💰 quantitative finance

Decision-Making under Combinatorial Risk

Diese Arbeit führt eine Investitionsallokationsaufgabe ein, um kombinatorisches Risiko zu untersuchen, wobei sie aufzeigt, dass Menschen sich typischerweise auf Kernmerkmale wie Wahrscheinlichkeitsinkremente anstatt auf die exakte Bewertung der Verteilung verlassen, jedoch zu einer Lotteriewertschätzung übergehen, wenn die vollständige Wahrscheinlichkeitsmassenfunktion explizit dargestellt wird – ein Muster, das am besten durch ein Hybridmodell erklärt werden kann, das merkmalsbasierte Heuristiken mit der Prospect-Theorie kombiniert.

Ursprüngliche Autoren: Yifan Hong, Hongmiao Fan, Chen Wang

Veröffentlicht 2026-06-10

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Yifan Hong, Hongmiao Fan, Chen Wang

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Die Kernidee: Die „Mystery Box“ vs. das „Menü“

Stellen Sie sich vor, Sie sind Manager in einem Unternehmen. Sie haben ein begrenztes Budget für eine Marketingaktion und können es nur für einen von zwei Kunden ausgeben: Kunde A oder Kunde B.

Kunde A kauft normalerweise in 40 % der Fälle. Wenn Sie ihn fördern, kauft er vielleicht in 60 % der Fälle.
Kunde B kauft normalerweise in 80 % der Fälle. Wenn Sie ihn fördern, kauft er vielleicht in 90 % der Fälle.

Ihr Ziel ist es, die Gesamtzahl der Verkäufe von beiden Kunden kombiniert zu maximieren.

Dies ist das, was die Forscher als kombinatorisches Risiko bezeichnen. Es ist wie ein Puzzle, bei dem das Endergebnis einem nicht direkt gegeben wird. Stattdessen wird das Ergebnis durch die Kombination zweier separater, unsicherer Ereignisse „induziert“ (erzeugt). Sie müssen die Wahrscheinlichkeiten des Gesamtergebnisses basierend auf den Wahrscheinlichkeiten der einzelnen Teile ermitteln.

Das Experiment: Zwei Arten zu spielen

Die Forscher führten ein Spiel mit tausenden Menschen durch, um zu sehen, wie diese dieses Rätsel lösen. Sie teilten die Spieler in zwei Gruppen auf:

Die „Mystery Box“-Gruppe (Kontrollgruppe): Diesen Spielern wurden nur die Ausgangswahrscheinlichkeiten und wie stark die Promotion sie steigern würde (z. B. „A steigt von 40 % auf 60 %“), mitgeteilt. Sie mussten die Mathematik im Kopf durchführen, um zu erraten, welche Wahl zu mehr Gesamtverkäufen führen würde.
Die „Menü“-Gruppe (Experimentalgruppe): Diesen Spielern wurden dieselben Informationen gegeben, plus ein klares „Menü“, das die endgültigen Wahrscheinlichkeiten zeigt. Sie sahen eine Liste wie: „Wenn Sie A wählen, gibt es eine 20 % Chance für 0 Verkäufe, eine 50 % Chance für 1 Verkauf und eine 30 % Chance für 2 Verkäufe.“

Was haben sie herausgefunden?

1. Menschen sind gut in „Heuristiken“ (Abkürzungen)

Als die Menschen nicht über das „Menü“ (die endgültigen Wahrscheinlichkeiten) verfügten, versuchten sie nicht, die komplexe Mathematik der gesamten Situation zu berechnen. Stattdessen nutzten sie einfache Faustregeln:

Regel A: „Wähle den Kunden, der den größten Zuwachs erhält.“ (Wenn A einen +20 % Boost bekommt und B einen +10 % Boost, wähle A).
Regel B: „Wenn die Boosts gleich sind, wähle den Kunden, der bereits wahrscheinlicher gekauft hat.“ (Wenn beide einen +10 % Boost bekommen, wähle denjenigen, der bei 80 % startete, statt bei 40 %).

Die Forscher fanden heraus, dass die Menschen diesen Regeln sehr konsistent folgten. Sie navigierten das Risiko im Wesentlichen, indem sie sich auf die Kernmerkmale des Problems konzentrierten (den Boost und den Ausgangspunkt), anstatt das exakte Endergebnis zu berechnen.

2. Das „Menü“ ändert, wie wir denken (aber nicht unbedingt zum Besseren)

Als die Forscher der zweiten Gruppe das „Menü“ (die endgültigen Wahrscheinlichkeiten) gaben, passierte etwas Interessantes:

Das Verhalten verschob sich: Die Menschen verließen sich nicht mehr so sehr auf die einfachen „Boost“-Regeln. Sie begannen, auf die endgültigen Zahlen im Menü zu achten.
Wurden sie reicher? Überraschenderweise nein. Obwohl sie über mehr Informationen verfügten, trafen sie nicht signifikant bessere Entscheidungen in Bezug auf die Gesamtverkäufe. Tatsächlich wurden ihre Entscheidungen starrer und weniger flexibel.

Es ist, als würde man jemandem eine detaillierte Karte eines Labyrinths geben, während er bereits gut darin war, sich zurechtzufinden, indem er die Wände abtastet. Die Karte half ihm nicht, schneller ans Ziel zu kommen; sie ließ ihn nur mehr auf das Papier starren und weniger intuitiv agieren.

Der „KI-Detektiv“ (Symbolische Regression)

Um genau zu verstehen, wie die Menschen dachten, nutzten die Forscher nicht nur Theorien. Sie verwendeten eine spezielle Art von KI namens Symbolische Regression.

Stellen Sie sich diese KI als einen Detektiv vor, der tausende Entscheidungen analysiert und versucht, eine einfache mathematische Formel zu schreiben, die sie erklärt. Anstatt dass die Forscher sagen: „Ich glaube, die Menschen nutzen die Prospect Theory“, suchte die KI durch Millionen möglicher Formeln, um diejenung zu finden, die am besten zu den Daten passt.

Was die KI entdeckte:

Für die „Mystery Box“-Gruppe: Die beste Formel war einfach. Sie beruhte fast ausschließlich auf dem „Boost“ und dem „Ausgangspunkt“. Dies bewies, dass die Menschen nicht die komplexen endgültigen Wahrscheinlichkeiten im Kopf berechneten.
Für die „Menü“-Gruppe: Die beste Formel war ein Hybrid. Sie kombinierte die einfachen Regeln mit einem komplexeren Blick auf die endgültigen Zahlen (das „Menü“). Dies bestätigte, dass Menschen, wenn sie die endgültigen Wahrscheinlichkeiten sehen, ihre Strategie ändern, um die Verteilung der Ergebnisse zu betrachten, aber dennoch einige ihrer alten Gewohnheiten beibehalten.

Das Fazit

Die Arbeit kommt zu dem Schluss, dass wir, wenn wir mit komplexen Risiken konfrontiert sind, die aus mehreren Teilen bestehen (kombinatorisches Risiko), nicht wie Supercomputer agieren, die jedes mögliche Ergebnis berechnen.

Ohne das vollständige Bild: Konzentrieren wir uns auf die offensichtlichsten, markantesten Merkmale (wie „wer bekommt den größten Boost?“).
Mit dem vollständigen Bild: Ändern wir unsere Strategie, um die endgültige Verteilung zu betrachten, aber das macht uns nicht zwangsläufig klüger oder profitabler.

Kurz gesagt: Menschen navigieren durch komplexe Risiken, indem sie sich auf die Schlüsselzutaten konzentrieren, anstatt zu versuchen, den ganzen Kuchen im Kopf zu backen. Ihnen das Rezept (die vollständige Wahrscheinlichkeitsliste) zu geben, ändert zwar, wie sie die Zutaten schmecken, aber es lässt den Kuchen nicht unbedingt besser schmecken.

Technisches Resümee: Entscheidungsfindung unter kombinatorischem Risiko

Problemdefinition

Die Arbeit adressiert eine Lücke in der Forschung zur Entscheidungsfindung unter Risiko, die sich traditionell auf Single-Shot-Lotterieentscheidungen konzentriert, bei denen Wahrscheinlichkeitsverteilungen explizit gegeben sind. Die Autoren führen das kombinatorische Risiko ein, eine Klasse von Problemen, bei denen das Risiko aus der Kombination mehrerer unabhängiger risikobehafteter Komponenten entsteht und die Ergebnisverteilung induziert statt direkt präsentiert wird.

Die Autoren formalisieren dies mithilfe einer zwei-komponentigen Investitions-Allokations-Aufgabe. In diesem Szenario muss ein Entscheider eine einzige, unteilbare Investition in eine von zwei unabhängigen Bernoulli-Komponenten (A oder B) allokieren.

Initialzustand: Die Komponenten haben initiale Erfolgswahrscheinlichkeiten $P^{ini}_A$ und $P^{ini}_B$ .
Aktion: Eine Investition in eine Komponente erhöht deren Erfolgswahrscheinlichkeit um ein spezifisches Intervall ( $\Delta P_A$ oder $\Delta P_B$ ).
Ergebnis: Der Gesamtertrag hängt von der Summe der Erfolge ab ( $U = X_A + X_B$ ), was eine Binomialverteilung über $\{0, 1, 2\}$ induziert.
Herausforderung: Die induzierte Wahrscheinlichkeitsfunktion (PMF) ist in der „Kontrollbedingung“ nicht direkt beobachtbar; Entscheider müssen das Risikoprofil aus den Merkmalen der einzelnen Komponenten ableiten.

Die Studie untersucht, ob Menschen diese Probleme als explizite induzierte Lotterien repräsentieren oder ob sie Heuristiken basierend auf salienten kombinatorischen Merkmalen verwenden. Des Weiteren wird untersucht, wie die Bereitstellung der induzierten PMF (die „Behandlungsbedingung“) die Entscheidungsstrategien verändert und ob dies zu vorteilhafteren Entscheidungen führt.

Methodik

Experimentelles Design

Die Autoren führten ein Online-Experiment mit $N=2.640$ Teilnehmern durch, wobei ein Vendor-Marketing-Framing genutzt wurde, um moralische Konfundierungen zu vermeiden.

Bedingungen:
- Kontrolle (C): Teilnehmer sahen nur die Komponentenmerkmale ( $P^{ini}$ , $\Delta P$ ).
- Behandlung (T): Teilnehmer sahen die Komponentenmerkmale plus die induzierten PMFs für die Gesamterfolge unter beiden Optionen.
- Größenordnung: Zwei Auszahlungsbeträge ($30 und $100) wurden verwendet, um die Sensitivität gegenüber der Auszahlungsgröße zu testen.
Stimuli: 1.873 Entscheidungsprobleme, generiert aus einem diskreten Gitter von Wahrscheinlichkeiten, gruppiert in Batches.
Metriken: Aggregierte Entscheidungswahrscheinlichkeiten (Anteil derjenigen, die Option B wählen) wurden über die Bedingungen hinweg aufgezeichnet.

Modellierungsansatz

Um die Verhaltensmuster zu erklären, setzten die Autoren eine mehrstufige Modellierungsstrategie ein:

Benchmark-Modelle: Sie testeten Standardheuristiken (Wahrscheinlichkeitsgewinn, Wahrscheinlichkeit nach der Investition, Tail-Probability-Modelle) sowie theoretisch fundierte Modelle (State-Space Utility, Expected Utility, Prospect Theory, Cumulative Prospect Theory), die auf die induzierten Lotterien angewendet wurden.
Symbolische Regression (SR): Da handgefertigte Theorien unzureichend waren, entwickelten die Autoren ein hybrides, ontologie-gestütztes SR-Framework.
- Architektur: Eine inselbasierte evolutionäre Suche (NSGA-II) läuft parallel über die Bedingungen hinweg.
- LLM-Integration: Ein LLM führt eine lokale Verfeinerung der Pareto-optimalen Kandidaten durch und synthetisiert neue Ausdrücke basierend auf einer gemeinsamen Ontologie.
- Ontologie: Die entdeckten Ausdrücke werden in eine gemeinsame Ontologie geparst, um wiederkehrende funktionale Formen und Verhaltenskonzepte zu identifizieren und so die Exploration in untererforschten Regionen zu leiten.
- Input-Struktur: Im Gegensatz zur Standard-SR sind die Inputs typisiert (Skalar/Vektor), um die Struktur von Wahrscheinlichkeiten und Ergebnissen zu bewahren.
Residuenanalyse: Um den Effekt der PMF-Darstellung zu isolieren, passten die Autoren ein Residuenmodell an die Behandlungsdaten an, indem sie die Vorhersagen des besten Kontrollmodells als Baseline verwendeten und eine Prospect-Theory-Komponente hinzufügten, um die Varianz zu erklären.

Zentrale Ergebnisse

Verhaltensbefunde

Dominanz kombinatorischer Merkmale: In Abwesenheit von PMFs (Kontrolle) bevorzugten Teilnehmer systematisch Optionen mit höheren Wahrscheinlichkeitsintervallen. Wenn die Intervalle gleich waren, bevorzugten sie die Option mit der höheren initialen (und damit nach der Investition höheren) Erfolgswahrscheinlichkeit, was konsistent mit einer Präferenz für geringere Varianz ist.
Einfluss der PMF-Darstellung: Das Offenlegen der induzierten PMF (Behandlung) veränderte die Entscheidungsmuster signifikant:
- Teilnehmer reagierten weniger sensibel auf die zentralen kombinatorischen Risikomerkmale (Intervalle und initiale Wahrscheinlichkeiten).
- Die Entscheidungs-Varianz über die Probleme hinweg nahm ab.
- Entscheidend: Die Bereitstellung der PMF verbesserte die Entscheidungsqualität nicht; die Behandlungsgruppe erzielte nicht signifikant höhere erwartete Erträge als die Kontrollgruppe.
Größenordnungssensitivität: In der Kontrollbedingung erhöhten höhere Auszahlungsbeträge die Sensitivität gegenüber Differenzen in der Varianz. In der Behandlungsbedingung verschwand diese Abhängigkeit, was auf einen Wechsel der Entscheidungsstrategie hindeutet.

Modellierungsentdeckungen

Kontrollbedingung: Die besten durch SR entdeckten Modelle stützten sich primsär auf die Erfolgswahrscheinlichkeiten nach der Investition ( $P^{aft}_A - P^{aft}_B$ $P_{A}^{a f t} - P_{B}^{a f t}$ ) und die Wahrscheinlichkeitsintervalle ( $\Delta P_A - \Delta P_B$ $Δ P_{A} - Δ P_{B}$ ).
- Diese Modelle erforderten keine exakte Evaluierung der vollständigen induzierten PMF.
- Sie übertrafen Standard-Heuristiken und State-Space-Utility-Benchmarks.
- Der exakte erwartete Ertrag trat erst in den komplexesten Modellen auf und hatte nur schwachen Einfluss, was darauf hindeutet, dass Menschen in diesem Setting nicht explizit den Erwartungswert berechnen.
Behandlungsbedingung: Die besten Modelle kombinierten kombinatorische Merkmale mit nichtlinearen Transformationen des erwarteten Ertrags, der aus der induzierten Lotterie abgeleitet wurde (z. B. Log- oder Potenztransformationen der Differenz des erwarteten Wertes).
Residuenanalyse: Der Übergang vom Verhalten in der Kontrolle zum Verhalten in der Behandlung konnte effektiv durch das Schichten einer Prospect-Theory-Evaluierung der angezeigten PMF über die Vorhersagen des Kontrollmodells eingefangen werden. Dies bestätigt, dass die PMF als zusätzliche Bewertungsebene fungiert und nicht die zugrunde liegende Heuristik ersetzt.

Beiträge und Bedeutung

Wissenschaftliche Beiträge

Definition des kombinatorischen Risikos: Die Arbeit formalisiert eine distinkte Klasse von Entscheidungsproblemen, bei denen das Risiko durch die Kombination von Komponenten induziert wird, was sie von der Standard-Lotteriewahl unterscheidet.
Verhaltensrelevante Erkenntnis: Sie zeigt auf, dass Menschen kombinatorisches Risiko durch das Schlussfolgern über saliente probabilistische Merkmale (Intervalle, Erfolgswahrscheinlichkeiten nach der Investition) navigieren, anstatt explizit induzierte Lotterien zu konstruieren.
Methodischer Rahmen: Die Autoren präsentieren ein ontologie-gestütztes hybrides Symbolisches Regressions-Framework, das evolutionäre Suche mit LLM-basierter Generierung und semantischer Organisation kombiniert. Dieser Ansatz konnte kompakte, interpretierbare Modelle entdecken, die handgefertigte Theorien und Standard-Benchmarks übertreffen.
Informationswert: Die Studie liefert Belege dafür, dass die Bereitstellung vollständiger Verteilungsinformationen (PMFs) zwar die Entscheidungsheuristiken verändert, aber nicht zwangsläufig zu optimaleren Ergebnissen führt, was auf eine potenzielle kognitive Kostenbelastung oder einen Fokuswechsel hindeutet, der sich nicht in besserer Performance niederschlägt.

Behauptungen zur Signifikanz

Die Arbeit behauptet, dass ihre Ergebnisse die Annahme infrage stellen, dass Entscheider komplexe Risiken als explizite Lotterien repräsentieren. Stattdessen deutet sie auf einen zweistufigen kognitiven Prozess hin:

Primäre Ebene: Schlussfolgern über zentrale kombinatorische Merkmale (Intervalle und Erfolgswahrscheinlichkeiten).
Sekundäre Ebene: Nutzung von Verteilungsinformationen (PMFs) als zusätzliche Bewertungsebene, die nur dann aktiviert wird, wenn sie explizit verfügbar sind, was die Aufmerksamkeit von den Kernmerkmalen weglenkt, aber die Entscheidungsqualität nicht verbessert.

Die Autoren positionieren diese Arbeit als ein produktives Feld an der Schnittstelle zwischen Verhaltensforschung und interpretierbarem maschinellem Lernen und zeigen auf, dass symbolische Regression in der Lage ist, psychologisch bedeutsame Regelmäßigkeiten zu extrahieren, die Standardtheorien übersehen – insbesondere in Settings, in denen die rechnerische Komplexität eine exakte Evaluierung verhindert.