Skip to main content
SpringerLink
Log in

Delphi-Märkte

  • Chapter
  • First Online:
Delphi-Verfahren in den Sozial- und Gesundheitswissenschaften

  • 4768 Accesses

Zusammenfassung

Delphi-Märkte bezeichnen Ansätze und Implementierungen der Integration von Prognosemärkten und Delphi-Studien (Real-Time Delphi). Durch die Kombination der zwei Methoden zur Erstellung von Prognosen können potenziell gegenseitige Schwächen ausgeglichen werden. So können Prognosemärkte zum Beispiel für die Auswahl von Teilnehmenden mit Expertise herangezogen werden und motivieren durch ihren spielerischen Ansatz und Anreizmechanismen auch zur langfristigen Teilnahme. In diesem Beitrag werden zwei Potenziale für Prognosemärkte und vier Potenziale für Delphi-Studien, welche sich durch die Integration ermöglichen, theoretisch hergeleitet. Anschließend werden drei verschiedene Integrationsansätze vorgestellt, anhand derer die Integration auf User-, Markt- und Delphi-Fragen Ebene exemplarisch verdeutlicht wird und wobei gezeigt wird, dass je nach Ansatz nicht alle Potenziale erreicht werden können. Am Ende werden Empfehlungen für den Einsatz von Delphi-Märkten abgeleitet, bestehende Limitationen für Delphi-Märkte sowie zukünftige Entwicklungen aufgezeigt.

This is a preview of subscription content, log in via an institution to check access.

Access this chapter

Log in via an institution
Chapter
USD 29.95
Price excludes VAT (USA)
  • Available as PDF
  • Read on any device
  • Instant download
  • Own it forever
eBook
USD 44.99
Price excludes VAT (USA)
  • Available as EPUB and PDF
  • Read on any device
  • Instant download
  • Own it forever
Softcover Book
USD 59.99
Price excludes VAT (USA)
  • Compact, lightweight edition
  • Dispatched in 3 to 5 business days
  • Free shipping worldwide - see info

Tax calculation will be finalised at checkout

Purchases are for personal use only

Institutional subscriptions

Notes

  1. 1.

    Deutsch: „In diesen demokratischen Tagen ist jede Untersuchung der Vertrauenswürdigkeit und der Besonderheiten von Volksurteilen von Interesse. Das Material, über das diskutiert werden soll, bezieht sich auf eine kleine Sache, ist aber sehr treffend.“

  2. 2.

    Die Markteffizienzhypothese wird anhand Annahmen über die im Preis enthaltenen Informationen nochmals in „starke“, „mittel-starke“ und „schwache“ Markteffizienz unterschieden.

  3. 3.

    Anreizkompatibilität ist gegeben, wenn jeder einzelne Teilnehmende den für sich erwarteten Nutzen genau dann maximiert, wenn er seiner wahren Einschätzung oder Einstellung gemäß agiert, also gemäß seiner wahren Erwartung handelt oder diese angibt.

  4. 4.

    Eine (Market) Scoring Rule definiert ein Regelwerk, in dem alle abgegebenen Einschätzungen abhängig von der Realisierung des zugrunde liegenden Ereignisses einem Nutzen zugeordnet werden, sodass man sich gemäß seiner/ihrer Einschätzung einen erwarteten Nutzen berechnen kann/könnte. Eine „ordnungsgemäße Scoring Rule“ erfüllt verschiedene Kriterien, unter anderem Anreizkompatibilität.

  5. 5.

    Wenn im Folgenden von Delphi-Studien bzw. -Umfragen gesprochen wird, ist implizit immer die Umsetzung als Real-Time Delphi gemeint. In allen anderen Fällen wird explizit darauf hingewiesen.

  6. 6.

    Für detaillierte Informationen, wird auf ein anderes Kapitel in diesem Sammelband verwiesen, das sich explizit mit der Real-Time Delphi-Methode beschäftigt.

  7. 7.

    Siehe dazu später den Integrationsansatz in Abschn. 3.2.

  8. 8.

    Von Manipulation und uninformierten Handelsstrategien abgesehen.

  9. 9.

    Zumindest der Prognose. Gilt nicht für die Abgabe von wahrheitsgemäßen Argumenten.

  10. 10.

    http://orakel.faz.net. Das FAZ.NET-Orakel ist eine Kooperation der Frankfurter Allgemeine Zeitung mit dem Institut für Informationswirtschaft und Marketing (IISM) am Karlsruher Institut für Technologie (KIT) und für die Leserschaft der FAZ.NET zugänglich. Das FAZ.NET-Orakel wird vorwiegend für die Prognose von Wahlereignissen und ökonomischen Indikatoren herangezogen, sowie Einzelfragen zu aktuellen Themen.

  11. 11.

    https://delphimarkets.net. Delphimarkets.net ist eine privat betriebene Seite, die in mit offenen und geschlossenen Delphi-Märkten Fragestellungen aus den verschiedenen Themenbereichen prognostiziert (u. a. Risikomanagement).

  12. 12.

    Einfluss hat die Wahl zwischen Spiel- und Echtgeld nach Servan-Schreiber (2017) vor allem auf die Selbstselektion der Teilnehmenden und damit nur indirekt auf die Prognose(-güte), wobei Prognosemärkte per se robust gegen unausgeglichene Stichproben sind.

  13. 13.

    Signalling bezeichnet eine empfängerbezogene Preisgabe von Informationen.

  14. 14.

    Wenn Insider neue Informationen handeln, bewegt sich der Preis. Diese kleine Preisbewegung kann von anderen Teilnehmenden als Signal für neue Information(en), die in eine bestimmte Richtung wirken, interpretiert und ggf. als glaubwürdig eingeschätzt werden. Dies führt dann oft zu weiteren Preisbewegungen in dieselbe Richtung. Dieser Effekt kann aber auch dazu genutzt werden um Insider-Information nur vorzutäuschen und anschließend Gewinne aus den resultierenden Preisbewegungen zu ziehen.

  15. 15.

    Mit Arbitrage wird die Realisierung eines risikolosen Gewinns bezeichnet.

  16. 16.

    Kombinatorische Märkte sind nur zwischen Marktfragen möglich, deren summierten Wahrscheinlichkeiten über alle Optionen sich auf 100 % addieren. Index- oder Spread-Kontrakte sind nicht möglich.

Literatur

  • Abramowicz, M. (2004). Information markets, administrative Decisionmaking, and predictive cost-benefit analysis. The University of Chicago Law Review, 71(3), 933–1020. http://www.jstor.org/stable/1600601.

  • Ammon, U. (2009). Delphi-Befragung. In S. Kühl, P. Strodtholz, & A. Taffertshofer (Hrsg.), Handbuch Methoden der Organisationsforschung: Quantitative und Qualitative Methoden (S. 458–476). Wiesbaden: VS Verlag. http://doi.org/10.1007/978-3-531-91570-8_22.

  • Arrow, K. J., Forsythe, R., Gorham, M., Hahn, R., Hanson, R., Ledyard, J. O., et al. (2008). The promise of prediction markets. Science, 320(5878), 877–878. https://doi.org/10.1126/science.1157679.

    Article  Google Scholar 

  • Bothos, E., Apostolou, D., & Mentzas, G. (2009). IDEM: A prediction market for idea management. In C. Weinhardt, S. Luckner, & J. Stößer (Hrsg.), WEB2008: Designing E-Business systems markets services and networks (S. 1–13). Berlin: Springer Berlin Heidelberg.

    Google Scholar 

  • Buckley, P., & Doyle, E. (2017). Individualising gamification: An investigation of the impact of learning styles and personality traits on the efficacy of gamification using a prediction market. Computers & Education, 106, 43–55. https://doi.org/10.1016/j.compedu.2016.11.009.

    Article  Google Scholar 

  • Chen, Y., & Pennock, D. M. (2010). Designing markets for prediction. AI Magazine, 31(4), 42–52.

    Article  Google Scholar 

  • Cipriano, M. C., & Gruca, T. S. (2014). The power of priors: How confirmation bias impacts market prices. Journal of Prediction Markets, 8(3), 34–56.

    Google Scholar 

  • Cowgill, B., Wolfers, J., & Zitzewitz, E. (2009). Using prediction markets to track information flows: Evidence from Google. In S. Das, M. Ostrovsky, D. Pennock, & B. Szymanksi (Hrsg.), 1st International conference on auctions, market mechanisms and their applications 2009 (S. 3). Berlin: Springer Berlin Heidelberg. http://doi.org/10.1007/978-3-642-03821-1\_2.

  • Cuhls, K. (2003). From forecasting to foresight processes—New participative foresight activities in Germany. Journal of Forecasting, 22(2–3), 93–111. https://doi.org/10.1002/for.848.

    Article  Google Scholar 

  • de Wilde, T. R. W., Ten Velden, F. S., & De Dreu, C. K. W. (2018). The anchoring-bias in groups. Journal of Experimental Social Psychology, 76, 116–126. https://doi.org/10.1016/j.jesp.2018.02.001.

    Article  Google Scholar 

  • Fama, E. F. (1970). Efficient capital markets: A review of theory and empirical work. The Journal of Finance, 25(2), 383–417. https://doi.org/10.2307/2325486.

    Article  Google Scholar 

  • Galton, F. (1907). Vox populi (The wisdom of crowds). Nature, 75(7), 450–451.

    Article  Google Scholar 

  • Gangur, M. (2016). Motivation system on prediction market. In N. T. Nguyen, L. Iliadis, Y. Manolopoulos, & B. Trawiński (Hrsg.), Proceedings of the 8th International Conference on Computational Collective Intelligence, ICCCI 2016, Halkidiki, Greece, September 28–30, 2016, Part II (S. 354–363). Cham: Springer International Publishing. http://doi.org/10.1007/978-3-319-45246-3_34.

  • Gnatzy, T., Warth, J., von der Gracht, H. A., & Darkow, I.-L. (2011). Validating an innovative real-time Delphi approach – A methodological comparison between real-time and conventional Delphi studies. Technological Forecasting and Social Change, 78(9), 1681–1694. https://doi.org/10.1016/j.techfore.2011.04.006.

    Article  Google Scholar 

  • Gordon, T. J. (2007). Energy forecasts using a „Roundless“ approach to running a Delphi study. Foresight, 9(2), 27–35. https://doi.org/10.1108/14636680710737731.

    Article  Google Scholar 

  • Gordon, T. J., & Pease, A. (2006). RT Delphi: An efficient, „round-less“ almost real time Delphi method. Technological Forecasting and Social Change, 73(4), 321–333. https://doi.org/10.1016/j.techfore.2005.09.005.

    Article  Google Scholar 

  • Graefe, A. (2017). Prediction market performance in the 2016 U.S. presidential election. Foresight: The International Journal of Applied Forecasting, 1(45), 38–42. http://econpapers.repec.org/RePEc:for:ijafaa:y:2017:i:45:p:38-42.

  • Graefe, A., & Armstrong, J. S. (2011). Comparing face-to-face meetings, nominal groups, Delphi and prediction markets on an estimation task. International Journal of Forecasting, 27(1), 183–195. https://doi.org/10.1016/j.ijforecast.2010.05.004.

    Article  Google Scholar 

  • Graefe, A., Luckner, S., & Weinhardt, C. (2010). Prediction markets for foresight. Futures, 42(4), 394–404. https://doi.org/10.1016/j.futures.2009.11.024.

    Article  Google Scholar 

  • Green, K. C., Armstrong, J. S., & Graefe, A. (2007). Methods to elicit forecasts from groups: Delphi and prediction markets compared. The International Journal of Applied Forecasting, 8, 17–20.

    Google Scholar 

  • Gruca, T. S., & Berg, J. E. (2007). Public information bias and prediction market accuracy. The Journal of Prediction Markets, 1(3), 219–231. https://doi.org/10.5750/jpm.v1i3.430.

    Article  Google Scholar 

  • Hanson, R. (2002). Logarithmic market scoring rules for modular combinatorial information aggregation. Journal of Prediction Markets, 1(1), 3–15. http://www.ubplj.org/index.php/jpm/article/view/417.

  • Hayek, F. A. (1945). The use of knowledge in society. American Economic Review, 35(4), 519–530.

    Google Scholar 

  • Hill, K. Q., & Fowles, J. (1975). The methodological worth of the Delphi forecasting technique. Technological Forecasting and Social Change, 7(2), 179–192. https://doi.org/10.1016/0040-1625(75)90057-8.

    Article  Google Scholar 

  • Jurca, R., & Faltings, B. (2008). Incentives for expressing opinions in online polls. In Proceedings of the 9th ACM conference on electronic commerce (S. 119–128). New York: ACM. http://doi.org/10.1145/1386790.1386812.

  • Kloker, S., & Kranz, T. T. (2017). Manipulation in prediction markets – Chasing the fraudsters. In Proceedings of the 25th European conference of information systems, June 5th–10th 2017, Guimarães, Portugal.

    Google Scholar 

  • Kloker, S., Kranz, T. T., Straub, T., & Weinhardt, C. (2016). Shouldn’t collaboration be social? – Proposal of a social real-time Delphi. In Proceedings of the second Karlsruhe service summit research workshop. http://service-summit.ksri.kit.edu/downloads/Session_3B2_KSS_2016_paper_19.pdf.

  • Kloker, S., Straub, T., & Weinhardt, C. (2017). Designing a crowd forecasting tool to combine prediction markets and real-time Delphi. In A. Maedche, J. vom Brocke, & A. Hevner (Hrsg.), Designing the digital transformation. DESRIST 2017. Lecture notes in computer science (10243rd Hrsg., S. 468–473). Cham: Springer. http://doi.org/10.1007/978-3-319-59144-5_33.

  • Kloker, S., Klatt, F., Hoeffer, J., & Weinhardt, C. (2018a). Analyzing prediction market trading behavior to select Delphi-Experts. Foresight. http://doi.org/10.1108/FS-01-2018-0009.

  • Kloker, S., Straub, T., Morana, S., & Weinhardt, C. (2018b). Fraud and manipulation prevention in prediction markets. In Proceedings of the 13th international conference, DESRIST 2018, Chennai, India, June 3–6, 2018 (S. 1–6).

    Google Scholar 

  • Kloker, S., Straub, T., Morana, S., & Weinhardt, C. (2018c). The effect of social reputation on retention: Designing a social real-time Delphi platform. In Proceedings of the 26th European conference on information systems (ECIS2018), Portsmouth, UK, 2018.

    Google Scholar 

  • Kochtanek, T. R., & Hein, K. K. (1999). Delphi study of digital libraries. Information Processing and Management, 35(3), 245–254. https://doi.org/10.1016/S0306-4573(98)00060-0.

    Article  Google Scholar 

  • Kranz, T. T., Teschner, F., Roüast, P., & Weinhardt, C. (2014a). Identifying individual party preferences in political stock markets. In Proceedings of the IADIS international conference on E-Society. (Madrid, Spain) (S. 162–169).

    Google Scholar 

  • Kranz, T. T., Teschner, F., & Weinhardt, C. (2014b). Combining prediction markets and surveys: An experimental study. In Proceedings of the European conference on information systems (ECIS) 2014, Tel Aviv, Israel, June 9–11, 2014.

    Google Scholar 

  • Laskey, K. B., Hanson, R., & Twardy, C. (2015). Combinatorial prediction markets for fusing information from distributed experts and models. In Proceedings of the 18th international conference on information fusion (Fusion) (S. 1892–1898).

    Google Scholar 

  • Levin, I. P., Chapman, D. P., & Johnson, R. D. (1988). Confidence in judgments based on incomplete information: An investigation using both hypothetical and real gambles. Journal of Behavioral Decision Making, 1(1), 29–41. https://doi.org/10.1002/bdm.3960010105.

    Article  Google Scholar 

  • Linstone, H. A., & Turoff, M. (2002). The Delphi method: Techniques and applications. Reading: Addison-Wesley.

    Google Scholar 

  • Luckner, S., & Weinhardt, C. (2007). How to pay traders in information markets: Results from a field experiment. Journal of Prediction Markets, 1(2), 147–156. http://econpapers.repec.org/RePEc:buc:jpredm:v:1:y:2007:i:2:p:147-156.

  • Luckner, S., Kratzer, F., & Weinhardt, C. (2005). STOCCER-A forecasting market for the FIFA World Cup 2006. In 4th Workshop on e-Business (WeB 2005), Las Vegas, USA.

    Google Scholar 

  • Mullen, P. M. (2003). Delphi: Myths and reality. Journal of Health Organization and Management, 17(1), 37–52. https://doi.org/10.1108/14777260310469319.

    Article  Google Scholar 

  • Niemeyer, C., Wagenknecht, T., Teubner, T., & Weinhardt, C. (2016). Participatory crowdfunding: An approach towards engaging employees and citizens in institutional budgeting decisions. In Proceedings of the annual Hawaii international conference on system sciences (S. 2800–2808). http://doi.org/10.1109/HICSS.2016.351.

  • Okoli, C., & Pawlowski, S. D. (2004). The Delphi method as a research tool: An example, design considerations and applications. Information & Management, 42(1), 15–29. https://doi.org/10.1016/j.im.2003.11.002.

    Article  Google Scholar 

  • Prokesch, T., von der Gracht, H. A., & Wohlenberg, H. (2015). Integrating prediction market and Delphi methodology into a foresight support system — Insights from an online game. Technological Forecasting and Social Change, 97, 47–64. https://doi.org/10.1016/j.techfore.2014.02.021.

    Article  Google Scholar 

  • Reid, N. (1988). The Delphi technique: Its contribution to the evaluation of professional practice. In R. Ellis (Hrsg.), Professional competence and quality assurance in the caring professions (S. 230–254). London: Chapman & Hall. http://doi.org/10.1016/0020-7489(90)90106-S.

  • Rhode, P. W., & Strumpf, K. S. (2004). Historical presidential betting markets. Journal of Economic Perspectives, 18(2), 127–141. http://www.aeaweb.org/articles?id=10.1257/0895330041371277.

  • Servan-Schreiber, E. (2017). Debunking three myths about crowd – Based forecasting. In Collective intelligence conference, Brooklyn, New York, USA.

    Google Scholar 

  • Servan-Schreiber, E., Wolfers, J., Pennock, D. M., & Galebach, B. (2004). Prediction markets: Does money matter? Electronic Markets, 14(3), 243–251. https://doi.org/10.1080/1019678042000245254.

    Article  Google Scholar 

  • Shrier, D., Adjodah, D., Wu, W., & Pentland, A. (2016). Prediction markets. http://cdn.resources.getsmarter.ac/wp-content/uploads/2016/08/mit_prediction_markets_report.pdf.

  • Slamka, C., Jank, W., & Skiera, B. (2012). Second-Generation prediction markets for information aggregation: A comparison of payoff mechanisms. Journal of Forecasting, 31, 469–489. https://doi.org/10.1002/for.1225.

    Article  Google Scholar 

  • Sniezek, J. A. (1990). A comparison of techniques for judgmental forecasting by groups with common information. Group & Organization Studies, 15(1), 5–19. https://doi.org/10.1177/105960119001500102.

    Article  Google Scholar 

  • Sprenger, T., Bolster, P., & Venkateswaran, A. (2007). Conditional prediction markets as corporate decision support systems – An experimental comparison with group deliberation. Journal of Prediction Markets, 1(3), 189–208. https://doi.org/10.5750/jpm.v1i3.428.

    Article  Google Scholar 

  • Surowiecki, J. (2005). The wisdom of crowds. New York: Anchor.

    Google Scholar 

  • Teschner, F., & Weinhardt, C. (2012). Evaluating hidden market design. In P. Coles, S. Das, S. Lahaie, & B. Szymanski (Hrsg.), Auctions, market mechanisms, and their applications (Bd. 80, S. 5–17). Berlin: Springer. http://doi.org/10.1007/978-3-642-30913-7_3.

  • Teschner, F., Stathel, S., & Weinhardt, C. (2011). A prediction market for macro-economic variables. In Proceedings of the Annual Hawaii international conference on system sciences (S. 1–9). http://doi.org/10.1109/HICSS.2011.23.

  • Vernon, W. (2009). The Delphi technique: A review. International Journal of Therapy and Rehabilitation, 16(2), 69–76. http://doi.org/10.12968/ijtr.2009.16.2.38892.

  • Welty, G. (1972). Problems of selecting experts for Delphi exercises. Academy of Management Journal, 15(1), 121–124.

    Google Scholar 

  • Woudenberg, F. (1991). An evaluation of Delphi. Technological Forecasting and Social Change, 40(2), 131–150.

    Google Scholar 

  • Winkler, J., & Moser, R. (2016). Biases in future-oriented Delphi studies: A cognitive perspective. Technological Forecasting and Social Change, 105, 63–76. https://doi.org/10.1016/j.techfore.2016.01.021.

    Article  Google Scholar 

  • Wolfers, J., & Zitzewitz, E. (2006). Interpreting prediction market prices as probabilities (Working Paper Series). http://www.nber.org/papers/w12200.

Download references

Author information

Authors and Affiliations

  1. Institut für Informationswirtschaft und Marketing, Karlsruher Institut für Technologie, Karlsruhe, Deutschland

    Simon Kloker, Tobias T. Kranz & Christof Weinhardt

  2. FZI Forschungszentrum Informatik, Karlsruhe, Deutschland

    Tim Straub

Authors
  1. Simon Kloker
    View author publications

    You can also search for this author in PubMed Google Scholar

  2. Tim Straub
    View author publications

    You can also search for this author in PubMed Google Scholar

  3. Tobias T. Kranz
    View author publications

    You can also search for this author in PubMed Google Scholar

  4. Christof Weinhardt
    View author publications

    You can also search for this author in PubMed Google Scholar

Corresponding author

Correspondence to Simon Kloker .

Editor information

Editors and Affiliations

  1. Pädagogische Hochschule Schwäbisch Gmünd, Schwäbisch Gmünd, Germany

    Marlen Niederberger

  2. Institute for Advanced Sustainability Studies e. V., Potsdam, Germany

    Ortwin Renn

Rights and permissions

Reprints and permissions

Copyright information

© 2019 Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature

About this chapter

Check for updates. Verify currency and authenticity via CrossMark

Cite this chapter

Kloker, S., Straub, T., Kranz, T.T., Weinhardt, C. (2019). Delphi-Märkte. In: Niederberger, M., Renn, O. (eds) Delphi-Verfahren in den Sozial- und Gesundheitswissenschaften. Springer VS, Wiesbaden. https://doi.org/10.1007/978-3-658-21657-3_6

Download citation

  • DOI: https://doi.org/10.1007/978-3-658-21657-3_6

  • Published:

  • Publisher Name: Springer VS, Wiesbaden

  • Print ISBN: 978-3-658-21656-6

  • Online ISBN: 978-3-658-21657-3

  • eBook Packages: Social Science and Law (German Language)

Publish with us

Policies and ethics

Search

Navigation