Prognosen, als Versuch die Zukunft möglichst exakt abzubilden, sind seit jeher
wichtiger Bestandteil operativer und strategischer Unternehmensplanungen. Je
höher die Prognosegüte, desto besser können Unternehmen künftige Chancen
nutzen, Risiken vermeiden und sich einen Wettbewerbsvorteil erarbeiten. Daher
überrascht es nicht, dass die Prognosemethoden stetig weiterentwickelt werden.
Vor allem Sims erkannte 1980 drei Schwächen bisheriger makroökonomischer
Modelle: Die mögliche Endogenität der erklärenden Variablen, die Bedeutung
dynamischer Anpassungen, sowie die Notwendigkeit der Berücksichtigung von
Erwartungen.1 Das Arbeiten mit von ihm entwickelten Vektorautoregressiven
Modellen (VAR-Modelle) sollte diese Schwächen ausmerzen und die
Prognosegenauigkeit erheblich steigern. Das Endogenitätsproblem und die
Bedeutung dynamischer Anpassungen versuchen VAR-Modelle demnach dadurch
zu lösen, dass sie nicht mehr eine Größe allein aus ihrer eigenen Vergangenheit,
sondern simultan mehrere Größen aus ihrer gemeinsamen Vergangenheit erklären.
Beim Einbezug von Markterwartungen folgt er der Annahme, dass zukünftige
Ereignisse, die in der Vergangenheit nicht beobachtet werden konnten, sog.
regime shifts, wie die Einführung des Euros, zur Verbesserung der
Prognoseleistung beitragen können. In wieweit Verbesserungen eintreten und
welche Variablen zur hier behandelten Zinsprognose herangezogen werden, wird
in Kapitel vier „Ergebnisse empirischer Studien“ ausführlich erläutert. Zudem
wird beantwortet, welche Rolle in diesem Zusammenhang informationseffiziente
Märkte und rationale Erwartungen der Marktteilnehmer spielen und welche
Konsequenzen sich daraus für die Prognosen ergeben. Zuvor gibt jedoch der
folgende Abschnitt einen Überblick über wichtige zinsbeeinflussende
makroökonomische Größen. Teil drei beschäftigt sich mit der Theorie
ökonometrischer Modelle zu Prognosezwecken. Eine kritische Würdigung in
Kapitel fünf schließt die Arbeit ab.
Inhaltsverzeichnis
1. Einleitung
2. Zinsbeeinflussende Faktoren
2.1 Die loanable-funds-Theorie
2.2 Die Liquiditätspräferenztheorie
2.3 Die Wirkungen einer Erhöhung der Staatsausgaben
2.4 Der Internationale-Fisher-Effekt (ungedeckte Zinsparität)
3. Darstellung verschiedener VAR-Modelle und der Stationarität
3.1 Das VAR-Modell
3.1.1. Das BVAR-Modell
3.2 Stationarität
3.3 Das Error Correction Model
4. Ergebnisse empirischer Studien
4.1 Kunst / Neusser
4.2 Lupoletti / Webb
4.3 McNees
4.4 Hoffman / Rasche
4.5 Alexander / Hohl
5. Kritische Würdigung
Zielsetzung & Themen
Die vorliegende Arbeit untersucht die Eignung und Prognosegüte von vektorautoregressiven (VAR) Modellen zur Vorhersage von Zinssätzen im Vergleich zu traditionellen makroökonomischen Prognoseansätzen. Dabei wird analysiert, inwieweit die methodischen Vorteile von VAR-Modellen – wie die simultane Erfassung dynamischer Zusammenhänge und die Vermeidung a-priori festgelegter Kausalitäten – zu einer höheren Prognosegenauigkeit führen.
- Theoretische Grundlagen der Zinsbildung (Loanable-Funds-Theorie, Liquiditätspräferenz).
- Funktionsweise und Modellierung von VAR-, BVAR- und Error-Correction-Modellen.
- Empirischer Vergleich verschiedener Studien zur Prognoseleistung von VAR-Modellen.
- Diskussion der Bedeutung von Markterwartungen und Informationseffizienz.
- Kritische Würdigung der Anwendbarkeit statistischer Modelle für komplexe ökonomische Zusammenhänge.
Auszug aus dem Buch
1. Einleitung
Prognosen, als Versuch die Zukunft möglichst exakt abzubilden, sind seit jeher wichtiger Bestandteil operativer und strategischer Unternehmensplanungen. Je höher die Prognosegüte, desto besser können Unternehmen künftige Chancen nutzen, Risiken vermeiden und sich einen Wettbewerbsvorteil erarbeiten. Daher überrascht es nicht, dass die Prognosemethoden stetig weiterentwickelt werden.
Vor allem Sims erkannte 1980 drei Schwächen bisheriger makroökonomischer Modelle: Die mögliche Endogenität der erklärenden Variablen, die Bedeutung dynamischer Anpassungen, sowie die Notwendigkeit der Berücksichtigung von Erwartungen. Das Arbeiten mit von ihm entwickelten Vektorautoregressiven Modellen (VAR-Modelle) sollte diese Schwächen ausmerzen und die Prognosegenauigkeit erheblich steigern. Das Endogenitätsproblem und die Bedeutung dynamischer Anpassungen versuchen VAR-Modelle demnach dadurch zu lösen, dass sie nicht mehr eine Größe allein aus ihrer eigenen Vergangenheit, sondern simultan mehrere Größen aus ihrer gemeinsamen Vergangenheit erklären.
Beim Einbezug von Markterwartungen folgt er der Annahme, dass zukünftige Ereignisse, die in der Vergangenheit nicht beobachtet werden konnten, sog. regime shifts, wie die Einführung des Euros, zur Verbesserung der Prognoseleistung beitragen können. In wieweit Verbesserungen eintreten und welche Variablen zur hier behandelten Zinsprognose herangezogen werden, wird in Kapitel vier „Ergebnisse empirischer Studien“ ausführlich erläutert. Zudem wird beantwortet, welche Rolle in diesem Zusammenhang informationseffiziente Märkte und rationale Erwartungen der Marktteilnehmer spielen und welche Konsequenzen sich daraus für die Prognosen ergeben. Zuvor gibt jedoch der folgende Abschnitt einen Überblick über wichtige zinsbeeinflussende makroökonomische Größen. Teil drei beschäftigt sich mit der Theorie ökonometrischer Modelle zu Prognosezwecken. Eine kritische Würdigung in Kapitel fünf schließt die Arbeit ab.
Zusammenfassung der Kapitel
1. Einleitung: Dieses Kapitel motiviert die Notwendigkeit präziser Zinsprognosen und führt in die von Sims entwickelte Methodik der VAR-Modelle als Lösung für bestehende Schwächen in der ökonomischen Modellierung ein.
2. Zinsbeeinflussende Faktoren: Hier werden ökonomische Theorien wie die Loanable-Funds-Theorie und die Liquiditätspräferenztheorie erläutert, um die wesentlichen Treiber von Zinssätzen im Kontext makroökonomischer Größen darzulegen.
3. Darstellung verschiedener VAR-Modelle und der Stationarität: Dieses Kapitel erläutert die mathematischen Grundlagen und Modellvarianten (VAR, BVAR, VECM) sowie die für die Zeitreihenanalyse zwingend erforderliche Eigenschaft der Stationarität.
4. Ergebnisse empirischer Studien: Eine detaillierte Übersicht und Analyse verschiedener Forschungsarbeiten, die die Prognosegüte von VAR-Modellen anhand von Fallbeispielen wie Kunst/Neusser, Lupoletti/Webb und anderen bewerten.
5. Kritische Würdigung: Das abschließende Kapitel reflektiert die Ergebnisse der Studien, diskutiert die Grenzen der Modellierbarkeit ökonomischer Zusammenhänge und betont die Bedeutung der Berücksichtigung von Markterwartungen.
Schlüsselwörter
Zinsprognose, VAR-Modell, Prognosegenauigkeit, Ökonometrie, Zeitreihenanalyse, Makroökonomik, BVAR-Modell, Error Correction Model, Stationarität, Informationseffizienz, Markterwartungen, Fiskalpolitik, Geldpolitik, Kausalität, Prognosegüte.
Häufig gestellte Fragen
Worum geht es in dieser Arbeit grundsätzlich?
Die Arbeit untersucht, wie moderne ökonometrische Modelle, speziell VAR-Modelle, genutzt werden können, um Zinssätze präziser vorherzusagen.
Was sind die zentralen Themenfelder?
Die zentralen Felder umfassen die Zinstheorie, die methodische Konstruktion von Zeitreihenmodellen und die empirische Überprüfung dieser Modelle in der wirtschaftlichen Praxis.
Was ist das primäre Ziel der Arbeit?
Das Ziel ist es, die Leistungsfähigkeit von VAR-Modellen im Vergleich zu traditionellen Prognosemethoden zu evaluieren und herauszufinden, ob sie als zuverlässige Benchmark dienen können.
Welche wissenschaftliche Methode wird verwendet?
Es wird eine Literatur- und Studienanalyse durchgeführt, bei der verschiedene empirische ökonometrische Ansätze (VAR, BVAR, VECM) auf ihre statistische Prognosegüte hin verglichen werden.
Was wird im Hauptteil behandelt?
Der Hauptteil gliedert sich in eine theoretische Herleitung der Zinsfaktoren, eine technische Einführung in die VAR-Modellierung und eine kritische Diskussion diverser empirischer Studien zu diesem Thema.
Welche Schlüsselwörter charakterisieren die Arbeit?
Wichtige Begriffe sind Zinsprognose, VAR-Modell, Zeitreihenanalyse, Prognosegenauigkeit und Informationseffizienz.
Warum spielt die Stationarität in der Arbeit eine so große Rolle?
Die Stationarität ist eine Grundvoraussetzung für die Anwendung der Kleinstquadratmethode, da andernfalls keine validen ökonometrischen Tests von Zusammenhängen zwischen den Zeitreihen möglich wären.
Was schlussfolgern die Autoren über die Kombination von Prognosemodellen?
Die Analyse legt nahe, dass die Kombination verschiedener Modelle, wie etwa VAR-Modelle mit bestehenden Prognosen von Finanzgesellschaften, Synergieeffekte freisetzen und die Prognosegüte insgesamt verbessern kann.
- Citar trabajo
- Stefan Dauben (Autor), 2004, Zinsprognose mit vektorautoregressiven Modellen, Múnich, GRIN Verlag, https://www.grin.com/document/129243
