Analyse ökonomischer Zeitreihen: Ein Ansatz aus ökonometrischen Modellen und maschinellem Lernen

Die Datenflut und die volatilen Märkte erzwingen tiefgreifende Veränderungen in den Modellen für Wirtschafts- und Finanzprognosen. Das Seminar „Analyse ökonomischer Zeitreihen“ zeigt einen Trend hin zur Kombination traditioneller Ökonometrie mit Verfahren des maschinellen Lernens auf und eröffnet damit neue Wege für flexiblere und präzisere Prognosen.

Im Kontext von Big Data, sich rasch verändernden Märkten und zunehmend komplexen wirtschaftlichen Beziehungen verändern sich die Anforderungen an Instrumente zur Wirtschafts- und Finanzprognose dramatisch.

Dies wurde deutlich im wissenschaftlichen Seminar „Economic Time Series Analysis: Approaches from Econometric Models and Machine Learning“, das von der Academy of Finance und dem International Center for Mathematical Research and Training organisiert wurde, mit Vorträgen von Dr. Cu Thu Thuy und MSc. Hoang Huu Son.

Die Diskussion bot nicht nur einen umfassenden Überblick über traditionelle Zeitreihenmodelle, sondern hob vor allem einen neuen Fortschritt hervor: die Aufrüstung ökonometrischer Modelle mit modernen Techniken des maschinellen Lernens.

Der einleitende Teil des Seminars systematisiert die Eigenschaften von Zeitreihen wie Trend, Saisonalität, Zyklen, Stationarität, Rauschen und klassische Modelle wie ARIMA, SARIMA, ARDL, ECM, VAR/VECM oder GARCH...

MSc. Hoang Huu Son präsentierte auf dem Seminar über maschinelle Lernmodelle in der Zeitreihenanalyse.

Diese Instrumente bilden seit Jahrzehnten die Grundlage der ökonometrischen Forschung und bieten deutliche Vorteile: gute Interpretationsfähigkeit, standardisierter theoretischer Rahmen, geringe Rechenkosten und Eignung für kleine Datensätze.

Die heutigen Finanzmärkte operieren mit vielfältigen Strukturen, die durch hohe Unsicherheit, zahlreiche Schocks und langfristige Abhängigkeiten gekennzeichnet sind. Die Anzahl der Variablen und Datenquellen wächst rasant, von Hochfrequenzdaten bis hin zu unstrukturierten Daten. In einem solchen Umfeld sind traditionelle Annahmen (Stationarität, Normalverteilung, Linearität usw.) oft nicht mehr anwendbar und schränken die Genauigkeit herkömmlicher Modelle ein. Maschinelles Lernen stellt hier einen modernen und relevanten Ansatz dar.

Das Seminar fasst daher die Grundlagen des maschinellen Lernens und dessen Rolle, neuronale Netze und Deep Learning in der Zeitreihenanalyse wie MLP, RNN, LSTM, Bi-LSTM und Stacked LSTM zusammen. Im Gegensatz zu klassischen linearen Modellen hat maschinelles Lernen die Grenzen traditioneller ökonometrischer Modelle überwunden und ermöglicht die Modellierung nichtlinearer Zusammenhänge, Langzeitgedächtnis und automatischer Mustererkennung in Datenreihen.

Dr. Cu Thu Thuy hielt einen Vortrag auf dem Seminar über Ökonometrie und maschinelles Lernen.

Anhand experimenteller Preisprognosen für Bitcoin und den VN-Index unter Verwendung verschiedener Modelle konnte gezeigt werden, dass LSTM-Modelle selbst bei stark verrauschten Daten niedrige RMSE-, MAE- und MAPE-Fehlerwerte liefern. Darüber hinaus bilden LSTM-Modelle die ökonomische Natur der prognostizierten Daten präzise ab und beweisen damit die klaren Vorteile von maschinellem Lernen und Deep Learning in der Wirtschafts- und Finanzprognose.

Ein zentraler Punkt des Seminars war, dass Ökonometrie und maschinelles Lernen sich nicht widersprechen, sondern vielmehr ergänzen und verstärken. Die Ökonometrie liefert einen theoretischen Rahmen, Ursache-Wirkungs-Strukturen und Möglichkeiten zur politischen Interpretation. Maschinelles Lernen bietet leistungsstarke Rechenkapazitäten, nichtlineare Modellierung, die Fähigkeit zur Verarbeitung großer Datensätze und Unempfindlichkeit gegenüber Störungen.

Durch diese Kombination ist eine neue Generation von Modellen entstanden – von VAR-LSTM über hybride State Space + Deep Learning bis hin zur Transformation von Zeitreihen –, die sich zu einem internationalen Forschungstrend entwickeln.

Darüber hinaus bestätigten die Präsentationen und Diskussionen auf dem Seminar die Bedeutung von Investitionen in Infrastruktur und Daten für maschinelles Lernen und Deep Learning.

Da die Forschungseinrichtungen einen direkten Einfluss auf die Architektur, die Recheneffizienz des Modells bei der Lösung realer Probleme sowie auf die Erstellung hochwertiger internationaler Publikationen haben.

Das Seminar bestätigte den Wandel im Forschungsdenken: von der ausschließlichen Verwendung linearer Modelle hin zur Nutzung von Deep-Learning-Modellen; von kleinen Datensätzen hin zu großen Datensätzen; und von der deskriptiven Analyse hin zu hochpräzisen Vorhersagen.

Dies ist eine wichtige Richtung für die Bereiche Mathematische Ökonomie, Finanzen und Bankwesen, Datenanalyse und Data Science an der Academy of Finance.

Quelle: https://daibieunhandan.vn/phan-tich-chuoi-thoi-gian-kinh-te-tiep-can-tu-mo-hinh-kinh-te-luong-va-hoc-may-10399890.html