Soft Computing in der Konjunkturprognostik

Transkript

1 mice.uni-muenster.de Soft Computing in der und Handelsblatt Frühindikator im Vergleich DIW Berlin, 20. Juni 2005 Stefan Kooths

2 Überblick 2

3 Wissensgrenze Ausgangspunkt: Erwartungsbildung in Konjunkturmodellen sehr hoch Grenze der Informationsverabreitung rationale Erwartungen Lernfähigkeit Erfahrungsregelbasierte Erwartungen sehr niedrig autoregressive Erwartungen gering Wissensstand vollständig 3

4 Lastenheft und Technologiewahl Explizite Wissensrepräsentation (Interpretierbarkeit) Berücksichtigung von Unschärfe (begrenzte Rationalität) Erfahrungsabhängigkeit (Lernfähigkeit) Lastenheft regelbasiert Menschen suchen nach Regelmäßigkeiten in komplexen Situationen (mentale Modelle) fuzzy Unsicherheit über die genaue Funktionsweise des Marktes und der Interpretation von Daten adaptive Fuzzyregel- Systeme adaptiv Menschen lernen aus Erfahrungen und verwerfen Regeln, formulieren neue, modifizieren bestehende, etc. 4

5 Umsetzung und Anwendung Erfahrungsregelbasierte Erwartungen empirische Prognosen Prognosesoftware GENEFER Basistechnologie: Fuzzy Logik Technologiemix (Hybridansatz) Anwendungsbeispiel: Handelsblatt Frühindikator Performance-Vergleich Regelbasis vs. Black Box 5

6 Fuzzy Logik Das Unsympathische an Computern ist, dass sie nur ja oder nein sagen können, aber nicht vielleicht. B. Bardot Der Frau kann geholfen werden. frei nach F. Schiller Fuzzy Logik Multivalente Verallgemeinerung der klassischen Mengenlehre (graduelle Zugehörigkeit) linguistische Variablen (explizite Unschärfe) Regeln (explizite Wissensrepräsentation) 6

7 Auszug aus DIW-Wochenbericht 17/2005 7

8 Linguistische Regeln und Fuzzifizierung WENN Auftragseingang mittel UND Geschäftsklima sehr gut DANN BIP-Wachstum hoch. ZG 1 niedrig mittel hoch Auftragseingang (Wachstumsrate) 8

9 Auswertung mehrdimensionaler Regeln (Aggregation) WENN Auftragseingang mittel UND Geschäftsklima sehr gut DANN BIP-Wachstum hoch. ZG(Auftragseingang: mittel) = 0.6 ZG(Geschäftsklima: sehr hoch) = 0.4 ZG(Regelbedingung) = 0.4 [Minimum-UND] ZG(Regelbedingung) = 0.32 [Produkt-UND] 9

10 Inferenz (Einzelregel) WENN Auftragseingang mittel UND Geschäftsklima sehr gut DANN BIP-Wachstum hoch. ZG 1 sehr niedrig niedrig mittel hoch sehr hoch BIP-Wachstumsrate 10

11 Inferenz (Regelbasis) IF... AND... THEN... IF... AND... THEN... IF... AND... THEN... IF... AND... THEN... IF... AND... THEN... IF... AND... THEN... IF... AND... THEN... IF... AND... THEN... IF... AND... THEN... IF... AND... THEN... 11

12 Fuzzy Inferenzergebnis und Defuzzifizierung ZG 1 sehr niedrig niedrig mittel hoch sehr hoch % BIP-Wachstumsrate 12

13 Parameter einer Fuzzy-Regelbasis (1) Fuzzy-Mengenparamter (2) Regelgewichte (3) Anzahl/Verknüpfung der Regeln (2) (1) w 1 IF AND THEN w 2 IF AND THEN (3) w 3 IF AND THEN w 4 IF AND THEN w 5 IF AND THEN w 6 IF AND THEN w 7 IF AND THEN 13

14 Prognosesoftware GENEFER Ablaufschema Input-Identifizierung Fuzzifizierung Regelgenerierung Tuning Prognose (mit/ohne Training) Lerntechnologien Fuzzy Curves/Surfaces Neuronale Netze (Wettbewerbslernen, Backprop) Genetische Algorithmen 14

15 Lern- und Explorationsverfahren Neuornale Netze Genetische Algorithmen F(x1;x2) 1 0,8 0,6 0,4 F(x1;x2) , ,2-2 x x x x2 1 15

16 Handelsblatt Frühindikator Output: BIP Jahrswachstumsrate (Quartale) Inputs (monatlich): Auftragseingang im Verarbeitenden Gewerbe Auftrageeingang im Bauhauptgewerbe Einzelhandelsumsätze ifo-geschäftsklima für das Verarbeitende Gewerbe Zinstruktur (il Fibor) Zeitraum 1980 bis Okt (265 Monate) BIP-Wachstum bis Q Prognose mit dreimonatigem Vorlauf 16

17 Vergleich 1 7% 6% 5% 4% 3% GDP HBI: 0,69 % GENEFER: 0,53 % Ex-post Simulation (FB: triangulär, EBP-Tuning: Lernrate=1 Epochen=25) 2% 1% 0% 80-1% % -3% 17

18 Vergleich 2 7% 6% 5% 4% 3% GDP HBI: 0,69 % GENEFER: 0,49 % Ex-post Simulation (FB: Gauss, EBP-Tuning: Lernrate=1, Epochen=25) 2% 1% 0% 80-1% % -3% 18

19 Vergleich 3 7% 6% 5% 4% 3% GDP HBI: 0,46 % GENEFER: 0,77 % Ex-ante Simulation ab Mai 1994 (FB: Gauss, kein OoS-Lernen) GENEFER-Prognose 2% 1% 0% 80-1% % -3% 19

20 Vergleich 4 7% 6% 5% 4% 3% GDP HBI: 0,46 % GENEFER: 0,36 % Ex-ante Simulation ab Mai 1994 (FB: Gauss, OoS-Lernrate: 0,4) GENEFER-Prognose 2% 1% 0% 80-1% % -3% 20

21 Vergleich 5 7% 6% 5% 4% 3% GDP HBI: 0,46 % GENEFER: 0,41 % Ex-ante Simulation ab Mai 1994 (FB: triangulär, OoS-Lernrate: 0,4) GENEFER-Prognose 2% 1% 0% 80-1% % -3% 21

22 Vergleich 6 7% 6% 5% 4% 3% GDP HBI: 0,46 % GENEFER: 0,41 % Ex-ante Simulation ab Mai 1994 (FB: Gauss, OoS: Lernrate=0,4 Steps=3) GENEFER-Prognose 2% 1% 0% 80-1% % -3% 22

23 Ergebnisaufbereitung (Januar 1991) 23

24 Erweiterungspotential heterogene Regeldimensionen (allgemeine und spezielle Regeln) Endogenisierung des Lernverhaltens Kritik Freiheitsgrade beim Systemdesign Einsatz Vergleichsstudien Kombination mit ökonometrischen Verfahren (Datenvorverarbeitung) Leistungsfähigkeit (beider Indikatoren) lediglich Ausgleich des VGR-Lags 24

25 Fuzzifizierung: Schwarz-Weiß-Grau-Beispiel Fuzzyregel-basierte Systeme 25