Stochastische Diskontierungsfaktoren in rekursiven Modellen: Struktur, Sensitivität und ihre Grenzen
Der stochastische Diskontierungsfaktor verbindet Präferenzstruktur und Preisbildung. In rekursiven Modellen reagiert er auf kurzfristige Konsumüberraschungen und auf Neuigkeiten über langfristige Wachstumspfade gleichzeitig. Dieser Beitrag arbeitet heraus, was diese duale Sensitivität strukturell bedeutet, welche Parameterwahl sie bedingt und wo analytische Näherungslösungen an ihre Belastbarkeitsgrenze stoßen.
1.Was der Diskontierungsfaktor wirklich ist
Ein stochastischer Diskontierungsfaktor ist nicht einfach ein Abzinsungssatz mit Vorzeichen. Er ist der Ausdruck einer vollständigen Präferenzstruktur unter Unsicherheit — ein Objekt, das Preise mit Zahlungsströmen verbindet, indem es die Grenzrate der Substitution zwischen heutigem und zukünftigem Konsum modelliert. Im Standardmodell mit erwartetem Nutzen ist diese Grenzrate eine einfache Funktion des Konsumwachstums: Der Faktor fällt, wenn die Wirtschaft gut läuft, und steigt, wenn sie schlecht läuft. Das ist intuitiv, aber strukturell arm. In rekursiven Modellen ist die Situation komplexer. Der Diskontierungsfaktor hängt nicht nur vom realisierten Konsumwachstum ab, sondern auch von Neuigkeiten über zukünftige Wachstumsaussichten. Weil Risikoaversion und intertemporale Substitutionselastizität getrennt modelliert werden, reagiert er auf beide Risikoquellen mit unterschiedlichem Gewicht. Diese Struktur ist der Grund, warum rekursive Modelle höhere Prämien erzeugen — nicht durch stärkere Parameterwerte, sondern durch einen reichhaltigeren Mechanismus.
Der Diskontierungsfaktor ist keine technische Abkürzung, sondern der direkte Ausdruck der Präferenzstruktur.
2.Duale Sensitivität und ihre Preisimplikationen
Die zentrale strukturelle Eigenschaft des stochastischen Diskontierungsfaktors in rekursiven Modellen ist seine Reaktion auf zwei Risikoquellen gleichzeitig. Erstens reagiert er auf kurzfristige Überraschungen im realisierten Konsumwachstum — das ist auch im Standardmodell der Fall. Zweitens, und das ist der entscheidende Unterschied, reagiert er auf Neuigkeiten über die zukünftige erwartete Wachstumsrate. Diese zweite Komponente ist im Standardmodell strukturell abwesend. Wenn ein Akteur rekursive Präferenzen hat und hohe Risikoaversion zeigt, gewichtet er schlechte Nachrichten über zukünftige Wachstumspfade besonders stark. Der Diskontierungsfaktor wird in Phasen schlechter Langfristnachrichten hoch — das bedeutet, dass Ansprüche, die in solchen Phasen schlechte Renditen liefern, eine hohe Prämie tragen. Umgekehrt gilt: Ansprüche, die als Absicherung gegen schlechte Langfristnachrichten wirken, werden höher bewertet. Diese Logik erklärt, warum Long-Run-Risk-Modelle eine laufzeitabhängige Preisstruktur erzeugen, die sich qualitativ vom Standardmodell unterscheidet — nicht als Nebenprodukt, sondern als direkte Konsequenz der dualen Sensitivität des Diskontierungsfaktors.
Zwei Risikoquellen, eine Preisstruktur — die duale Reaktion des Faktors ist keine Ergänzung, sondern das Modell.
3.Analytische Näherungslösungen und ihre Tücken
Rekursive Modelle lassen sich in den meisten Fällen nicht geschlossen lösen. Die Gleichgewichtsbedingungen sind nichtlinear, und exakte analytische Lösungen existieren nur unter restriktiven Annahmen. In der Praxis behilft man sich mit log-linearen Näherungslösungen, die das Modell um einen stationären Gleichgewichtspunkt linearisieren. Diese Methode ist weit verbreitet und liefert in vielen Fällen brauchbare Ergebnisse — aber sie hat Grenzen, die nicht immer klar kommuniziert werden. Erstens sind log-lineare Näherungen nur dann valide, wenn die Abweichungen vom Gleichgewichtspfad klein bleiben. Bei starken Schocks oder hoher Volatilität wird die Approximation ungenau. Zweitens können Näherungslösungen bestimmte nichtlineare Effekte strukturell nicht abbilden — etwa die Preisimplikationen von Volatilitätsrisiko, die erst in höherer Ordnung der Approximation sichtbar werden. Wer ausschließlich mit log-linearen Lösungen arbeitet, unterschätzt systematisch die Rolle der zeitvarianten Volatilität für die Preisbildung. Numerische Methoden bieten hier mehr Präzision, sind aber rechenintensiver und erfordern explizite Diskretisierungsentscheidungen, die ihrerseits Annahmen einführen.
Log-lineare Näherungen sind nützlich, aber sie blenden Volatilitätseffekte höherer Ordnung strukturell aus.
4.Parameterwahl: Wo Entscheidungen Konsequenzen haben
Die Stärke des stochastischen Diskontierungsfaktors in rekursiven Modellen hängt entscheidend von drei Parametern ab: dem Koeffizienten der relativen Risikoaversion, der intertemporalen Substitutionselastizität und dem subjektiven Diskontierungsfaktor. Diese drei Größen sind nicht frei wählbar — sie müssen empirisch plausibel sein und gleichzeitig die beobachteten Momente der Renditeverteilung reproduzieren. In der Literatur wird häufig eine Kombination aus hoher Risikoaversion und einer Substitutionselastizität größer als eins verwendet. Diese Kombination ist notwendig, damit das Modell eine positive Reaktion des Diskontierungsfaktors auf schlechte Langfristnachrichten erzeugt. Ist die Elastizität kleiner als eins, kehrt sich die Reaktion um — das Modell liefert dann strukturell andere Preisimplikationen. Die Wahl dieser Parameter ist also keine technische Nebensache, sondern eine Entscheidung mit direkten Konsequenzen für die Qualität der Modellantwort. Sensititivätsanalysen über plausible Parameterbereiche hinweg sind deshalb nicht optional — sie sind methodisch notwendig, um zu verstehen, welche Modellaussagen robust sind und welche vom gewählten Parameterpunkt abhängen.
Risikoaversion, Substitutionselastizität und Zeitpräferenz — jede Wahl formt die Preisstruktur des Modells mit.
5.Empirische Identifikation: Was das Modell verlangt
Der stochastische Diskontierungsfaktor ist eine theoretische Konstruktion — er ist nicht direkt beobachtbar. Um ihn empirisch zu testen, muss man Proxy-Variablen verwenden: Konsumwachstum aus Volkswirtschaftlichen Gesamtrechnungen, Renditen aus Finanzmärkten, Volatilitätsmaße aus Zeitreihenmodellen. Jede dieser Proxy-Variablen bringt Messungenauigkeiten mit, die sich auf die Testbarkeit der Modellaussagen auswirken. Ein besonderes Problem liegt in der Identifikation der langfristigen Wachstumskomponente. Diese Komponente ist per Definition langsam bewegend und schwach im Signal — sie lässt sich aus kurzen Zeitreihen nur mit erheblicher statistischer Unsicherheit schätzen. Das bedeutet: Selbst wenn das Modell korrekt spezifiziert ist, wird ein empirischer Test auf Basis begrenzter Daten keine scharfe Bestätigung liefern können. Das ist kein Versagen des Ansatzes — es ist eine ehrliche Einschätzung der Datenlage. Neuere Arbeiten adressieren dieses Problem durch Bayesianische Methoden, die Parameterunsicherheit explizit in die Schätzung einbeziehen, sowie durch indirekte Inference-Verfahren, die nicht auf spezifische Momente kalibrieren, sondern auf die gesamte Verteilung der Daten. Diese Ansätze verbessern die Identifikation, lösen das Grundproblem aber nicht vollständig — und das sollte klar gesagt werden.
Empirische Tests des Diskontierungsfaktors stoßen an die Grenzen dessen, was kurze Konsumzeitreihen leisten können.