ETFFIN Finance >> Persönliche Finanzbildung >  >> Terminkontrakte >> Futures-Handel

Hypothesentests für Anlageentscheidungen: Praktischer Leitfaden

Ein Anlageberater schlägt einen monatlichen Einkommensplan vor, dessen monatliche Rendite schwankt. Ein Investor würde nur investieren, wenn er eine durchschnittliche monatliche Rendite von 180 US-Dollar erwarten kann. Der Berater nennt Daten aus 300 Monaten: Durchschnitt 190 US-Dollar, Standardabweichung 75 US-Dollar. Hypothesentests helfen bei der Entscheidung.

Die wichtigsten Erkenntnisse

  • Hypothesentests sind mathematische Werkzeuge, um finanzielle oder geschäftliche Behauptungen zu prüfen.
  • Sie helfen Investoren zu entscheiden, ob eine Anlage wahrscheinlich zufriedenstellende Renditen liefert.
  • Obwohl es verschiedene Methoden gibt, folgen Hypothesentests meist vier Schritten: Hypothese definieren, Kriterien setzen, Teststatistik berechnen, Schlussfolgerung ziehen.
  • Statistische Modelle haben Grenzen und können Fehler enthalten. Sie sollten daher mit anderen Methoden kombiniert werden.

Was ist ein Hypothesentest?

Ein Hypothesentest ist ein statistisches Verfahren, um eine Behauptung über einen Parameter einer Grundgesamtheit anhand einer Stichprobe zu prüfen. Berechnungen an einer Stichprobe ermöglichen Rückschlüsse auf die gesamte Population.

Beispiel: Ein Schulleiter behauptet, Schüler erzielen im Durchschnitt 7 von 10 Punkten. Um dies zu prüfen, werden die Noten von 30 Schülern erfasst und mit dem behaupteten Mittelwert verglichen.

Ein weiteres Beispiel: Ein Investmentfonds erzielt angeblich 8 Prozent Jahresrendite. Eine Stichprobe von fünf Jahresrenditen kann geprüft werden, um die Behauptung zu testen.

Schritt 1: Hypothese definieren

Die berichtete Behauptung wird als Nullhypothese H0 formuliert und zunächst als wahr angenommen. Beispiele:

  • Schüler erzielen durchschnittlich 7 von 10 Punkten.
  • Der Investmentfonds erzielt 8 Prozent Jahresrendite.

Die Nullhypothese wird geprüft, weil Zweifel an ihrer Gültigkeit bestehen. Alle Informationen, die gegen die Nullhypothese sprechen, werden in der Alternativhypothese H1 zusammengefasst.

Beispiele:

  • Der Durchschnitt ist nicht 7.
  • Die Jahresrendite ist nicht 8 Prozent.

Wie in einem Gerichtsverfahren gilt die Unschuldsvermutung, bis das Gegenteil bewiesen ist. Kann die Alternativhypothese nicht belegt werden, bleibt die Nullhypothese bestehen.

Schritt 2: Kriterien festlegen

Die Entscheidungskriterien basieren auf Parametern der Datenverteilung. Hier kommt die Normalverteilung ins Spiel. Laut zentralem Grenzwertsatz ist die Stichprobenverteilung des Mittelwerts unter bestimmten Bedingungen normalverteilt.

Bei einer Normalverteilung liegen 95 Prozent der Werte innerhalb von zwei Standardabweichungen um den Mittelwert. Deshalb wird häufig ein Signifikanzniveau von 5 Prozent verwendet. Das bedeutet, dass die Wahrscheinlichkeit für Ausreißer außerhalb dieses Bereichs unter 5 Prozent liegt.

Je nach Datensatz können auch 1 Prozent oder 10 Prozent als Signifikanzniveau genutzt werden. In Finanzberechnungen sind 5 Prozent üblich.

Der kritische Wert ist eine Grenze. Liegt der Stichprobenmittelwert jenseits dieser Grenze, wird die Nullhypothese verworfen.

Schritt 3: Teststatistik berechnen

In diesem Schritt werden Kennzahlen wie Mittelwert, Z-Score oder p-Wert berechnet. Diese Werte ermöglichen den Vergleich mit dem kritischen Wert oder dem Signifikanzniveau.

Schritt 4: Schlussfolgerung ziehen

Liegt die Wahrscheinlichkeit für den beobachteten Stichprobenwert unter 5 Prozent, wird die Nullhypothese verworfen. Andernfalls wird sie beibehalten.

Fehlerarten

Bei Hypothesentests können zwei Fehler auftreten:

  • Fehler 1: Die Nullhypothese wird verworfen, obwohl sie tatsächlich gilt.
  • Fehler 2: Die Nullhypothese wird beibehalten, obwohl sie falsch ist.

Alpha bezeichnet das Signifikanzniveau und wird vom Forscher festgelegt. Üblich sind 5 Prozent. Der p-Wert gibt die Wahrscheinlichkeit an, ein Ergebnis zu erhalten, wenn die Nullhypothese wahr ist. Ein p-Wert unter 0,05 führt zur Ablehnung der Nullhypothese.

Beispiel 1: Monatliche Erträge

Ein Investor verlangt mindestens 180 US-Dollar monatliche Rendite. Die Stichprobe von 300 Monaten hat einen Mittelwert von 190 US-Dollar und eine Standardabweichung von 75 US-Dollar.

H0: Mittelwert = 180

H1: Mittelwert ist größer als 180

Methode 1: Kritischer Wert

Bei einem Signifikanzniveau von 5 Prozent ist der Z-Wert 1,645.

XL = 180 + 1,645 × (75 / Wurzel(300)) = 187,12

Da der Stichprobenmittelwert 190 über 187,12 liegt, wird die Nullhypothese verworfen. Die durchschnittliche monatliche Rendite ist wahrscheinlich höher als 180 US-Dollar.

Methode 2: Standardisierte Teststatistik

Z = (190 − 180) / (75 / Wurzel(300)) = 2,309

Da 2,309 größer als 1,645 ist, wird die Nullhypothese ebenfalls verworfen.

Methode 3: p-Wert

P = P(Z ist größer als 2,309) = 0,0084 = 0,84 Prozent

Ein p-Wert unter 1 Prozent gilt als bestätigender Beleg für die Alternativhypothese. Die durchschnittliche monatliche Rendite ist also wahrscheinlich höher als 180 US-Dollar.

Beispiel 2: Brokergebühren

Ein neuer Broker behauptet, niedrigere Gebühren als der bisherige Broker zu haben. Der bisherige Broker hat einen Mittelwert von 18 US-Dollar und eine Standardabweichung von 6 US-Dollar. Eine Stichprobe von 100 Kunden ergibt einen Mittelwert von 18,75 US-Dollar.

H0: Mittelwert = 18

H1: Mittelwert ist ungleich 18

Z = (18,75 − 18) / (6 / Wurzel(100)) = 1,25

Bei einem zweiseitigen Test mit 5 Prozent Signifikanzniveau liegen die kritischen Werte bei −1,96 und 1,96. Da 1,25 innerhalb dieser Grenzen liegt, wird die Nullhypothese nicht verworfen.

Der p-Wert beträgt 2 × 0,1056 = 0,2112 = 21,12 Prozent. Auch das bestätigt: Es gibt keine ausreichende Evidenz für einen Unterschied.

Kritik am Hypothesentest

Hypothesentests basieren auf Annahmen und können fehleranfällig sein. Die Interpretation des p-Werts kann mehrdeutig sein. Deshalb sollten Investoren weitere Modelle und qualitative Faktoren berücksichtigen.

Fazit

Hypothesentests ermöglichen es, Behauptungen mit statistischer Sicherheit zu prüfen. Sie sind ein nützliches Werkzeug für Anlageentscheidungen, sollten aber immer im Kontext weiterer Analysen verwendet werden. Alternativen wie Bayessche Inferenz können ergänzend sinnvoll sein.