Bessere Inflationsprognosen mit Random Forests

Warum ein neues Modell?

In den vergangenen Jahren haben Techniken des maschinellen Lernens viele Bereiche erobert – auch die Ökonometrie und Statistik. Neue Methode versprechen die schnelle Verarbeitung großer Datenmengen und die Aufdeckung von Zusammenhängen, die nicht offensichtlich sind. Lange galten jedoch Algorithmen der Künstlichen Intelligenz als "Black Box", in deren Berechnung man weder hineinschauen noch eingreifen konnte. Neue Techniken erlauben nun nicht nur einen Einblick in die Mechanik der Algorithmen. Die Berechnungsmethoden können zudem so flexibel eingesetzt werden, dass sie die Transparenz in der Prognose sogar erhöhen.

Aus diesen Gründen führen wir ein rein datengetriebenes Modell ein, das zwei Techniken des maschinellen Lernens verwendet: Den Least Absolute Shrinkage and Selection Operator (LASSO) in Kombination mit Random Forest (RF) Modellen. Die wissenschaftliche Forschung (wie in dieser Studie ) hat gezeigt, dass eine Kombination dieser und ähnlicher Techniken Prognosen merklich verbessert.

Unser neues Modell verarbeitet etwa 75 unabhängige Zeitreihen – und deren zahlreiche Zeitlags – und schätzt die Hauptkomponenten der Inflation mit einem Prognosehorizont von bis zu 12 Monaten. Trotz der hohen Prognosegüte dieser Methoden bildet das reine Datenmodell auch in Zukunft nur einen, wenn auch wichtigen Bestandteil unserer Inflationsprognosen. Wir ergänzen das Datenmodell um strukturelle Berechnungen und Erfahrungswerte. Je länger der Prognosehorizont, desto mehr Gewicht bekommen diese Faktoren.

Den vollständigen Text finden Sie im PDF-Dokument.