Das klassische Erwartungsnutzenmodell hat eine strukturelle Schwäche, die lange übersehen wurde: Es zwingt Risikoaversion und intertemporale Substitutionselastizität in ein einziges Maß. Das bedeutet, wer hoch risikoavers ist, muss im Modell zwingend auch eine niedrige Bereitschaft zeigen, Konsum über die Zeit zu verschieben — und umgekehrt. In der Realität beobachten wir Menschen, die beides unabhängig voneinander zeigen: hohe Risikoaversion, aber durchaus Bereitschaft, heutigen Konsum gegen zukünftigen einzutauschen. Das Modell kann diese Beobachtung strukturell nicht abbilden. Wenn man dann versucht, empirisch beobachtbare Risikoprämien zu erklären, scheitert das Standardmodell regelmäßig — entweder liefert es zu niedrige Prämien, oder es benötigt unrealistische Parameterwerte. Das ist kein Schönheitsfehler. Es ist ein Hinweis darauf, dass das Modell die falsche Frage beantwortet. Rekursive Nutzenfunktionen nach Epstein und Zin lösen dieses Problem, indem sie beide Parameter voneinander entkoppeln. Erst dann wird es möglich, Preisbildung und Risikoprämien konsistent zu modellieren, ohne die Parameterwahl zu verbiegen.

Rekursive Nutzenfunktionen trennen zwei Dinge, die das Standardmodell untrennbar verknüpft: erstens, wie stark ein Akteur Risiko in einem gegebenen Moment scheut — das ist die Risikoaversion; zweitens, wie bereit er ist, Konsum heute gegen Konsum morgen einzutauschen — das ist die intertemporale Substitutionselastizität. Diese Trennung klingt technisch, hat aber weitreichende Konsequenzen. In einem rekursiven Modell kann man hohe Risikoaversion mit einer hohen Substitutionselastizität kombinieren. Genau diese Kombination ist notwendig, um beobachtete Risikoprämien zu erklären, ohne dabei zu extremen Parameterwerten greifen zu müssen. Für die Preistheorie bedeutet das: Der stochastische Diskontierungsfaktor nimmt eine andere Gestalt an. Er reagiert nicht nur auf heutige Konsumüberraschungen, sondern auch auf Neuigkeiten über zukünftige Wachstumsaussichten. Damit wird das Modell empfindlich für langfristige Risiken — genau jene Risiken, die im Standardmodell strukturell unsichtbar bleiben. Preise reflektieren dann nicht nur kurzfristige Schwankungen, sondern auch die Unsicherheit über langfristige Konsumpfade. Das verändert die Gleichgewichtspreisstruktur fundamental.

Im Standardmodell ist der Zusammenhang zwischen Konsum und Preisen relativ direkt: Überraschungen im heutigen Konsumwachstum treiben den Diskontierungsfaktor. Langfristige Risiken spielen keine eigenständige Rolle. Das ändert sich grundlegend, wenn man rekursive Präferenzen mit einem Konsumdatenprozess kombiniert, der persistente Schwankungen in der erwarteten Wachstumsrate enthält — das ist der Kern des Long-Run-Risk-Ansatzes. Plötzlich hat der Markt zwei Risikoquellen zu bewerten: die kurzfristige Schwankung des Konsums und die langfristige Unsicherheit über den Wachstumspfad. Weil Akteure mit rekursiven Präferenzen und hoher Risikoaversion schlechte Nachrichten über die Zukunft besonders stark gewichten, wird die zweite Risikoquelle preislich relevant. Das Modell erzeugt dann Risikoprämien, die sich aus der Sensitivität gegenüber langfristigen Wachstumserwartungen speisen. Hinzu kommt Volatilitätsrisiko: Wenn die Streuung des Konsumwachstums selbst zeitvariabel ist, entsteht eine weitere Risikoprämie. Das Modell wird reicher — aber auch anspruchsvoller in der Kalibration. Jeder dieser Mechanismen lässt sich analytisch isolieren und separat bewerten.

Empirische Tests von Long-Run-Risk-Modellen sind methodisch anspruchsvoll, weil die zentralen Größen — langfristige Wachstumserwartungen und zeitvariante Volatilität — nicht direkt beobachtbar sind. Sie müssen aus Zeitreihen herausgearbeitet werden, was die Ergebnisse von der gewählten Methodik abhängig macht. Das ist kein Geheimnis, aber es wird nicht immer laut gesagt. Ein weiteres Problem: Die Persistenz des Erwartungswachstums, die das Modell braucht, um hohe Risikoprämien zu erzeugen, ist empirisch schwer nachweisbar. Kurze Zeitreihen liefern wenig statistische Kraft, um langsam bewegende Komponenten zu identifizieren. Kritiker weisen darauf hin, dass Modellvorhersagen empfindlich auf kleine Parameteränderungen reagieren — was legitim ist und ernst genommen werden sollte. Die Forschung begegnet diesen Grenzen auf verschiedenen Wegen: durch Bayesianische Schätzverfahren, durch Kalibration an mehreren Momenten gleichzeitig und durch Robustheitstests über verschiedene Parametrisierungen hinweg. Kein Ansatz löst das Problem vollständig. Aber das Modell bleibt wertvoll, weil es die richtigen Fragen stellt — auch wenn die Antworten unscharf bleiben.

Volatilitätsrisiko ist die zweite Risikoprämie, die rekursive Modelle gegenüber dem Standardansatz neu einführen — und sie wird in der Diskussion häufig unterschätzt, weil sie weniger intuitiv ist als das Wachstumsrisiko. Im Kern geht es darum, dass Akteure nicht nur unsicher über das zukünftige Konsumniveau sind, sondern auch über die Streuung dieser Unsicherheit selbst. Wenn die Volatilität des Konsumwachstums zeitvariabel ist — also in manchen Perioden höher, in anderen niedriger — dann ist diese Schwankung der Schwankung selbst ein eigenständiges Risiko. In einem Modell mit rekursiven Präferenzen und hoher Risikoaversion ist dieser Effekt preislich bedeutsam. Akteure zahlen eine Prämie dafür, dieses Risiko zu tragen. Das hat Konsequenzen für die Bewertung langfristiger Zahlungsansprüche: Deren Preise reagieren nicht nur auf Wachstumsnachrichten, sondern auch auf Veränderungen im Risikoumfeld selbst. Empirisch ist Volatilitätsrisiko schwer zu isolieren, weil es mit Wachstumsrisiko korreliert. Analytisch lässt es sich aber sauber trennen — und das ist ein wesentlicher Vorteil des rekursiven Rahmens gegenüber einfacheren Modellansätzen.