Ein systematisches Verfahren zur Verbesserung von Prognosen
Eine zentrale Aufgabe der empirischen Wirtschaftsforschung ist es, wichtige wirtschaftliche Kennzahlen wie die Inflationsrate, das BIP-Wachstum oder Schwankungen an den Finanzmärkten vorherzusagen. Dafür stehen Prognostikern verschiedene ökonometrische Modelle zur Verfügung, die unterschiedliche Vorhersagen – sogenannte Individual-Prognosen – für dieselbe Kennzahl liefern können.
Dem Prognostiker stellt sich in dieser Situation die folgende Frage: Können die unterschiedlichen Individual-Prognosen so zu einer einzelnen Prognose kombiniert werden, dass die Prognose-Kombination „genauere“ Ergebnisse erzielt als die Individual-Prognosen. Die einschlägige Literatur belegt, dass spezielle gewichtete Mittelwerte der Individual-Prognosen, sogenannte linear-konvexe Prognose-Kombinationen, oft sehr gute Ergebnisse liefern. Vor diesem Hintergrund beschreiben und analysieren Verena Monschang und Bernd Wilfling (beide vom Lehrstuhl für Empirische Wirtschaftsforschung) in ihrem aktuellen Artikel ein neues ökonometrisches Verfahren, das unter Verwendung vergangener Beobachtungen in vielen realistischen Situationen sowohl verbesserte Individual-Prognosen als auch genauere linear-konvexe Prognose-Kombinationen erzeugen kann.
Dem Verfahren liegt die Intuition zugrunde, dass die ursprünglichen Individual-Prognosen ungenutzte Informationen aufweisen, die zur Verbesserung zukünftiger Individual- und Prognose-Kombinationen verwendet werden können. Hierfür formalisieren die Autoren zunächst eine 3-schrittige Prozedur, mit der die ursprünglichen Individual-Prognosen „vorbehandelt“ werden. Die Prozedur verwertet die bisher ungenutzten Informationen der ursprünglichen Individual-Prognosen und adaptiert diese entsprechend. Der Artikel charakterisiert, unter welchen Bedingungen diese Adaptionen die höchsten Genauigkeitsgewinne sowohl für die behandelten Individual- als auch für die resultierenden linear-konvexen Prognose-Kombinationen liefern.
In der Arbeit wird das 3-schrittige Verfahren zunächst ökonometrisch spezifiziert und wahrscheinlichkeitstheoretisch auf potenzielle Genauigkeitsgewinne untersucht. In einer empirischen Studie mit Daten für den S&P 500 Aktienindex zeigen die Autoren, dass die Anwendung ihrer 3-schrittigen Prozedur für drei bekannte Volatilitätsprognose-Verfahren zu substanziellen Genauigkeitsgewinnen führt. Der Artikel „Formalizing a Postprocessing Precedure for Linear-Convex Combination Forecasts“ mit weiterführenden theoretischen und empirischen Ergebnissen ist in der Fachzeitschrift „Journal of Forecasting“ erschienen.
Links zu dieser Meldung:
Den Volltext (eingeschränkter Zugang) finden Sie hier