Börsenspiel Warenterminmarkt - Teilnehmer, Strategien und Bieterverhalten

Transkript

1 Bachelorarbeit Im Studiengang Agrarwissenschaften Börsenspiel Warenterminmarkt - Teilnehmer, Strategien und Bieterverhalten Vorgelegt von Phillip Krainbring Erstgutachter: Prof. Jens- Peter Loy Zweitgutachter: Carsten Steinhagen, M.Sc. Institut für Agrarökonomie Agrar- und Ernährungswissenschaftliche Fakultät Der Christian-Albrechts-Universität zu Kiel

2 Inhaltsverzeichnis Inhaltsverzeichnis... i Abbildungsverzeichnis... ii Tabellenverzeichnis... iii 1. Einleitung Warenterminmärkte Definition Warenterminmarkt Teilnehmer an Warenterminmärkten Das Börsenspiel Beschreibung des Börsenspiels Teilnehmer des Börsenspiels Analyse Datengrundlage Clusteranalyse Ergebnisse der Clusteranalyse Diskussion der Ergebnisse Zusammenfassung Literarturverzeichnis i

3 Abbildungsverzeichnis Abbildung 1 durchschnittliche Volatilität und Gesamtwert Abbildung 2 Gegenüberstellung der Variablen ii

4 Tabellenverzeichnis Tabelle 1 Beispiel eines Hedgegeschäftes... 4 Tabelle 2 Spielstrategien... 8 Tabelle 3 Teilnehmer des Börsenspiels ;erster Abschnitt... 9 Tabelle 4 Teilnehmer des Börsenspiels; zweiter Abschnitt Tabelle 5 Teilnehmer Börsenspiel, dritter Abschnitt Tabelle 6 Teilnehmer Börsenspiel, Motivation Tabelle 7 Teilnehmer Börsenspiel, Motivation Tabelle 8 erstellte Spielerprofile, Ausschnitt Tabelle 9 Rohdatenmatrix Tabelle 10 Distanz oder Ähnlichkeitsmatrix Tabelle 11 Anzahl der Cluster Tabelle 12 Eigenschaften der Cluster Tabelle 13 Zusammensetzung der Cluster Tabelle 14 Die drei erfolgreichsten Spieler iii

5 1. Einleitung Die Preisschwankungen für agrarische Rohstoffe haben in den letzten Jahren deutlich zugenommen. Daher wird es für die Produzenten dieser Rohstoffe und Unternehmen, die diese Rohstoffe für die Produktion benötigen, immer wichtiger Preise abzusichern und damit das unternehmerische Risiko zu verringern. Aus diesem Grund hat das Institut für Agrarökonomie der CAU zu Kiel ein Börsenspiel zu den Warenterminmärkten ins Leben gerufen. Da diesen Märkten eine immer größere Bedeutung zukommt, soll den Teilnehmern der Umgang mit diesen Märkten spielerisch näher gebracht werden. Um zusätzlich zum Lerneffekt einen Anreiz zu schaffen an dem Spiel teilzunehmen, gibt es für die besten Mitspieler etwas zu gewinnen. An den Warenterminmärkten treten drei große Gruppen von Akteuren auf: Spekulanten, Hedger und Arbitrageure. In dieser Arbeit wird untersucht, ob sich die Teilnehmer bei diesem Spiel in ähnliche Gruppen aufgliedern. Außerdem soll untersucht werden, welche Teilnehmergruppe bei dem Spiel erfolgreich abschneidet, bzw. welche Möglichkeiten oder Strategien es bei diesem Spiel gibt, um erfolgreich abzuschneiden. Dafür sollen Spielergruppen identifiziert werden, damit zu erkennen ist, ob deren Strategie Einfluss auf den Erfolg hat. Dabei wird im ersten Kapitel der Warenterminmarkt beschrieben und erklärt, welche Teilnehmer mit welchen Strategien dort auftreten. Im darauffolgenden Kapitel wird auf das Börsenspiel eingegangen und es wird dargestellt, welche Teilnehmer hier vertreten sind. Im dritten Kapitel werden die Daten aufgezeigt, mit denen die Analyse durchgeführt wurde und es wird erklärt, warum gerade diese Daten herangezogen worden sind. Um die Spielergruppen zu identifizieren wird eine Clusteranalyse verwendet, deren Anwendung im vierten Kapitel vorgestellt wird und deren Ergebnisse dort präsentiert werden. Weiterhin wird der Einfluss einzelner Variablen untersucht. Im fünften Kapitel werden diese Ergebnisse dann diskutiert. 1

6 2. Warenterminmärkte 2.1. Definition Warenterminmarkt An Warenterminmärkten bzw. Futures-Märkten werden Waren oder Finanzprodukte gekauft oder verkauft, die zu einem späteren Zeitpunkt geliefert oder gekauft werden müssen (KLEINMANN, 2006). Diese Märkte sind durch einen organisierten Börsenhandel und ein hoch standardisiertes Handelsobjekt, den Terminkontrakt, gekennzeichnet (PETER, 2004). Dieser Terminkontrakt, der auch Future genannt wird, ist eine rechtsverbindliche Vereinbarung, eine festgelegte Menge einer Ware mit definierter Qualität zu einem bestimmten Zeitpunkt zu einem bestimmten Preis zu kaufen oder zu verkaufen. (DUNCAN, 1992). Er regelt aber nicht den direkten Kauf oder Verkauf eines Gutes, sondern beschreibt eine Verpflichtung, die zu einem zukünftigen Termin erfüllt werden muss (PETER, 2004). Die Teilnehmer können diese Verpflichtung entweder physisch erfüllen oder ihren Futures glattstellen. Wenn sie ihrer Verpflichtung nachkommen, heißt das, dass sie das vereinbarte Gut kaufen bzw. verkaufen. Beim Glattstellen wird eine Verkaufsverpflichtung zu einem bestimmten Termin durch eine Kaufverpflichtung zum gleichen Termin aufgehoben. Die Preisdifferenzen zwischen den beiden Terminen werden den Teilnehmern gutgeschrieben oder abgezogen (PETER, 2004). Die Methode des Glattstellens ist die, die am häufigsten zur Anwendung kommt. Nicht einmal zwei Prozent aller Futures-Kontrakte werden auch tatsächlich beliefert (KLEINMANN, 2006). Bei einem Terminmarkt spricht man dann von einem Warenterminmarkt, wenn das bzw. die Güter energetische oder agrarische Rohstoffe oder Edelmetalle sind (PETER, 2004). Da vor allem landwirtschaftlich produzierte Güter eine große Varianz in der Qualität aufweisen, werden die Kontrakte standardisiert. Diese Standardisierung stellt die Fungibilität von Waren sicher, welcher eine wichtige Voraussetzung für den Börsenhandel ist. 2

7 2.2. Teilnehmer an Warenterminmärkten Da diese Arbeit untersucht, welche Spielertypen es bei dem Börsenspiel gibt und welche Strategien sie verwenden, soll zunächst geklärt werden, welche Teilnehmer an einer Warenterminbörse auftreten und welche Ziele diese verfolgen. Man findet hier drei große Gruppen: Hedger, Spekulanten und Arbitrageure. Das Wort hedge kommt aus dem englischen und bedeutet absichern. Das Heding wird definiert als eine Praxis des Kaufens oder Verkaufens von Kontrakten, um ein Gegengewicht zu existierenden Positionen im Markt zu bilden und auf diese Weise das Risiko unvorhersehbarer Preisschwankungen zu vermeiden (HOFFMANN, 1932 S.382 ZI- TIERT IN GOSS UND YAMEY, 1976). Da bei der Absicherung immer am Warenterminmarkt und am Kassamarkt gehandelt werden muss, kann das Heding nur von Produzenten, Verarbeitern und Händlern vorgenommen werden, also Unternehmen, die physische Ware besitzen oder in Zukunft besitzen werden (STREIT, 1983, ZITIERT IN PETER, 1995). Ein Händler, der zum Beispiel Weizen lagert, verkauft Weizenkontrakte am Terminmarkt, geht also in die Short-Position (Short Hedge). Wird der Weizen nun auf dem Kassamarkt verkauft, wird der Terminkontrakt zurückgekauft und so der Preis erzielt, den er mit dem Termingeschäft abgesichert hat. In gleicher Weise funktioniert dies auch für einen Long Hedge. Das Ziel bei einem Short Hedge ist es eine Ware gegen einen unerwarteten Preisverfall und beim Long Hedge gegen einen unerwarteten Preisanstieg abzusichern. Die Hedger haben hier nur ein kleines Restrisiko, dass sich auf die sogenannte Basis bezieht. Die Basis ist die Differenz zwischen dem Futuresmarktpreis und dem Kassamarktpreis. In Tabelle 1 ist ein Beispiel eines Hedgegeschäftes gezeigt. 3

8 Tabelle 1 Beispiel eines Hedgegeschäftes (eigene Darstellung) Mai Kassamarkt Futuresmarkt Verkauft eine Weizenkontrakt (140 /Tonne) Okt Verkauft 50 T Weizen 125 /Tonne Kauft einen Weizenkontrakt --> Glattstellen 125 /Tonne) Weizen Kassemarkt 125 /Tonne Gewinn Future 15 /Tonne = 140 /Tonne Bei den Arbitrageuren lassen sich zwei Möglichkeiten des Handelns unterscheiden. Es gibt das räumliche und das zeitliche Arbitrage. Bei der räumlichen Arbitrage werden unterschiedliche Teilmärkte betrachtet. Sind die Preisunterschiede auf den Teilmärkten größer als die interlokalen Transaktionskosten, kauft der Arbitrageur Ware auf dem einen und verkauft sie auf dem anderen Markt, und zwar solange bis die Preisunterschiede gleich den interlokalen Transaktionskosten sind. Bei der zeitlichen Arbitrage betrachtet man Terminkontrakte mit unterschiedlicher Fälligkeit und dem Kassamarkt. Es wird zum Beispiel ein als überbewerteter Terminkontrakt verkauft und der als unterbewerteter Basiswert im Kassamarkt verkauft. Bei Fälligkeit erfolgt die Lieferung (BÖHL, 2011). Das Arbitragegeschäft ist also auch nur möglich, wenn physische Ware tatsächlich bewegt oder gelagert werden kann. Diese Strategie wird hauptsächlich von Händlern vorgenommen, um Arbitagegewinne zu erzielen. Dies ist ein risikoloses Geschäft, da die Kosten eines Transportes oder einer Lagerung genau kalkuliert werden können. Das Arbitragegeschäft wird also nur solange durchgeführt, bis die Kosten kleiner sind als der Preisunterschied. Die letzte große Gruppe sind die Spekulanten. Spekulation ist immer der Versuch, durch das Abwägen von Risiken und Chancen einen Gewinn zu erzielen (HIRT, 1976, ZITIERT IN PETER 1995). Im Gegensatz zu den Hedgern, die immer in zwei Märkten aktiv sind, handeln die Spekulanten nur am Futuresmarkt (KOBOLD, 1986). Die Organisation 4

9 an Warenterminmärkten, also die Standardisierung und die geringen Transaktions- und Kapitalkosten, macht es auch für Personen möglich, die keine physischen Waren produzieren, handeln oder verarbeiten, spekulativ am Handel teilzunehmen (GOSS UND YAMEY 1976). Sie haben die Möglichkeit, sowohl die Long- als auch die Short Position einzunehmen. Erwartet ein Spekulant, dass die Preise fallen werden, wird er Kontrakte verkaufen und zu einem späteren Zeitpunkt zu günstigeren Preise zurückkaufen. Derjenige, der erwartet, dass Preise steigen werden, wird Kontrakte kaufen und zu einem späteren Zeitpunkt zu höheren Preisen wieder verkaufen (SCHMIDT 1978, S.39). Spekulanten lassen sich hinsichtlich des Offenhaltens ihrer Position unterscheiden. Es gibt Scalpers, Day Traders und Position Traders (WÖRNER 1988, S.122). Die sogenannten Scalpers stellen ihre Kontraktpositionen innerhalb weniger Minuten wieder glatt. Durch das ununterbrochene Kaufen und Verkaufen von Kontrakten versuchen sie die kleinen Kursänderungen in Gewinne umzusetzen, wobei sie pro Kontrakt nur kleine Gewinne, aber natürlich auch nur kleine Verluste pro Kontrakt erzielen und ein sehr großes Handelsvolumen haben (CHICA- GO BOARD OF TRADE, 1981). Die Day Trader halten die Kontraktposition nur während einer Handelsperiode und nehmen diese selten mit in den nächsten Tag. Durch das längere Halten der Kontrakte als die Scalpes konzentrieren sie sich auf die Preisänderungen an einem gesamten Tag und hoffen damit Gewinne erzielen zu können. Die Position Traders halten ihre Kontrakte über einen längeren Zeitraum von mehreren Tagen, Wochen oder Monaten. Diese legen ihr Augenmerk nicht auf kurzfristige, sondern auf langfristige Preisveränderungen, die ein Resultat aus der Veränderung von Angebot und Nachfrage sind. Dies ist auch die häufigste Erscheinungsform an Warenterminmärkten (CHICAGO BOARD OF TRADE, 1981). Spekulanten übernehmen Preisrisiken, welche die Hedger versuchen zu vermeiden. Der Spekulant nimmt das Risiko bewusst auf sich um Profite zu erwirtschaften. Damit die Gewinne auch möglichst hoch ausfallen, handeln die Spekulanten nach Möglichkeit mit hoch volatilen Kontrakten. 5

10 3. Das Börsenspiel 3.1. Beschreibung des Börsenspiels Im Sommer 1996 bildeten Studenten am Institut für Agrarökonomie an der Christian-Albrechts-Universität zu Kiel eine Arbeitsgruppe, aus der der Börsenverein Warenterminmarkt e.v. entstanden ist. Diese Gruppe wurde durch den Abbau der EU- Agrarpreisstützungen motiviert, da dieser für eine steigende Preisvarianz bei Agrarprodukten sorgt. Deshalb bekommt das Instrument der Preisabsicherung mit Hilfe von Warenterminbörsen eine immer größere Bedeutung. Um das Interesse zu wecken und den Zugang zu Warenterminbörsen zu erleichtern, findet seit 1997 jährlich im Wintersemester ein Börsenspiel statt. Dieses läuft über 12 Wochen und hat das Hauptziel den Teilnehmern den Handel mit Futures nahe zu bringen. Hierbei werden die Abläufe auf den Märkten gezeigt, damit so die theoretischen Grundlagen aus den Vorlesungen praktisch umgesetzt werden können. Die Teilnahme ist nicht nur für Studenten möglich, sondern auch für alle anderen, die Interesse an diesem Thema haben. Es besteht sowohl die Möglichkeit als Einzelperson mitzuspielen aber auch als eine Spielgruppe aufzutreten. Es stehen Kontrakte von 17 Produkten an den Börsen CBT (in Chicago), CME (in Chicago), NYM (in New York), MAT (in Paris), LIF( in Großbritannien), ERX, ICE (in London) zum Handeln zur Verfügung. Hierbei gibt es einmal den Bereich mit landwirtschaftlichen Rohstoffen wie Weizen, Raps, Rapsmehl, Rapsöl, Sojabohnen, Sojamehl, Sojaöl, Mais, Zucker, Kartoffeln, Schweine, Kakao, Kaffee, Milch, Butter und Ethanol sowie das nicht landwirtschaftliche Produkt Rohöl und auch der Handel mit Währungen ist möglich. Nach der Anmeldung erhält jeder Spieler zum Start ein Depot mit einem fiktiven Startkapital von Euro, mit dem die Spieler nun handeln können. Damit das Spiel so realistisch wie möglich gehalten wird, fallen auch hier Gebühren an. Pro Kontrakt werden Ordergebühren von 35 berechnet. Diese setzten sich aus der Gebühr für Börsennutzung (10 ), Gebühr für die Clearingstelle (10 ) und eine Provision für den Makler (15 ) zusammen. Des Weiteren erfolgt bei jedem Kauf oder Verkauf eines Kontraktes der sogenannte Initial Margin (Ersteinschuss) als Hinterlegung. Dieser entspricht dem an den Bör- 6

11 sen jeweiligen Kontrakten tatsächlich zu zahlenden Betrag. Bei Kursveränderung der Kontrakte werden die Verluste bzw. Gewinne auf dem Spielkonto gebucht, was den Margin calls entspricht. Dieses entspricht genau den Mechanismen an den Warenterminbörsen. Wenn eine Order nicht abgedeckt ist, das heißt, wenn nicht ausreichend Kapital auf dem Konto vorhanden ist, um die Order zu zahlen, wird diese nicht ausgeführt und das Depot wird mit einem Strafbetrag von 5000 belastet. Ist ein Spieler nicht in der Lage die Nachschüsse zu leisten, wird das gesamte Depotkonto von der Clearingstelle glattgestellt und falls dies nicht ausreicht um alle anstehenden Beträge zu zahlen, ist das Spiel für diesen Teilnehmer zu Ende (BVWTM, UNI-KIEL). Die Kurse von den oben genannten Warenterminbörsen sind Realkurse, die alle halbe Stunde aktualisiert werden. Damit die Spieler aber nicht die Möglichkeit haben mit Realtime- Kursen Gewinne zu erzielen, wird jede Order im Spiel mit einer halben Stunde nach Platzierung abgerechnet. Beim tatsächlichen Handel an einer Warenterminbörse muss immer eine Gegenposition vorhanden sein um eine Transaktion durchführen zu können. Da die Spielgruppe aber zu klein ist, um dies gewährleisten zu können, wird darauf nicht geachtet. Da es sich aber, wie eben erwähnt, um reale Kurse handelt, die auf tatsächlichen Transaktionen beruhen, kann davon ausgegangen werden, dass sich fast immer Gegenpositionen finden würden. Es gibt einige Besonderheiten im Spiel, die hier erwähnt werden müssen, da sie für die Strategien der Spieler von Bedeutung sind. Die Strafe von 5000 wird nur dann gezahlt, wenn die Order, die von den Spieler abgegeben wird, zu groß ist und vom Depot nicht gedeckt ist. Die Order wird dann nicht ausgeführt und die Spieler zahlen die Strafe. Kommt eine Überziehung des Kontos aufgrund von Kursveränderungen zustande, wird das Konto glattgestellt, doch es fällt keine Strafe von 5000 an. Eine Überziehung tritt zum Beispiel ein, wenn man Kontrakte verkauft hat, weil man vermutete, dass die Preise sinken. Diese sind dann aber gestiegen und der Spieler muss die Margin Calls zahlen. Ist er nicht in der Lage zu zahlen, wird das Konto glattgestellt. Die Strafe hierbei ist also, dass man die gesamten Verluste auf dem Konto verbucht. Gibt ein Spieler nun eine Order auf, die gerade vom Depot abgedeckt ist, wird er bei einer Kursveränderung, die er nicht erwartet hatte, 7

12 sofort glattgestellt, da er in diesem Fall die Margin Calls nicht leisten kann. Er hat kaum Verluste verbuchen müssen und bekommt das Geld des Kontraktes wieder auf seinem Konto gut geschrieben. So besteht die Möglichkeit hohe Gewinne zu erzielen, ohne dass man das Risiko eingeht, hohe Verluste zu erzielen. Dies wird im folgenden Beispiel einmal erklärt. Tabelle 2 Spielstrategien (eigene Darstellung) Spieler 1 Spieler 2 Spieler 3 Depotstand Kontrakte Menge Tonnen Preis Gebühr Summe Im Depot Strafe Preis fällt auf 154 Margin Call Im Depot Hier werden drei Spieler betrachtet, die jeweils einen Depotstand von Euro haben. Die drei Spieler kaufen Weizen zu 160 /Tonne. Spieler 1 kauft 25 Kontrakte zu je 50 Tonnen aber hat die Gebühren nicht mitberechnet. Deshalb wird sein Depot gleich wieder glattgestellt und er zahlt eine Strafe von 5000 Euro. Spieler 2 kauft 24 Kontrakte, sodass er inklusive Gebühren Euro zahlt und so noch 7160 Euro im Depot verbleiben. Fällt der Kurs nun auf 154 /Tonne müsste der Spieler Margin Calls von 7200 leisten. Da soviel Geld nicht im Depot vorhanden ist, wird dies glattgestellt. Sein Depotstand beträgt Davon wird nun noch der fällige Margin Call abgezogen, sodass er bei einem Depotstand von landet. Da er nun keine Kontrakte mehr besitzt, betreffen ihn die weiteren Kursverläufe nicht mehr. Spieler 3 kauft 10 Kontrakte, sodass in seinem Depot noch Euro verbleiben. Bei dem Kursverfall auf 155 /Tonne muss er Margin Calls von 3000 Euro leisten. Es verbleiben noch Euro im Depot. Fallen die Kurse nun weiter, realisiert Spieler 3 weiterhin Verluste, Spieler 3 hingegen tut dies nicht. Um ein 8

13 Hedginggeschäft oder ein Arbitragegeschäft durchführen zu können, ist es, wie in Kapitel 2 beschrieben, notwendig physische Ware zu besitzen. Da dies im Zuge des Spiels nicht möglich ist, können diese beiden Strategien hier nicht ausgeübt werden. Die einzige Möglichkeit besteht in der Spekulation. Doch auch hierbei sind nicht alle Positionen durchführbar. Da wie oben beschrieben die Kurse nur alle Minuten aktualisiert werden und die Order eine halbe Stunde nach Platzierung abgerechnet wird, ist die Scalpers- Strategie für die Teilnehmer auch nicht machbar. Die beiden möglichen Strategien sind die Day Trader Strategie und die Position Trader Strategie. Dabei können die Spieler entscheiden, ob sie sich auf einen Kontrakt spezialisieren wollen, ob sie mit vielen verschiedenen handeln oder ob sie mit kleinen oder mit großen Mengen spekulieren wollen. Ziel ist es also herauszufinden, welche Spielertypen in diesem Spiel aufgetreten sind bzw. welche Strategien sie verfolgt haben und, ob dies im Zusammenhang mit dem Erfolg steht Teilnehmer des Börsenspiels Tabelle 3 Teilnehmer des Börsenspiels ;erster Abschnitt (eigene Darstellung) Geschlechte Altersstufen Tätigkeit Männlich 146 von bis Selbstständig 41 Weiblich Abhängig Beschäftigt 41 Gruppe In Der Ausbildung Schüler/Student Die Teilnehmer des Börsenspiels wurden bei der Anmeldung gebeten, einen Fragenkatalog auszufüllen. Im ersten Teil wurden Fragen zur Person gestellt. Diese Angaben dienten nun zur Beschreibung der Teilnehmer. Im Wintersemester 2010/11 gab es 47 Spielgruppen, 146 männliche und 21 weibliche Teilnehmer, sodass wir auf insgesamt 214 Spieler kommen. Das Durchschnittsalter beträgt knapp 27, wobei der Großteil der Mitspieler, zirka 77%, sich im Alter von Jahren befindet. 58% der 9

14 Teilnehmer sind Schüler und Studenten, selbstständig Tätige und Angestellte sind mit jeweils 19 % vertreten und 3% befinden sich in einer Ausbildung. Tabelle 4 Teilnehmer des Börsenspiels; zweiter Abschnitt (eigene Darstellung) Bereich Warenbezug WTB Handel LW Produktion 72 Produzent 97 Nein 211 Vor und nachgelagert 17 benötigt Rohstoffe 9 Ja 3 Bereich wirtsch. Hintergrund 4 Händler 5 Beratung Arbeiten im Agrar/Ernähr Schule Interesse Preisentwicklung Uni/FH 85 keinen Bezug 17 Ausbildung 5 Sonstige 9 44% der Akteure kommen aus den Bereichen des Agrarsektors. Aus der Produktion stammen zirka 34%, aus dem vor- und nachgelagerten Bereich zirka 8% und aus der Beratung zirka 2,8%. 45% haben angegeben, dass sie selbst Produzenten von Rohstoffen sind. 4% benötigen diese Rohstoffe für die Produktion und gerade einmal 2% handeln damit. 11 % arbeiten in der Agrar- und Ernährungsindustrie. 26,5 % wollen sich nur einmal über die Preisentwicklung dieser Rohstoffe informieren und noch gut 8% haben überhaupt keinen Bezug zu landwirtschaftlichen Rohstoffen. Bisher haben erst 3 Teilnehmer, die 1,4 % vom Gesamtfeld ausmachen, wirklich an einer Warenterminbörse gehandelt. Außerdem fehlt den Teilnehmer noch die Erfahrung mit den Aktien- oder Finanzderivathandel. Lediglich 10 % haben mit Finanzderivaten und 20 % mit Aktien gehandelt. 82% nehmen zum ersten Mal an diesem Spiel teil, 12% sind ein zweites Mal dabei und 5,6% haben schon häufiger mitgespielt. 10

15 Tabelle 5 Teilnehmer Börsenspiel, dritter Abschnitt (eigene Darstellung) Mit Aktien gehandelt Handel Finanzderivate Teilnahmen Handelsinfo Nein 194 Nein gar nicht 44 Ja 20 Ja wenig mittel viel intensiv 12 Auch im Vorwege haben sich fast 80 % des Teilnehmerfeldes gar nicht oder wenig über den Handel am Warenterminmarkt in Form von Zeitung, Fachartikeln, Kursverläufe oder ähnlichen informiert. Nur zirka 20% haben sich viel oder sogar intensiv mit diesem Thema auseinandergesetzt. Auch die Gründe für die Teilnahme sind bei den Spielern ganz unterschiedlich verteilt. Tabelle 6 Teilnehmer Börsenspiel, Motivation (eigene Darstellung) Interesse Absicherung Gestaltung Terminkontr. trifft nicht zu 16 trifft nicht zu 5 trifft nicht zu 4 trifft kaum zu 27 trifft kaum zu 24 trifft kaum zu 16 Mittel 57 mittel 46 mittel 39 trifft eher zu 53 trifft eher zu 63 trifft eher zu 80 trifft voll und ganz zu 58 trifft voll und ganz zu 76 trifft voll und ganz zu 75 Zirka die Hälfte spielt aus Interesse am Spiel mit. Sie haben keine wirkliche Zielsetzung, sondern möchten einfach ein paar Erfahrungen sammeln. 63 % der Spieler möchten wissen wie man die Terminmärkte zur Preisabsicherung verwenden kann. Rund 70 % möchten lernen, wie ein Terminkontrakt gestaltet ist und wie die Abrechnungen auf den Warenterminmärkten funktionieren. 71 Spieler haben nicht die Motivation das Spiel zu gewinnen, allerdings spielen 93 Teilnehmer genau aus diesem Grund mit. Ein wichtiger Grund für fast 60% ist, dass sie ihre Strategie für den Handel an Warenterminmärkten im Spiel risikolos überprüfen können. 11

16 Tabelle 7 Teilnehmer Börsenspiel, Motivation (eigene Darstellung) Abrechnung Strategie risikolos überpr. Gewinnen trifft nicht zu 5 trifft nicht zu 14 trifft nicht zu 37 trifft kaum zu 18 trifft kaum zu 17 trifft kaum zu 34 Mittel 41 Mittel 58 mittel 50 trifft eher zu 75 trifft eher zu 69 trifft eher zu 36 trifft voll und ganz zu trifft voll und ganz 75 zu trifft voll und ganz 56 zu Analyse 4.1. Datengrundlage Zu Beginn des Börsenspiels wurde jeder Teilnehmer gebeten einen Fragenbogen auszufüllen, welcher die erste Datengrundlage für die Untersuchung bildet. Mit Hilfe dieses Fragenkataloges sollen die Hintergründe des Verhaltens und die Motivation der Teilnehmer analysiert werden. Der Katalog beinhaltet Fragen zur Person, der Spieler und zusätzlich gibt es Fragen zum Kenntnisstand über Warenterminbörsen, Informationsverhalten, Risikoeinstellung und Motivation bzw. Zielsetzung der Teilnahme am Spiel. Des Weiteren wurden Excel-Tabellen zu den Orders, die von den Teilnehmern durchgeführt wurden, den Kursveränderungen und den damit verbunden Buchungen angelegt. Aus diesen Tabellen wurden Daten, wie Anzahl der Kauf- und Verkaufskontrakte, Anzahl der Gesamtkontrakte, Anzahl unterschiedlicher Kontrakte, Anzahl der Glattstellung und Anzahl der Strafen herausgearbeitet. Zusätzlich wurde mithilfe der Kursveränderungen die Volatilität der Kontrakte errechnet. Die Volatilität ist statistisch gesehen eine Standardabweichung. Diese wird nicht auf die Preise selbst, sondern auf die relativen Änderungen, die sogenannten Returns, bezogen. Der Grund dafür ist, dass die Returns dimensionslos sind und somit Schwankungen unterschiedlicher Preisreihen verglichen werden können. 12

17 Außerdem werden die Berechnungen der Volatilitäten nicht durch Trends in der Zeitreihe verzerrt. Die Returns berechnen sich wie folgt: R t =logy t - logy t-1 R t bezeichnet den Return und Y t den Preis zum Zeitpunkt t. Die Berechnung der historischen Volatilität sieht wie folgt aus: THE, 2010). Tabelle 8 erstellte Spielerprofile, Ausschnitt (eigene Darstellung) Rstrich ist der Mittelwert der Log-Returns im Beobachtungszeitraum (GRE- Spieler Gesamtwert RSK einst. Kauf Kontr. Verkaus Kontr. Anzahl untersch Kon durchsch. Volatilität Hfk des Glatsst , , , , In der Tabelle 8 ist ein Ausschnitt der Spielerprofile zu sehen, die mithilfe des Fragebogens und der eben beschriebenen Spielaufzeichnungen erstellt worden ist. Zusätzlich ist darin der Gesamtwert des Depots am Spielende enthalten, der als Erfolgsvariable verwendet wird. Dieser Ausschnitt enthält Angaben zur Risikoeinstellung, Anzahl der Kaufkontrakte und Verkaufskontrakte, Anzahl unterschiedlicher Kontrakte, durchschnittliche Volatilität der Kontrakte und die Häufigkeit des Glattstellens wegen Überziehung des Kontos. Insgesamt ergeben sich aus den Fragebogen und den Spielaufzeichnungen 26 Variablen, die in die Untersuchung mit einbezogen werden können. Mit dem zweiten Teil des Fragenkataloges und mit den Auswertungen der Excel-Tabellen soll eine Clusteranalyse durchgeführt werden um gewisse Spielergruppen identifizieren zu können und um eventuelle Aussagen über Strategien und Erfolg geben zu können. 13

18 4.2. Clusteranalyse Unter dem Begriff Clusteranalyse versteht man unterschiedliche Verfahren, die dazu dienen, eine Menge von Objekten in homogene Gruppen einzuteilen (WIEDENBECK UND ZÜLL, 2001). Die Objekte, die derselben Gruppe zugeordnet werden, sollen eine möglichst hohe Ähnlichkeit aufweisen und die Objekte unterschiedlicher Gruppen sollen deutlich verschieden voneinander sein (BROSIUS, 1995). Die Ähnlichkeit wird dabei aus der Übereinstimmung bzw. Nicht-Übereinstimmung von Merkmalen abgeleitet, nach denen die Objekte beurteilt werden können. Ein grundsätzlicher Vorteil der Clusteranalyse gegenüber anderer multivarianter Analyseverfahren ist, dass sie keinen linearen Zusammenhang zwischen den Ausgangsvariablen der Analyse voraussetzen (PALENTIEN 2004, 175 ZITIERT IN ROHLFS 2010, S. 150). Was als Merkmal herangezogen wird, ist weitgehend beliebig, sodass Clusteranalysen vielseitige Verfahren sind, mit denen potentiell alle Objekte gruppiert werden können (SCHERMELLEH-ENGEL UND WERNER 2007). Da die meisten clusteranalytischen Verfahren an geringe formale Voraussetzungen gebunden sind, können auch Variablen unterschiedlicher Skalenniveaus gemeinsam zur Klassifikation herangezogen werden. Bei der Clusteranalyse gibt es zwei wesentliche Ablaufschritte. Der erste Schritt ist die Auswahl des Ähnlichkeits- bzw. Distanzmaßes, mit dem anhand von den Merkmalen der Objekte ihre Ähnlichkeit bzw. Unähnlichkeit bestimmt werden soll. Der Ausgangspunkt ist hierbei eine Rohdatenmatrix (Tabelle 9) mit K Objekten, die durch J Variablen beschrieben werden. In dieser Matrix stehen metrische und/ oder nicht metrische Variablenwerte. 14

19 Tabelle 9 Rohdatenmatrix (Multivariante Analysemethoden) Objekt 1 Objekt 2... Objekt K Variable 1 Variable 2 Variable J Um die Ähnlichkeiten zu quantifizieren, wird die Rohdatenmatrix in eine Distanz- oder Ähnlichkeitsmatrix (Tabelle 10) überführt. Tabelle 10 Distanz oder Ähnlichkeitsmatrix (Multivariante Analysemethoden) Objekt 1 Objekt 2... Objekt K Objekt 1 Objekt 2 Objekt K Diese Matrix enthält die Distanzwerte zwischen den Objekten, die unter Verwendung der objektbezogenen Variablenwerte aus der Rohdatenmatrix berechnet werden. Diese Maße, die eine Quantifizierung der Ähnlichkeiten oder Unähnlichkeiten zwischen den Objekten ermöglichen, werden als Proximitätsmaße bezeichnet (BACKHAUS, ERICHSON, PLINKE, WEIBER, 2003). Es hängt nun von dem Skalenniveau der Variablen ab, welches Proximitätsmaß verwendet wird. Da es sich in diesen Untersuchungen um metrische Daten handelt, werden die sogenannte Minkowski- Metriken oder L- Normen verwendet. D k,l : Distanz der Objekte k und l X kj, x lj : Wert der Variablen j bei Objekt k, l (j=1,2, J) 15

20 r 1: Minkwoski- Konstante Wählt man für r=1, dann erhält man die City-Block-Metrik (L1-Norm) und für r=2 die Euklidische Distanz (L2-Norm). Die City-Block-Metrik wird berechnet, indem man die Differenz bei jeder Eigenschaft für ein Objektpaar bildet und die sich ergebenden absoluten Differenzwerte addiert. Bei der Euklidischen Distanz werden die quadrierten Differenzwerte addiert und aus der Summe wird die Quadratwurzel gezogen. Durch das Quadrieren werden bei der Berechnung der Distanz größere Differenzwerte stärker. Der zweite Schritt ist die Auswahl des Clusteralgorithmus. Dieser hat das Ziel, die Objekte zusammenzufassen. Hierbei unterscheidet man das monothethische Verfahren, bei dem zur Gruppierung nur eine Variable herangezogen wird, und das polythetische Verfahren, bei dem mehrere Variablen verwendet werden. Da aber der große Vorteil der Clusteranalyse darin liegt, alle relevanten Beschreibungsmerkmale zu verwenden, wird sich in dieser Arbeit auf das polythetische Verfahren konzentriert. Die in der Praxis zwei wichtigsten Verfahren sind das partitionierende und das hierarchische. Bei dem partitionierenden Verfahren wird von einer gegebenen Gruppierung ausgegangen und die einzelnen Objekte werden mit Hilfe eines Austauschalgorithmus zwischen den Gruppen getauscht bis ein Optimum erreicht ist. Bei dem hierarchischen Verfahren gibt es den agglomerativen und den divisiven Algorithmus. Der Unterschied besteht darin, dass bei dem agglomerativen Verfahren von der feinsten Partition ausgegangen wird und die Gruppen zusammengefasst werden und bei dem divisiven Verfahren wird von der gröbsten Partition ausgegangen, die durch das Aufteilen dieser die Gruppen bildet (BACKHAUS, ERICHSON, PLINKE, WEIBER, 2003). Für diese Untersuchung wurde das agglomerative Verfahren gewählt, dass nun näher beschrieben werden soll. Dieses Verfahren enthält fünf Ablaufschritte. Im ersten Schritt startet man, wie eben schon erwähnt, mit der feinsten Partition, das bedeutet, dass jedes Objekt ein Cluster darstellt. Im zweiten Schritt werden für alle Objekte die Distanzen berechnet, sodass im dritten Schritt die Cluster mit dem geringsten Abstand gesucht werden, um diese im vierten Schritt zu einem neuen Cluster zusammenzuführen. Im fünften Schritt werden nun die Abstände zwischen den neuen und den übrigen Clustern berechnet, so gelangt man 16

21 zu einer reduzierten Distanzmatrix. Diese Schritte werden mehrfach wiederholt. Hat man zwei Gruppen, zum Beispiel P und Q, die zu vereinigen sind, so erhält man die Distanz D(R, P+Q) zwischen irgendeiner Gruppe R und der neuen Gruppe (P+Q) durch folgende Transformation: D(R,P+Q)= A*D(R,P)+B*D(R,Q)+E*D(P,Q)+G* D(R,P)-D(R,Q) Wobei: D(R,P): Distanz zwischen den Gruppen R und P D(R,Q): Distanz zwischen den Gruppen R und Q D(P,Q): Distanz zwischen den Gruppen P und Q Die Buchstaben A, B, E und G sind Konstanten, die je nach dem verwendeten Algorithmus variieren. Das hier verwendete Single- Linkage- Verfahren ordnet den Konstanten folgende Werte zu: A=0,5; B=0,5; E=0; G=- 0,5. Diese Methode wird auch als Nearest-Neighbour-Verfahren bezeichnet, da es einer neu gebildeten Gruppe die kleinste Distanz zuweist, die sich aus den alten Distanzen der in der Gruppe vereinigten Objekte zu einem bestimmten anderen Objekt ergibt (BACKHAUS, ERICHSON, PLINKE, WEIBER, 2003). Diese Methode eignet ich dafür, Ausreißer in Objektmengen zu erkennen. Das Verfahren bildet viele kleine und wenig große Gruppen, sodass die kleinen Gruppen als Identifikation für die Ausreißer dienen können. Da die Spielerprofile in Beziehung gesetzt werden sollen, führen wir mit den Daten eine Z-Transformation durch. Bei dieser Transformation wird ein Wert X in einen Wert Z transformiert. Dieser Wert gibt an, um wie viel Standardabweichungen ein Rohwert unter bzw. über dem Mittelwert liegt (BORTZ UND SCHUSTER, 2010). Dieser Wert kommt zustande, indem man die Abweichung vom Mittel an der Standardabweichung relativiert. Die Formel dafür lautet also: 17

22 In Kapitel 2 wurden die Teilnehmer an Warenterminmärkten beschrieben. Durch die Clusteranalyse sollen nun auch Gruppen identifiziert werden, die denen an Warenterminmärkten ähnlich sind. Allerdings wurde bereits ausgeschlossen, dass Hedging und Arbitrage mögliche Strategien sind. Deshalb wird nur die Spekulation genauer betrachtet. Hierbei werden mehrere Gruppen erwartet, die sich in Bezug auf die Risikoeinstellung, die Spezialisierung und das Handelsvolumen unterscheiden. Wie diese Werte gemessen werden, wird im nächsten Absatz genauer erläutert Ergebnisse der Clusteranalyse Die Cluster wurde mit dem Statistikprogramm Stata durchgeführt. Wie im vorigen Absatz erwähnt, wurde das hierarchische Verfahren angewandt. In Kapitel 4.1 ist beschrieben, dass sowohl der zweite Teil des Fragebogens, als auch die Spielaufzeichnungen für die Clusteranalyse benutzt werden sollte. Bei den Untersuchungen hat sich allerdings herausgestellt, dass das Einbeziehen des Fragebogens keine sinnvollen Ergebnisse hervorbrachte, und somit wurde dieser herausgelassen. Auch eine Clusteranalyse, nur mit den Variablen aus dem Fragenkatalog, brachte keine Aufschlüsse. Die Gründe für das Herauslassen dieser Variablen werden im letzten Kapitel genauer erläutert. So wurden zunächst alle Variablen, die sich aus den Spielaufzeichnungen ergeben haben, mit einbezogen. Dies sind der Gesamtwert des Depots, Anzahl der Kauf- und Verkauf- Kontrakte, Anzahl der Gesamtkontrakte, Anzahl unterschiedlicher Kontrakte, Häufigkeit des Glattstellens wegen Überziehung des Kontos, Strafen, durchschnittliche Volatilität der Kontrakte und ob die Spieler mit Limit spielten oder nicht. Zunächst wurde die Möglichkeit untersucht, ob einige Variablen herausgenommen werden können. Dieses geschah mit Hilfe von Einzelanalysen wie zum Beispiel der Korrelationsanalyse. Dabei hat sich ergeben, dass die Anzahl der Kauf- und Verkauf-Kontrakte total mit der Anzahl der Gesamtkontrakte korreliert. Deshalb wurden die Anzahl der Kauf- und Verkauf-Kontrakte herausgenommen. Das Ergebnis verändert sich dadurch nicht, aber wird übersichtlicher. Ob die Spieler mit Limit gespielt haben oder nicht, hatte keinen Einfluss auf das Ergebnis. Der Grund 18

23 dafür ist, dass es hierbei keine Regelmäßigkeit gab. Mal hat ein Spieler ein Limit verwendet und mal nicht, sodass keine generellen Aussagen getroffen werden können. So wurde diese Variable ebenfalls herausgenommen. Des Weiteren wurde die durchschnittliche Volatilität der Kontrakte entfernt. Abbildung 1 zeigt, dass bei dieser Variablen eine gleichmäßige Verteilung vorliegt, und auch hierbei keinen Einfluss auf den Erfolg zu erkennen ist. Sowohl Spieler, die Kontrakte mir hoher Volatilität, als auch Spieler, die Kontrakte mir geringer Volatilität verwendet haben, erreichten den gleichen Erfolg bzw. Misserfolg. Somit bleiben die Variablen Gesamtwert des Depots, Anzahl unterschiedlicher Kontrakte, Anzahl der Gesamtkontrakte, Häufigkeit des Glattstellens und Strafen übrig. Der Gesamtwert des Depots steht hier als Erfolgsvariable. Die anderen Variablen machen Angaben über die Strategien der Spieler, die in Zusammenhang mit dem Erfolg gesetzt werden sollen. Dabei sollen die Anzahl der Strafen und Glattstellungen als Risikovariablen gesehen werden. Sind diese Werte hoch, war auch die Risikobereitschaft hoch. Die Anzahl der Gesamtkontrakte gibt das Handelsvolumen an und die Anzahl unterschiedlicher Kontrakte kann als Experimentierfreudigkeit bzw. Spezialisierungsgrad gesehen werden. Wer viele unterschiedliche Kontrakte gehandelt hat, hat sich wenig spezialisiert und wer wenig unterschiedliche Kontrakte gehandelt hat, hat sich mehr spezialisiert. Abbildung 1 durchschnittliche Volatilität und Gesamtwert 19

24 Aus den vorher genannten Gründen wurden alle Variablen im ersten Schritt standardisiert. Danach wurde das Single-Linkage-Verfahren mit den ausgewählten Variablen durchgeführt. Tabelle 11 Anzahl der Cluster (eigene Darstellung) Number of Clusters Calinski/Harabasz pseudo-f Es wurde zunächst der Calinski/Harabasz Pseudo-F-Test durch das Programm durchgeführt. Dieser Test dient zur Bestimmung der Anzahl der Cluster. Je größer der Wert, umso deutlich ausgeprägter ist das Clustering (CHRISTIAN TAUSEND, 2006). Da der höchste Wert sich mit hier hinter der Clusteranzahl 4 befindet, wird auch mit 4 Clustern weitergearbeitet. Eine neue Variable, die für jeden Spieler angibt, in welchem Cluster er sich befindet, wird generiert. Wie die vier Cluster gekennzeichnet sind, ist in Tabelle 8 zu erkennen. Es werden hier die ausgewählten Variablen betrachtet: Der Gesamtwert (mean z_g), die Gesamtanzahl der Kontrakte (mean z_ge-t), die Anzahl unterschiedlicher Kontrakte (mean z_an-l), die Häufigkeit der Glattstellungen (mean z_hauf) und die Anzahl der Strafen (mean z_str-e). Es sind die Mittelwerte der einzelnen Variablen in den Clustern angegeben. Die Mittelwerte ergeben sich aus den standardisierten Variablen und sind deshalb nur als relative Werte zu sehen. Der Wert 0 gibt den Durchschnitt an. Ist der Wert größer bzw. kleiner als 0, befindet sich die Gruppe über bzw. unter dem Durchschnitt. 20

25 Tabelle 12 Eigenschaften der Cluster (eigene Darstellung) clust_4 mean(z_g) mean(z_get) mean(z_anl) mean(z_hauf) mean(z_ste) 1-0,8 8,4 3 2,2 8,6 2-1,7 8,8-0,5 4,5 3,4 3 0,4 4,9-0,1 3,9 2, ,1 0-0,1-0,1 Die Teilnehmer, die Cluster 1 zugeordnet wurden, zeichnen sich durch eine hohe Anzahl gehandelter Kontrakte und eine hohe Anzahl unterschiedlicher Kontrakte aus. Sie ist die einzige Gruppe, die mit relativ vielen unterschiedlichen Kontrakten gehandelt hat, und so kann man diese auch als experimentierfreudig bezeichnen. Außerdem wurden diese überdurchschnittlich oft glattgestellt und mussten am häufigsten Strafen zahlen. Das spricht für eine hohe Risikobereitschaft. Die Spieler in Cluster 2 haben ebenfalls eine hohe Risikobereitschaft. Sie wurden noch häufiger glattgestellt, als die Gruppe 1 und sie sind die Gruppe mit den zweithäufigsten Strafzahlungen. Außerdem haben sie im Schnitt mit den meisten Kontrakten gehandelt, sodass sie das größte Handelsvolumen hatten. Allerdings sind sie die Gruppe, deren Experimentierfreudigkeit am geringsten ist, da sie am wenigsten unterschiedliche Kontrakte gehandelt haben. Die Spieler in Cluster 3 haben auch überdurchschnittlich viele Kontrakte gehandelt, aber zirka 45% weniger als die Spieler aus Cluster 1 und 2. Sie sind, ähnlich wie Gruppe 2, wenig experimentierfreudig. Außerdem wurden diese Teilnehmer häufig glattgestellt und zahlten überdurchschnittlich oft Strafen, sodass man auch bei dieser Gruppe von einer hohen Risikobereitschaft sprechen kann. Das Cluster 4 kann als Durchschnittscluster bezeichnet werden. Die Teilnehmer, die diesem Cluster 4 zugeordnet wurden, haben weder eine hohe Risikobereitschaft, noch sind sie experimentierfreudig. Keine Gruppe hat große Abweichungen vom durchschnittlichen Erfolg. Die erfolgloseste Gruppe ist die Gruppe 2 mit einem durchschnittlichen Erfolg von -1,7 und die erfolgreichste Gruppe ist Nummer 3 mit einem durchschnittlichen Erfolg von 0,4. Tabelle 13 zeigt, aus wie vielen Teilnehmern sich die Cluster zusammensetzen. 21

26 Tabelle 13 Zusammensetzung der Cluster (eigene Darstellung) Cluster Teilnehmer Die Cluster 1 und 2 bestehen aus jeweils einem, das Cluster 3 aus zwei und das Cluster 4 aus 210 Teilnehmern. Wie oben beschrieben, sorgt dieses Verfahren dafür, dass wenig große und viele kleine Gruppen gebildet wurden. Das Clustering hat uns verschiedene Spielertypen, die sich hauptsächliche in der Risikobereitschaft und Experimentierfreudigkeit unterscheiden, wiedergegeben. Allerdings lässt sich hierdurch nicht sagen, dass eine bestimmte Strategie erfolgreicher ist als eine andere Strategie. Cluster 4, welches sich ja als Durchschnittscluster identifiziert, beinhaltet außerdem die drei erfolgreichsten Spieler. Wie Tabelle 14 zeigt, ist bei ihnen keine einheitliche Strategie zu erkennen. Spieler 1599 ist der erfolgreichste in dieser Spielrunde. Er hat 21 unterschiedliche Kontrakte gehandelt und ein Gesamthandelsvolumen von 774 Kontrakten, deren durchschnittliche Volatilität 13% betrug. Er wurde 19-mal glattgestellt und musste 6-mal eine Strafe zahlen. Er ist also experimentierfreudig und besitzt eine hohe Risikobereitschaft. Beim Zweiterfolgreichsten zeigt sich ein ganz anderes Bild. Dieser hat nur 8 unterschiedliche Kontrakte gehandelt, aber dafür ein Gesamthandelsvolumen von Kontrakten, deren durchschnittliche Volatilität 14,5% betrug. Er wurde nur zweimal glattgestellt und musste keine Strafe zahlen. Er ist also weder sonderlich experimentierfreudig noch besonders risikobereit. Die Volatilität wurde hier mit aufgelistet, um nochmals deutlich zu machen, dass diese in dieser Spielrunde nicht von Bedeutung ist. 22

27 Tabelle 14 Die drei erfolgreichsten Spieler (eigene Darstellung) Anzahl unter -schiedlicher Kontrakte Gesamtanzahl Kontrakte durchsch. Volatilität Spieler Gesamtwert Häufigkeit des Glatsste llen Strafen , , , , , , Auch die Durchführung einer Clusteranalyse ohne die drei erfolgreichsten Spieler brachte kein anderes Ergebnis. Da aber noch ermittelt werden soll, ob man Aussagen über eine oder mehrere erfolgreiche Strategie treffen kann, werden die Variablen unabhängig von den Clustern untersucht. Dies geschieht mit einer Matrix, in der jede Variable den anderen Variablen gegenübergestellt wird. Diese Matrix ist in Abbildung 2 zu sehen. Oben links steht der standardisierte Gesamtwert (Standardized values of (gsmtw_real)), also die Erfolgsvariable. Nun kann man in der ersten Zeile erkennen, welchen Zusammenhang es zwischen dem Gesamtwert und den anderen Variablen gibt. In der zweiten Zeile kann man ablesen, welchen Zusammenhang es zwischen der Anzahl unterschiedlicher Kontrakte und den anderen Variablen gibt, und so weiter. Die Nummern geben an, in welchen Clustern die einzelnen Spieler stehen. 23

28 Abbildung 2 Gegenüberstellung der Variablen (eigene Darstellung) Es lassen sich anhand der Abbildung 2 keine eindeutigen Aussagen treffen, doch es zeigen sich einige leichte Tendenzen. Betrachten wir den Gesamtwert und die Anzahl unterschiedlicher Kontrakte, sieht man, dass bei zu großer Anzahl unterschiedlicher Kontrakte der Erfolg sinkt. In dieser Spielrunde hatte es keinen Einfluss auf den Erfolg, ob man ein hohes oder niedriges Handelsvolumen hatte. Dieses Ergebnis zeigt sich auch in der Betrachtung der drei erfolgreichsten Spieler in Tabelle 14. Weiter lässt sich erkennen, dass Teilnehmer, die häufig glattgestellt wurden, auch häufiger Strafen zahlen mussten. Es gibt auch eine leichte Tendenz, dass bei steigenden Handelsvolumen auch die Anzahl der Glattstellungen steigt. Es scheint daher einen Zusammenhang zwischen der Glattstellung und der Anzahl unterschiedlicher Kontrakte zu geben. Die Spieler, die häufiger glattgestellt wurden, haben mit einer geringeren Anzahl unterschiedlicher Kontrakte gehandelt. 24