of the equity premium puzzle’,

Journal of Political Economy 98, 519–543.
Dalal, A. & Arshanapalli, B. (1993), ‘Estimating the demand for risky assets via the indirect
expected utility function’, Journal of Risk and Uncertainty 6, 277–288.
Debreu, G. (1954), Representation of a preference ordering by a numerical function, in

R. Thrall, ed., ‘Decision Processes’, Wiley & Sons, New York, pp. 159–165.
Duffie, D. (1988), Security Markets, Academic Press, Inc., San Diego.
Epstein, L. (1985), ‘Decreasing risk aversion and mean–variance analysis’, Econometrica

53, 945–961.
Friend, I. & Blume, M. (1975), ‘The demand for risky assets’, American Economic Review
65, 900–922.
Guiso, L., Jappelli, T. & Terlizzese, D. (1996), ‘Income risk, borrowing constraints and port-
folio choice’, American Economic Review 86, 158–172.
Hildreth, C. & Knowles, G. (1982), Some estimates of farmers’ utility functions, Technical
Report 335, Agricultural Experimental Station, University of Minnesota.
Kessler, D. & Wolff, E. (1991), ‘A comparative analysis of household wealth patterns in france
and in the united states’, Review of Income and Wealth 37, 249–266.
Kydland, F. & Prescott, E. (1982), ‘Time to build and aggregate fluctuations’, Econometrica
50, 1345–1370.
Lajeri, F. & Nielsen, L. (1994), Risk aversion and prudence: The case of mean–variance
preferences. INSEAD.
54
Literaturverzeichnis S. 55
Löffler, A. (1996), ‘Variance aversion implies µ–σ 2 –criterion’, Journal of Economic Theory
69, 532–539.
Lucas, R. (1978), ‘Asset pricing in an exchange economy’, Econometrica 46, 1429–1445.
Magill, M. & Nermuth, M. (1986), ‘On the qualitative properties of futures market equilibri-
um’, Journal of Economics 46, 233–252.
Markowitz, H. (1952), ‘Utility of wealth’, Journal of Political Economy 60, 151–158.
Mas-Colell, A. (1985), The Theory of General Economic Equilibrium: A Differentiable Ap-

proach., number 9 in ‘Econometric Society monographs’, Cambridge University Press,
Cambridge.
Meyer, J. (1987), ‘Two–moment decision models and expected utility maximization’, Ameri-
can Economic Review 77, 421–430.
Nielsen, L. (1987), ‘Portfolio selection in the mean-variance–model: A note’, Journal of Fi-

nance 42, 1371–1376.
Ogaki, M. & Zhang, Q. (1999), Decreasing realive risk aversion abd tests of risk sharing. Ohio
State University.
Pratt, J. (1964), ‘Risk aversion in the small and in the large’, Econometrica 32, 122–136.
Samuelson, P. (1967), ‘General proof that diversification pays’, Journal of Financial and
Quantitative Analysis 2, 66–84.
Savage, L. (1972), The Foundations of Statistics, Dover Publications, New York.
Schneeweiß, H. (1967), Entscheidungskriterien bei Risiko, Vol. VI of Econometrics and Ope-

rations Research, Springer Verlag, Berlin Heidelberg New York.
Tobin, J. & Dolde, W. (1971), Wealth, liquidity and consumption, in ‘Consumer spending
and monetary policy: The linkage’, Federal Reserve Bank of Boston, Boston, pp. 99–146.
Wakker, P. (1984), ‘Cardinal coordinate independence for expected utility’, Journal of Ma-
thematical Psychology 28, 110–117.
Wolfstetter, E. (1999), Topics in Microeconomics, Cambridge University Press, Cambridge.


Entscheidungs Und Kapitalmarkttheorie 1

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Entscheidungs Und Kapitalmarkttheorie 1

Uploaded by

Copyright:

Available Formats

Skript zur Vorlesung

“Entscheidungs– und Kapitalmarkttheorie (I)”

von Prof. Dr. Dr. Andreas Löffler,

bearbeitet von Dr. Jörg Laitenberger∗

letzte Änderung am 28. Oktober 2003

Definitionen, Annahmen, Sätze

Definition 2.1 Unabhängigkeitsaxiom 19

Satz 1.1 Existenz Nutzenfunktion 2

1.1 Das Grundmodell

Vergleichbarkeit es gilt X  Y oder Y  X.1

Transitivität Wenn X  Y und Y  Z gilt, dann ist auch X  Z.

XY ⇐⇒ U (X) ≥ U (Y ). (1.1)

X  Y : ⇐⇒ X0 > Y0 oder (X0 = Y0 und X1 ≥ Y1 ).

• es gilt X0 > Y0 (“mehr Äpfel in X”). Dann folgt sofort X  Y .

Fall 4. Angenommen, es gilt X0 = Y0 , X1 ≥ Y1 und Y0 > Z0 . Dann gilt X0 > Z0 und

Abbildung 1.1: Bessermenge für eine Präferenz ohne Nutzenfunktion

3. Auch die Stetigkeit gilt (ohne Beweis).

Abbildung 1.2: Bessermenge des zweiten Beispiels

Wir werden im folgenden weitere Annahmen an die Nutzenfunktion unterstellen. So fordern

1.3 Präferenzen im Mehrperiodenkontext

Das Axiom der Separabilität werde am folgenden Beispiel dargestellt:

1.4 Konsumglättung und die Bestimmung der Zinshöhe

Die Bedingungen erster Ordnung dieses Problems lauten

−u0 (E1 − Y ) + β(1 + rf )u0 (E2 + (1 + rf )Y ) = 0.

Die Bedingungen zweiter Ordnung lauten

u00 (E1 − Y ) + β(1 + rf )2 u00 (E2 + (1 + rf )Y ) < 0.

Wir fassen zusammen:7

1.5 Separation von Konsum– und Investitionentscheidungen: das

max U (X0 , X1 ), s.t. X0 = X̄0 − M0 , X 1 = M1 . (1.4)

Wir wissen, dass die Rendite am Kapitalmarkt rf beträgt, also gilt

max U (X0 , X1 ), s.t. 0 = X1 − (1 + rf )(X̄0 − X0 ).

L = U (X0 , X1 ) − λ(X1 − (1 + rf )(X̄0 − X0 )).

Die Nebenbedingungen erster Ordnung lauten nun10

Abbildung 1.3: Fisher–Modell mit Kapitalmarkt

0 = dU (X0 , X1 ) Nutzenniveau konstant

Abbildung 1.4: Zwei optimale Portfolios

max U (X0 , X1 ), s.t. X0 = X̄0 − M0 − I0 , X1 = (1 + rf )M0 + CF1 . (1.7)

fett gedruckte eins darstellen:

2.1.2 Petersburger Spiel

Anzahl der Würfe Auszahlung

p(X) < E [X].

Dieses Ergebnis scheint der Intuition zu widersprechen, dass eine Investitionsentscheidung

Eindeutigkeit Dazu benutzen wir den folgenden

αLb + (1 − α)Lw  βLb + (1 − β)Lw genau dann wenn α > β. (2.2)

γLb + (1 − γ)L  γLw + (1 − γ)L.

γLb + (1 − γ)(δLb + (1 − δ)Lw )  γLw + (1 − γ)(δLb + (1 − δ)Lw )

(γ + (1 − γ)δ)Lb + (1 − γ)(1 − δ)Lw  (1 − γ)δLb + (γ + (1 − γ)(1 − β)Lw .

U (L) = 1 ∗ u(X1 ) = q1 u(X1 ).

Mit dem Unabhängigkeits–Axiom haben wir dann

q1 L1 + (1 − q1 )L−1 ∼ q1 (U (L1 )Lb + (1 − U (L1 ))Lw ) + (1 − q1 )L−1

Wird letzteres ausmultipliziert, erhält man

L ∼ (q1 U (L1 ) + (1 − q1 )U (L−1 ))Lb + (q1 (1 − U (L1 )) + (1 − q1 )(1 − U (L−1 )))Lw .

Erster Preis Zweiter Preis Dritter Preis

u(e 24.000) > 0, 33u(e 27.500) + 0, 66u(e 24.000) + 0, 01u(e 0).

Wenn Sie dies umstellen, ergibt sich

0, 34u(e 24.000) > 0, 33u(e 27.500) + 0, 01u(e 0).

0, 34u(e 24.000) + 0, 66u(e 0) > 0, 33u(e 27.500) + 0, 67u(e 0).

αL1 + (1 − α)L3  αL2 + (1 − α)L3 .

0, 34L1 + 0, 66L3  0, 34L2 + 0, 66L3 .

E [u(X)] ≥ E [u(Z)] ⇐⇒ a + b E [u(X)] ≥ a + b E [u(Z)],

2.1.4 Grad (Intensität) der Risikoaversion

risikoneutral genau dann, wenn E [u(X)] = u(E [X]) gilt.

λ1 u(X1 ) + λ2 u(X2 ) + . . . + λS u(XS ) < u(λ1 X1 + . . . λS XS ).

E [u(X)] = u(E [X] − π) (2.3)

Vergleichbarkeit es gilt X Y oder Y X.1

Transitivität Wenn X Y und Y Z gilt, dann ist auch X Z.

XY ⇐⇒ U (X) ≥ U (Y ). (1.1)

X Y : ⇐⇒ X0 > Y0 oder (X0 = Y0 und X1 ≥ Y1 ).

• es gilt X0 > Y0 (“mehr Äpfel in X”). Dann folgt sofort X Y .

αLb + (1 − α)Lw βLb + (1 − β)Lw genau dann wenn α > β. (2.2)

γLb + (1 − γ)L γLw + (1 − γ)L.

γLb + (1 − γ)(δLb + (1 − δ)Lw ) γLw + (1 − γ)(δLb + (1 − δ)Lw )

(γ + (1 − γ)δ)Lb + (1 − γ)(1 − δ)Lw (1 − γ)δLb + (γ + (1 − γ)(1 − β)Lw .

αL1 + (1 − α)L3 αL2 + (1 − α)L3 .

0, 34L1 + 0, 66L3 0, 34L2 + 0, 66L3 .

Dann gilt: X SSD Y .

E [u(Y )] = E [E [u(X + )|X]] ≤ E [u(X + E [|X])] ≤ E [u(X)].

∀X, Z 6= 0 Cov (X, Z) = E (Z) = 0 =⇒ X X + Z,