Volkswirtschaftliche Modelle werden heute häufig als mikro-fundierte dynamische Optimierungsmodelle konstruiert. Dabei wird meist ein repräsentativer Agent mit rationalen Erwartungen betrachtet. Durch adaptive Lernalgorithmen können rationale Erwartungen als Ergebnis von optimierendem Verhalten erklärt werden, allerdings kann dann die Annahme repräsentativer Agenten irreführend sein. Die vorliegende Arbeit vergleicht unterschiedliche Ansätze, wie adaptives Lernen in ein einfaches dynamisches Konsummodell integriert werden kann und untersucht insbesondere deren Konvergenz und Stabilität für den Fall heterogener Einkommen und Erwartungen. Es wird gezeigt, dass das Lernen zukünftiger Zinssätze über einen unendlichen Zeithorizont robuster ist als die übliche Methode, bei der Agenten über eine Euler-Gleichung ihren eigenen zukünftigen Konsum lernen. Zu dieser Methode wird eine erweiterte Variante vorgeschlagen, die auch bei heterogenen Agenten zu rationalen Erwartungen konvergiert.

One of the basic building blocs of micro-founded economic models are dynamic optimization models, usually solved by assuming a representative agent and rational expectations. Replacing rational expectations by learning algorithms, learning theory tries to explain how rational expectations could be the outcome of optimising behaviour. However, in the face of learning algorithms the assumption of a representative agent can be misleading. This work compares two approaches of how learning algorithms can be included in a basic dynamic consumption model, examining convergence and stability of expectations especially for individual agents with heterogeneous expectations and incomes. It demonstrates that learning future interest rates over an infinite horizon is more robust than the usual method of each agent learning his own future consumption by means of a Euler Equation. An extension to the latter is suggested which allows for convergence even with heterogeneous expectations and incomes.