Diese Dissertation behandelt den Bestätigungsfehler als messbare, zustandsabhängige Marktfriktion und nicht als unbeobachtbaren psychologischen Restbegriff. Ausgangspunkt sind die Grenzen rationaler Asset-Pricing-Modelle, in denen Anleger Informationen bayesianisch verarbeiten, während reale Märkte systematische Verzerrungen der Überzeugungsbildung zeigen. Die erste Arbeit entwickelt einen theoretischen Rahmen, in dem die Stärke des Bestätigungsfehlers von der Zeit seit der letzten widersprechenden Information sowie von mikro- und makrofinanziellen Bedingungen abhängt. Dadurch werden belief rigidity, Fehlbewertungen und Wohlfahrtsverluste miteinander verknüpft. Die zweite Arbeit übersetzt diesen Mechanismus in ein empirisches Messinstrument. Auf Basis von Preis-Volumen-Reaktionen, strikt verzögerten Merkmalen und Machine-Learning-Modellen werden ereignisbezogene Wahrscheinlichkeiten verzerrter Informationsverarbeitung für globale Aktienindizes und Kryptowährungsmärkte geschätzt. Die Validierung über verschiedene Marktarchitekturen und unabhängige Analystenprognosen zeigt, dass zeitliche Abstände, Marktunsicherheit, Liquidität und geldpolitische Bedingungen die Stärke des Bias strukturieren. Die dritte Arbeit aggregiert die Ereignisscores zu einem monatlichen Confirmation Bias Index und untersucht ihn als makrofinanzielle Verhaltensvariable. Der Index bildet realisierte Bias-Häufigkeiten ab, häuft sich in Stressphasen und reagiert auf Liquidität, Inflation und Leitzinsen. Insgesamt liefert die Dissertation einen integrierten Rahmen, um Bestätigungsfehler auf Finanzmärkten zu modellieren, zu messen, zu validieren, zu überwachen und zu reduzieren.
Ahmed Sultan (Fri,) studied this question.