Wechselspiel von Geldpolitik und Wirtschaft mit innovativen Methoden besser verstehen

Wie lassen sich systemische Risiken in Finanz- und Wirtschaftskrisen besser vorhersagen? Ein neues Forschungsprojekt entwickelt innovative bayesianische Methoden zur Modellierung dynamischer Kovarianzen – mit dem Ziel, Prognosen zu verbessern und politische Entscheidungen zu unterstützen.

Krisen wie die Finanzkrise Ende der 2000er Jahre oder zuletzt die Covid-19-Pandemie verdeutlichen die Notwendigkeit, die komplexe Dynamik des globalen Wirtschafts- und Finanzsystems besser verstehen zu lernen. „Mit den bestehenden empirischen Methoden gelingt uns dies jedoch nur eingeschränkt. So können wir die komplexen Strukturen der Prozesse, wie sich geldpolitische Entscheidungen auf die Wirtschaft auswirken, nur eingeschränkt darstellen“, erklärt Gregor Kastner, der das Projekt gemeinsam mit Luis Gruber (beide Institut für Statistik an der Universität Klagenfurt) eingereicht hat. Die Folge: Es werden häufig relevante finanzielle und wirtschaftliche Zusammenhänge übersehen, die aber eine grundlegende Rolle bei der Ausbreitung systemischer Risiken spielen.

Damit in Zukunft ein besseres Gesamtbild entsteht, sind verbesserte Methoden erforderlich, die es Forschenden ermöglichen, aus der immer größer werdenden Datenmenge die für die Prognose erforderlichen relevanten Informationen vollständig zu extrahieren. Gregor Kastner erklärt weiter: „In unserem Projekt schlagen wir neue Ansätze zur Bewältigung dieser Herausforderungen vor, wobei das Konzept der strukturierten Kovarianzmodellierung den gemeinsamen Nenner bildet.“

Aus methodischer Sicht liefert das Forschungsteam drei grundlegende Beiträge: „Erstens unterziehen wir moderne bayesianische multivariate stochastische Volatilitätsspezifikationen einer systematischen Analyse. Dabei zeigen wir, dass ihre Vorhersagegüte durch geringfügige Anpassungen in Form strukturierter A-priori-Verteilungen erheblich verbessert werden kann. Zweitens fokussieren wir uns auf stochastische Faktor-Volatilitätsmodelle und die Frage der dynamischen Faktorauswahl. Drittens schlagen wir zwei neuartige bayesianische dynamische grafische Modelle vor, die im Gegensatz zu herkömmlichen Kovarianzmodellen die Inverse der Kovarianz (Precision Matrix) modellieren.“

Gregor Kastner und Luis Gruber werden dann die vorgeschlagene Methodik auf komplexe finanzielle und makroökonomische Datensätze anwenden, wie sie ausführen: „Einerseits konzentrieren wir uns auf die probabilistische Prognosegüte. Andererseits zeigen wir, dass unsere Methoden zur Beantwortung relevanter Fragen von Zentralbanken und anderen politischen Institutionen eingesetzt werden können.“

In dem Projekt und im Kontext der dynamischen Kovarianzmodellierung will das Forschungsteam „klassische“ (grundlegende) Ideen aus den frühen Phasen der bayesianischen Modellierung, wie etwa die Einbeziehung von strukturiertem Expertenwissen in Form von A-priori-Wahrscheinlichkeiten, mit Ideen von automatisiertem Lernen vereinen. „Die Synthese dieser Welten bezeichnen wir als halbautomatisches Lernen“, so Gregor Kastner.

Das Projekt „Structured Bayesian Dynamic Covariance Modeling for Financial and Macroeconomic Forecasting“ wird von der Österreichischen Nationalbank (OeNB) finanziert.