Entwicklung und Anwendung von Super Learning Algorithmen zur Prognose ökonomischer Zeitreihen in hohen Dimensionen

• Antragsteller: Dr. Philipp Adämmer; Professor Dr. Rainer Schüssler
• Fachliche Zuordnung: Statistik und Ökonometrie
• Förderung: Förderung seit 2021
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 468715873

Moderne Prognoseverfahren für ökonomische Zeitreihen müssen mit einer Vielzahl potenzieller Prädiktoren umgehen können. Wesentliche Herausforderungen hierbei sind unterschiedliche Datenstrukturen, nichtlineare und instabile Zusammenhänge sowie heterogene Prädiktoren, beispielsweise makroökonomische und textbasierte Variablen. Obwohl es Methoden für die einzelnen Herausforderungen gibt, fehlt bisher ein Ansatz, der sämtliche Herausforderungen auf einmal in den Blick nimmt.Inspiriert von Methoden aus der Biostatistik schlagen wir sogenannte Super Learning Algorithmen vor. Die Erstellung dieser Algorithmen beinhaltet den Aufbau einer Bibliothek konzeptionell unterschiedlicher Prognoseverfahren sowie die anschließende Kombination zur Erstellung aggregierter Prognosen. Die Kernidee besteht darin, unterschiedliche Prognoseansätze, die verschiedene Charakteristika des datengenerierenden Prozesses erfassen, zu einem robusten und adaptiven Schätzer zu kombinieren. Neben eines einheitlichen methodischen Rahmens besteht ein weiterer Vorteil darin, dass Super Learning Algorithmen datenbasiert funktionieren. Hierdurch muss keine Prognosemethode a priori ausgewählt werden.Wir schlagen einen Bayesianischen Ansatz vor, um die Kombinationsgewichte der verschiedenen Prognoseverfahren zu bestimmen. Unser Ansatz verringert die Schätzunsicherheit in den Gewichten und ist anwendbar für Punkt- und Dichteprognosen. Darüber hinaus erstellen wir eine Bibliothek mit zahlreichen Prognoseverfahren zur Vorhersage makro- und finanzökonomischer Zeitreihen. Zukünftig neue Methoden können ebenfalls als Kandidaten in das Ensemble mit aufgenommen werden. Unser Ansatz ermöglicht es aufzuschlüsseln, welche Komponenten des Modells für genau Prognosen ausschlaggebend sind. So können wir beispielsweise die inkrementellen Beiträge nichtlinearer Modelle und textbasierter Prädiktoren bestimmen.

• DFG-Verfahren: Sachbeihilfen