Universität Münster,

Muenster Institute for Computational Economics

Muenster Institute for Computational EconomicsEric RinghutFliednerstr. 21D-48149 Münstere-mail: ringhut.mice@wiwi.uni-muenster.de

Wissensbasierte und Wissensbasierte und software-gestützte software-gestützte

Verfahren zur Verfahren zur KonjunkturprognoseKonjunkturprognose

ein Anwendungsbeispiel mit Hilfe der ein Anwendungsbeispiel mit Hilfe der Software GENEFER zur Prognose des BIP-Software GENEFER zur Prognose des BIP-

Wachstums in DeutschlandWachstums in Deutschland

2222

Motivation

Technologie

Was ist GENEFER?

Ergebnisse

Konjunkturprognose live!

Gliederung

3333

Dominanz von Erwartungen auf die Marktergebnisse(Bsp. Finanzmärkte)

unzureichende Modellierungsalternativen

teilweise schwache empirische Bestätigung ökonomischer Theorien

Motivation

4444

Gängige Erwartungsbildungshypothesen

► statische Erwartungen► extrapolative Erwartungen► adaptive Erwartungen► regressive Erwartungen► Neuronale Netze► ...► rationale Erwartungen

5555

Lern

fähi

gkei

t

Wissensstandniedrig vollständig

extrem niedrig

extremhoch

statische Erwartungen

extrapolative Erwartungen

adaptive Erwartungen

rationale Erwartungen

adaptive Fuzzyregel-basierte Erwartungen

Grenze der Informationsverarbeitung

Gre

nze

des

Info

rmat

ions

umfa

ngs

regressive Erwartungen

Einordnung

6666

adaptive Fuzzyregel-basierte Erwartungen

Anforderungen an eine „realitätsnähere“ Formulierung

► Explizite Wissensrepräsentation (Interpretierbarkeit)

► Berücksichtigung von Unsicherheit (bounded rationality)

► Erfahrungsabhängigkeit (Lernen)

7777

Was sind adaptive Fuzzyregel-basierte Erwartungen?

Warum regelbasiert?Menschen suchen nach Regelmäßigkeiten in komplexen Situationen, mentale Modelle

Warum fuzzy?Unsicherheit über die genaue Funktionsweise des Marktes und der Interpretation von Daten

Warum adaptiv? Menschen lernen aus Erfahrungen und verwerfen Regeln, formulieren neue, modifizieren bestehende, etc.

8888

formal: Mathematik/Statistik/Ökonometrie

anspruchsvoll/schwierig zu interpretieren aber oft notwendig, um gut Ergebnisse zu erzielen

sprachlich

gut zu verstehen aber ungenau/unscharf

Modellierungsebenen

9999

Fuzzy Logik

Genetische Algorithmen

Neuronale Netze

GENEFER

KI-Technologien in GENEFER

10101010

Wenn der Auftragseingang im Bau hoch ist UND die Zinsstrukturkurve steil ansteigt DANN wird sich die Konjunktur im nächsten Quartal nur wenig verbessern.

Beispiel

Wenn der Auftragseingang im Bau hoch ist UND die Zinsstrukturkurve steil ansteigt DANN wird sich die Konjunktur im nächsten Quartal nur wenig verbessern.

11111111

4% 8%

mittel sehr hoch

Mengen und Fuzzy-Mengen

AE Bau

ZG

1,0hoch

0,8

0,3

6,8%

12121212

Fuzzyregeln: sprachliche vs formale Ebene

Wenn Input 1 klein ist, dann ist Output hoch

Konditionalteil Konsekutivteil

Fuzzy Relation

13131313

Fuzzy Inferenz I

gM3 BIP-Wachstum

6,8%

0,6

hoch starke Erhöhung

Konditionalteil Konsekutivteil

14141414

Wenn... und...dann...Wenn... und...dann...Wenn... und...dann...Wenn... und...dann...Wenn... und...dann...Wenn... und...dann...Wenn... und...dann...Wenn... und...dann...Wenn... und...dann...Wenn... und...dann...

Wenn... und...dann...Wenn... und...dann...Wenn... und...dann...Wenn... und...dann...Wenn... und...dann...Wenn... und...dann...Wenn... und...dann...Wenn... und...dann...Wenn... und...dann...Wenn... und...dann...

Fuzzy Inferenz II:Fuzzyregel-Basis

15151515

Fuzzy Inferenz III

BIP Wachstum

ZG klein mittel hoch

Fuzzy Inferenzergebnismenge

scharfer Fuzzyregel-Basis Output

16161616

Fuzzyregel-Basis-Generierung

Woher kommen die Fuzzyregeln für eine gegebene Problemstellung ?

GENEFER ist in der Lage, Fuzzyregeln automatisch aus einer Datenbank mit numerischen Input-Output Einträgen zu extrahieren.

17171717

Parameter einer Fuzzyregel-Basis

w7

w6

w5

w4

w3

w2

w1

THENANDIF

THENANDIF

THENANDIF

THENANDIF

THENANDIF

THENANDIF

THENANDIF

Fuzzy-Mengen Parameter

(1)(2)

Regelgewichte

(3)Anzahl der Regeln

18181818

NeuronaleNetze (EBP)

Genetische Algorithmen

-1

0

1

1

0

-1

-40

-30

-20

-10

0

10

20

30

40

F(x1;x2)

x1

x2

- 2

0

22

0

- 2- 0 , 2

0

0 , 2

0 , 4

0 , 6

0 , 8

1

F ( x 1 ; x 2 )

x 1

x 2

KI-Techniken als Lernmethoden

19191919

Fuzzy Inferenzprozess im Überblick

numerische Input- und Outputdaten

Fuzzifizierungnumerischer Fuzzy Regel-basis-Output

Filterungwahrge-nommene Umwelt

Weight IF Input1 AND Input2 THEN Output

1 low medium medium

2 low very high high

3 medium very low low

4 high very high high

5 low low low

6 high medium medium

7 high very low medium

8 medium low low

9 medium medium medium

10 high medium medium

scharfer Regelbasis

Output

Richtung der Informationsverarbeitung

linguistische Ebenereellwertige Ebene reellwertige Ebene

Inferenz (Fuzzy Regelbasis)

Defuzzifizierung

20202020

Klassische Regeln und Funktionsapproximation

1

1 X

Y

3 5 70

2

4

6

Regel 1

Regel 2

Regel 3

21212121

Fuzzyregeln und Funktionsapproximation

1

1 X

Y

3 5 70

2

4

6

Regel 1

Regel 2

Regel 3

22222222

Entwurfschritte in GENEFER

(1) Input Identifizierung

(2) Fuzzifizierung

(3) Regelbasis-Entwurf- Generierung

- Simplifizierung

(4) Fuzzy Regelbasis-Tuning

23232323

GENEFER

Universelles Werkzeug für Design, Hand-ling und Analyse von Fuzzyregel-basen

Erwartungs-Generator für ökonomische Simulationen via COM-Interface

Prognosewerkzeug

24242424

Einsatzgebiete

- Insolvenzprognosen- Kreditwürdigkeitsprüfung- Betrugserkennung- Lieferantenbewertung- Antragsentscheidung- Finanzmarktprognosen- Absatzprognosen- ...

25252525

► Fokus: „look and feel“► Prognosebeispiel:

Handelsblatt Frühindikator ► Beispiele

Demo

26262626

Output: BIP Jahreswachstumsrate (Quartalswerte) Inputs (Monatswerte):

Auftragseingang im Verarbeitenden Gewerbe Auftragseingang im Bauhauptgewerbe Einzelhandelsumsätze ifo-Geschäftsklima für das Verarbeitende Gewerbe Zinstruktur (iL – Fibor) Auftragseingang VG Investitionsgüter LB-saldo Wettbewerbsfähigkeit ggüb. 19 Industrienationen ifo-Preiserwartungen VG ifo-Geschäftserwartungen Investitionsgüterindustrie ifo-Geschäftssituation Einzelhandel ifo-Einzelhandel Lagerbestände Fertigwaren

Zeitraum Jan. 1979 bis Dez. 2002 (275 Monate) BIP-Wachstum bis Q3 2002 Prognose mit dreimonatigem Vorlauf

Daten

27272727

Grafische Darstellung

-2,0%

-1,0%

0,0%

1,0%

2,0%

3,0%

4,0%

5,0%

6,0%

7,0%

1 7 13 19 25 31 37 43 49 55 61 67 73 79 85 91 97 103 109 115 121 127 133 139 145 151 157 163 169 175 181 187 193 199 205 211 217 223 229 235 241 247 253 259 265 271

GDP Quarterly Grow th Rate

-1,00

-0,80

-0,60

-0,40

-0,20

0,00

0,20

0,40

0,60

0,80

1,00

1 7 13 19 25 31 37 43 49 55 61 67 73 79 85 91 97 103 109 115 121 127 133 139 145 151 157 163 169 175 181 187 193 199 205 211 217 223 229 235 241 247 253 259 265 271

AE-VG (Vol) (sb) AE-Bau (Vol) (sb) Umsatz-EH

28282828

Grafische Darstellung

-2,0%

-1,0%

0,0%

1,0%

2,0%

3,0%

4,0%

5,0%

6,0%

7,0%

1 7 13 19 25 31 37 43 49 55 61 67 73 79 85 91 97 103 109 115 121 127 133 139 145 151 157 163 169 175 181 187 193 199 205 211 217 223 229 235 241 247 253 259 265 271

GDP Quarterly Grow th Rate

-1,00

-0,80

-0,60

-0,40

-0,20

0,00

0,20

0,40

0,60

0,80

1,00

1 7 13 19 25 31 37 43 49 55 61 67 73 79 85 91 97 103 109 115 121 127 133 139 145 151 157 163 169 175 181 187 193 199 205 211 217 223 229 235 241 247 253 259 265 271

Zinsdiff ifo GE VG

29292929

Prognoseverlauf des HB-Indikators

30303030

Simulations-Setup I Triangulär Gauss Datensatz Mit Tuning Ohne Tuning Mit Tuning Ohne Tuning

0 Alle

0 Alle skaliert

0 Alle skaliert + geglättet 3 Per

0 Alle skaliert + geglättet 6 Per

0 ab 4/92

0 ab 4/92 skaliert

0 ab 4/92 skaliert + geglättet 3 Per

0 ab 4/92 skaliert + geglättet 6 Per

1

1

1

1

Allgemeine Einstellungen: ab Per 225 oos, 30% overlap bei Fuzzification, 100 epoch und 20 samples EBP, LR 0,15, Zeitfenster 10 / 5 samples OOS learning

31313131

Simulations-Setup II

► Modell 17: oos ab 3Q/2002 (alle bis heute bekannten Zeitpunkte), vollst. Datensatz

► Modell 18: oos ab 3Q/2002 (Datenbank ab 4Q/1992)

► Modell 19: Inputs mit FC/FS, vollst. Datenbank

► Modell 20: Inputs mit FC/FS, ab 4Q/1992

► Modell 21: alle Inputs

► Modell 22: Output um 1Q in die Vergangenheit verschoben

Allgemeine Einstellungen: ab Per 225 oos, 30% overlap bei Fuzzification, 100 epoch und 20 samples EBP, LR 0,15, Zeitfenster 10 / 5 samples OOS learning

32323232

Modell 01, triangulär, oos training

33333333

Modell 03, triangulär, kein Lernen

34343434

Modell 08, triangulär, mit Lernen

35353535

Modell 12, gauss, kein Lernen

-2,0%

-1,0%

0,0%

1,0%

2,0%

3,0%

4,0%

5,0%

6,0%

7,0%

1980

/07

1982

/01

1983

/07

1985

/01

1986

/07

1988

/01

1989

/07

1991

/01

1992

/07

1994

/01

1995

/07

1997

/01

1998

/07

2000

/01

2001

/07

2003

/01

Genefer Frühindikator GDP Quarterly Growth Rate

36363636

Modell 16, gauss, mit Lernen

37373737

Modell 18, ab 4/92 bis 3/2002

38383838

Modell 20, Inputs: AE-VG Inv., U-EH, ifo-PE VG, ifo-GE Inv., ifo GS EH

39393939

Modell 21, alle Inputs

40404040

1 Q verschoben, Gauss, 5/7, FC/FS: AE-VG, U-EH, ifo-GE VG, ifo-GE Inv, ifo-GS EH

-2,00%

-1,00%

0,00%

1,00%

2,00%

3,00%

4,00%

5,00%

6,00%

7,00%

1980

/07

1981

/07

1982

/07

1983

/07

1984

/07

1985

/07

1986

/07

1987

/07

1988

/07

1989

/07

1990

/07

1991

/07

1992

/07

1993

/07

1994

/07

1995

/07

1996

/07

1997

/07

1998

/07

1999

/07

2000

/07

2001

/07

2002

/07

Genefer GDP Quarterly Growth Rate Frühindikator

41414141

www. .de

Konjunkturprognosen live!