Bayesianisches Denken¶
"Prediction is the yardstick by which we measure progress." — Nate Silver
Das Rahmenwerk für probabilistisches Denken und Lernen aus Evidenz. Kern: Überzeugungen werden als Wahrscheinlichkeiten ausgedrückt und bei neuen Informationen kontinuierlich aktualisiert — nicht ersetzt, sondern gewichtet.
Bayes' Theorem — Grundstruktur¶
P(H|E) = P(E|H) × P(H)
─────────────────
P(E)
H = Hypothese (was wir wissen wollen)
E = Evidenz (was wir beobachten)
P(H) = Prior: Überzeugung VOR der Evidenz
P(H|E) = Posterior: Überzeugung NACH der Evidenz
P(E|H) = Likelihood: Wie wahrscheinlich ist E, wenn H wahr ist?
P(E) = Gesamtwahrscheinlichkeit der Evidenz
Drei kanonische Beispiele¶
| Beispiel | Prior | Evidenz | Posterior |
|---|---|---|---|
| Untreue (Unterwäsche) | 4% (Statistik) | "Panty" gefunden | 29% — nicht 95%! |
| Mammographie 40er | 1.4% Brustkrebs | Positiver Test | ~10% — nur 3% rechnen's richtig |
| 9/11, erstes Flugzeug | 0.005% (Terrorangriff NY) | Flugzeug im WTC | 38% |
| 9/11, zweites Flugzeug | 38% (neuer Prior) | Zweites Flugzeug | 99.99% |
Kernerkenntnis: Wenn der Prior niedrig ist, dominieren False Positives — auch bei scheinbar starker Evidenz.
Drei Bayesian Principles (Silver)¶
1. Think Probabilistically¶
Nie Punkt-Prognosen — immer Wahrscheinlichkeitsverteilungen.
Falsch: "Der Markt wird nächsten Monat fallen."
Richtig: "Der Markt hat ~35% Chance zu fallen, 50% Chance zu steigen,
15% seitwärts."
Falsch: "Kandidat X gewinnt die Wahl."
Richtig: "Kandidat X hat 73% Gewinnwahrscheinlichkeit."
Warum: Die Unsicherheit ist real. Sie zu verstecken ist keine Stärke — es ist Selbstbetrug.
2. Know Where You're Coming From (State Your Priors)¶
Priors explizit benennen, bevor man Evidenz auswertet. Das ist Stärke, nicht Schwäche.
Schlechtes Prior: ungenauer historischer Vergleich, Bias, Ideologie
Gutes Prior: Markt-Konsens, historische Basisraten,
Äquivalenz-Statistiken (Base Rates)
Markt als guter Default-Prior: Aggregiertes Urteil > Einzelnes Urteil (meist). Aber: Märkte können systematisch falsch liegen (Herding, Blasen).
3. Try and Err (Make Many Forecasts)¶
Nur durch viele Prognosen lernt man besser zu prognostizieren. Vorhersagen validieren Modelle.
Ohne Prognosen: Modell bleibt ungeprüfte Theorie
Mit Prognosen: Fehler werden sichtbar → Lernen möglich
Google-Prinzip: Tausende Experimente/Jahr statt Modell-Perfektionierung.
Frequentismus vs. Bayes — Der Unterschied¶
| Aspekt | Fisher (Frequentist) | Bayes |
|---|---|---|
| Unsicherheit | Nur Sampling Error | Epistemisch (Grenzen unseres Wissens) |
| Prior | Verboten (zu subjektiv) | Explizit, obligatorisch |
| Objektivität | Aus Experiment-Design | Aus Konvergenz mit Realität |
| Big Data | Mehr = besser | Mehr Daten + schlechte Priors = mehr False Positives |
| Konsequenz | Toads predict earthquakes (signifikant, aber unsinnig) | Kontext > Signifikanz |
Fisher's tödlicher Fehler: Leugnete Zigaretten → Lungenkrebs (war bezahlter Tobacco-Berater). Frequentistische Methode: keine Kontextplausibilität → Correlation ≠ Causation Argument missbraucht.
Big Data Paradox¶
45.000 US-Wirtschaftsstatistiken → 1 Milliarde mögliche Paare
Echte kausale Beziehungen: wächst NICHT proportional
Wenn:
80% echter Hypothesen korrekt identifiziert
90% falscher Hypothesen korrekt abgelehnt
Aber: Echte Hypothesen sind selten (20%)
→ Trotzdem: 2/3 der "signifikanten Findings" FALSCH (False Positives)
"As there is an exponential increase in the amount of available information,
there is likewise an exponential increase in the number of hypotheses to test."
— Silver
Bayesian Convergence¶
Wenn alle Bayesian denken, konvergieren unterschiedliche Startpunkte zur Wahrheit:
Investor A: 10% Bull-Market-Prior
Investor B: 50% Prior
Investor C: 90% Prior
→ Nach genug Markt-Beobachtungen: alle konvergieren korrekt zu Bull (oder Bear)
Das ist das Prinzip des wissenschaftlichen Konsensus — und des Marktes als Preisfindungsmechanismus.
Adam Smith + Thomas Bayes: Zeitgenossen aus schottischer Aufklärung - Invisible Hand = Bayesianischer Prozess (Preise als kontinuierliches Update) - Beide: Konsens-suchende Mechanismen unter Unsicherheit
Anwendung in Finanzmärkten¶
Blasen erkennen (Bayesian Bubble Detection)¶
Shiller-CAPE als Prior-Update-Trigger:
P/E = 10 → bullish Prior (historisch 9% p.a. Realrendite)
P/E = 15 → neutraler Prior
P/E = 30+ → stark negativer Prior (historisch negativ expected)
ABER: Grenzen des Bayesian Updating bei Blasen:
Greenspan: "Irrational Exuberance" Dez. 1996 (P/E 28)
→ Bubble-Peak erst März 2000 (noch +300% NASDAQ)
→ Selbst korrekte Priors: 90-Tage-Crash-Chance nur ~4%
Herding als Bayesian Failure¶
Wenn Trader fremde Entscheidungen als Signale interpretieren (nicht als Evidenz):
Rogue Intrade-Trader 2008: kaufte McCain-Aktien ohne Nachricht
→ Markt: "Er muss Inside Information haben" → folgte 4-6 Stunden
→ Klassisches Information Cascade-Versagen
EMH — Bayesian Formulierung¶
"No investor can beat the market" — Statement 1 (Hedgehog)
vs.
"It is hard to tell how many investors beat the market because the data is
very noisy, but we know most cannot relative to risk and transaction costs..." — Statement 7 (Fox)
Manic Momentum Test:
Statistisch signifikant: 1 in 7 Quintillionen Zufall
Praktisch: $10.000 → $1.100 nach Transaktionskosten
→ Statistische ≠ Praktische Signifikanz
Fox vs. Hedgehog (Tetlock) als Bayesian Metapher¶
| Eigenschaft | Fuchs (Bayesian) | Igel (Frequentist/Ideologe) |
|---|---|---|
| Priors | Explizit, revidierbar | Implizit, starr |
| Update | Kontinuierlich | Widerstrebend |
| Unsicherheit | Zentraler Teil des Modells | Zeichen von Schwäche |
| Mehr Information | Bessere Prognosen | Schlechtere Prognosen |
| Output | Wahrscheinlichkeiten | Vorhersagen |
Unknown Unknowns als Bayesian Blinder Fleck¶
Das größte Risiko: Hypothesen die man nie formuliert hat.
Pearl Harbor: Prior-Theorie = Sabotage → alle Signale durch diese Linse
→ Radio-Stille der Träger nicht als Carrier-Movement-Signal erkannt
→ Unknown Unknown: "Flotten können Hawaii direkt angreifen"
Schelling: "We confuse the unfamiliar with the improbable."
→ Unfamiliäres erscheint uns unwahrscheinlich
→ Unwahrscheinliches wird nicht in Priors aufgenommen
→ Unknown Unknown bleibt Unknown
Lösung: Aktive Imagination ("Pre-Mortem")
→ "Was könnte ich NICHT wissen?"
→ Explizite Suche nach Unknown Unknowns
Verbindung zu anderen Konzepten¶
| Bayesian Konzept | Verbindung |
|---|---|
| Posterior = Fundamentalwert | Buffett: Intrinsic Value als "wahrer" Prior für Aktien |
| Prior Base Rate | Siegel: 6.8% Realrendite als Equity-Prior |
| False Positives bei niedrigem Prior | Klarman: Margin of Safety schützt gegen Bewertungs-False-Positives |
| Signal vs. Noise | Fundamental Short Selling: Inventory/Sales-Ratio als Signal |
| Bayesian Convergence | Fama: EMH als Konvergenz-Mechanismus |
| Herding = Info Cascade Fehler | Marks: Stimmungs-Zyklen als Prior-Bias |
| Unknown Unknown | Regime Change Risiko: Out-of-Sample Events |
| Update Continuously | Tharp: Position Sizing nach neuer R-Vielfaches-Information |
Abgrenzung¶
| Aspekt | Bayesian | Fisher (Frequentist) | Technische Analyse |
|---|---|---|---|
| Ausgangspunkt | Expliziter Prior | Kein Prior | Historische Muster |
| Unsicherheit | Epistemisch | Sampling Error | Implizit |
| Update-Logik | P(H|E) | p-Wert | Pattern Recognition |
| Prognose | Wahrscheinlichkeit | Ja/Nein (5% Grenze) | Ja/Nein (Setup) |
| Kontext | Obligatorisch | Optional | Optional |
Links¶
- nate_silver — Hauptvertreter (The Signal and the Noise)
- 2026-05-11_silver_signal_noise — Quelle
- probabilistisches_denken — Verwandtes Konzept
- aktien_langfrist_rendite — Anwendung (Siegel: 6.8% als Equity-Prior)
- fundamental_short_selling — Signal vs. Noise in Short-Praxis
- regime_change_risiko — Unknown Unknowns in Märkten
- trading_technische_analyse — Topic