PPT

Werbung
Muenster Institute for Computational Economics
Eric Ringhut
Fliednerstr. 21
D-48149 Münster
e-mail: [email protected]
Wissensbasierte und
software-gestützte
Verfahren zur
Konjunkturprognose
ein Anwendungsbeispiel mit Hilfe der
Software GENEFER zur Prognose des BIPWachstums in Deutschland
Universität Münster,
Muenster Institute for Computational Economics
Gliederung
 Motivation
 Technologie
 Was ist GENEFER?
 Ergebnisse
 Konjunkturprognose live!
2
2
Motivation
 Dominanz von Erwartungen auf die
Marktergebnisse
(Bsp. Finanzmärkte)
 unzureichende
Modellierungsalternativen
 teilweise schwache empirische
Bestätigung ökonomischer Theorien
3
3
Gängige Erwartungsbildungshypothesen
►
►
►
►
►
►
►
statische Erwartungen
extrapolative Erwartungen
adaptive Erwartungen
regressive Erwartungen
Neuronale Netze
...
rationale Erwartungen
4
4
Einordnung
extrem
hoch
rationale Erw artungen
adaptive Fuzzyregel-basierte Erw artungen
adaptive Erw artungen
extrapolative Erw artungen
extrem
niedrig
statische Erw artungen
niedrig
regressive Erw artungen
Wissensstand
Grenze des Informationsumfangs
Lernfähigkeit
Grenze der Inf ormationsverarbeitung
vollständig
5
5
Anforderungen an eine „realitätsnähere“
Formulierung
►Explizite Wissensrepräsentation
(Interpretierbarkeit)
►Berücksichtigung von Unsicherheit
(bounded rationality)
►Erfahrungsabhängigkeit (Lernen)
adaptive Fuzzyregel-basierte Erwartungen
6
6
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.
7
7
Modellierungsebenen
formal: Mathematik/Statistik/Ökonometrie
anspruchsvoll/schwierig zu interpretieren aber oft
notwendig, um gut Ergebnisse zu erzielen
sprachlich
gut zu verstehen aber ungenau/unscharf
8
8
KI-Technologien in GENEFER
Fuzzy Logik
GENEFER
Neuronale Netze
Genetische Algorithmen
9
9
Beispiel
Wenn der Auftragseingang im Bau
hoch ist UND die Zinsstrukturkurve
steil ansteigt DANN wird sich die
Konjunktur im nächsten Quartal nur
wenig verbessern.
10
10
Mengen und Fuzzy-Mengen
ZG
1,0
mittel
hoch
sehr hoch
0,8
0,3
4%
 8%
6,8%
AE Bau
11
11
Fuzzyregeln: sprachliche vs formale Ebene
Konditionalteil
Konsekutivteil
Wenn Input 1 klein ist, dann ist Output hoch
Fuzzy Relation
12
12
Fuzzy Inferenz I
Konsekutivteil
Konditionalteil
hoch
starke Erhöhung
0,6

gM3
BIP-Wachstum
6,8%
13
13
Fuzzy Inferenz II:Fuzzyregel-Basis
 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...
14
14
Fuzzy Inferenz III
ZG
klein
mittel
hoch
Fuzzy Inferenzergebnismenge
BIP Wachstum
scharfer Fuzzyregel-Basis Output
15
15
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.
16
16
Parameter einer Fuzzyregel-Basis
Fuzzy-Mengen Parameter
Regelgewichte
(1)
(2)
Anzahl
der
(3)
Regeln
w1
IF
AND
THEN
w2
IF
AND
THEN
w3
IF
AND
THEN
w4
IF
AND
THEN
w5
IF
AND
THEN
w6
IF
AND
THEN
w7
IF
AND
THEN
17
17
KI-Techniken als Lernmethoden
Genetische
Algorithmen
Neuronale
Netze (EBP)
1
40
30
0,8
20
0,6
10
F(x1;x2)
0,4
F(x1;x2)
0,2
0
-10
-20
0
-2
-0,2
-2
x2
0
1
-40
0
x1
-30
1
0
x2
2
2
x1
0
-1
-1
18
18
Fuzzy Inferenzprozess im Überblick
reellwertige Ebene
Weight
wahrgenommene
Umwelt
Filterung
IF
Input1
AND
Input2
Output
low
medium
medium
a2
low
very high
high
a3
medium
very low
low
a4
high
very high
high
a5
low
low
low
a6
high
medium
medium
a7
high
very low
medium
low
low
medium
medium
a8
a9
Fuzzifizierung
THEN
a1
medium
Richtung der Informationsverarbeitung
numerische
Input- und
Outputdaten
reellwertige Ebene
linguistische Ebene
a10
medium
scharfer
Regelbasis
Output
numerischer
medium
medium
Inferenz
Defuzzifizierung Fuzzy Regel(Fuzzy Regelbasis)
basis-Output
high
19
19
Klassische Regeln und Funktionsapproximation
Y
6
Regel 3
4
Regel 2
2
Regel 1
0
1
3
5
7
X
1
20
20
Fuzzyregeln und Funktionsapproximation
Y
6
Regel 3
4
Regel 2
2
Regel 1
0
1
3
5
7
X
1
21
21
Entwurfschritte in GENEFER
(1) Input Identifizierung
(2) Fuzzifizierung
(3) Regelbasis-Entwurf
- Generierung
- Simplifizierung
(4) Fuzzy Regelbasis-Tuning
22
22
GENEFER
Universelles Werkzeug für Design, Handling und Analyse von Fuzzyregel-basen
Erwartungs-Generator für ökonomische
Simulationen via COM-Interface
Prognosewerkzeug
23
23
Einsatzgebiete
- Insolvenzprognosen
- Kreditwürdigkeitsprüfung
- Betrugserkennung
- Lieferantenbewertung
- Antragsentscheidung
- Finanzmarktprognosen
- Absatzprognosen
- ...
24
24
Demo
► Fokus: „look and feel“
► Prognosebeispiel:
Handelsblatt Frühindikator
► Beispiele
25
25
Daten
 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
26
26
Grafische Darstellung
GDP Quarterly Grow th Rate
7,0%
6,0%
5,0%
4,0%
3,0%
2,0%
1,0%
0,0%
-1,0%
-2,0%
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
AE-VG (Vol) (sb)
AE-Bau (Vol) (sb)
Umsatz-EH
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
27
27
Grafische Darstellung
GDP Quarterly Grow th Rate
7,0%
6,0%
5,0%
4,0%
3,0%
2,0%
1,0%
0,0%
-1,0%
-2,0%
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
Zinsdiff
ifo GE VG
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
28
28
Prognoseverlauf des HB-Indikators
29
29
Simulations-Setup I
Triangulär
Gauss
Mit Tuning
Ohne Tuning
Mit Tuning
Ohne Tuning
0 Alle




0 Alle skaliert












0
1 ab 4/92




0
1 ab 4/92 skaliert












Datensatz
0 Alle skaliert +
geglättet 3 Per
0 Alle skaliert +
geglättet 6 Per
0
1 ab 4/92 skaliert
+ geglättet 3 Per
0
1 ab 4/92 skaliert
+ geglättet 6 Per
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
30
30
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
31
31
Modell 01, triangulär, oos training
32
32
Modell 03, triangulär, kein Lernen
33
33
Modell 08, triangulär, mit Lernen
34
34
Modell 12, gauss, kein Lernen
Genefer
Frühindikator
GDP Quarterly Growth Rate
7,0%
6,0%
5,0%
4,0%
3,0%
2,0%
1,0%
0,0%
-1,0%
19
80
/0
7
19
82
/0
1
19
83
/0
7
19
85
/0
1
19
86
/0
7
19
88
/0
1
19
89
/0
7
19
91
/0
1
19
92
/0
7
19
94
/0
1
19
95
/0
7
19
97
/0
1
19
98
/0
7
20
00
/0
1
20
01
/0
7
20
03
/0
1
-2,0%
35
35
Modell 16, gauss, mit Lernen
36
36
Modell 18, ab 4/92 bis 3/2002
37
37
Modell 20, Inputs: AE-VG Inv., U-EH, ifo-PE VG, ifo-GE
Inv., ifo GS EH
38
38
Modell 21, alle Inputs
39
39
19
80
19 /07
81
19 /07
82
19 /07
83
19 /07
84
19 /07
85
19 /07
86
19 /07
87
19 /07
88
19 /07
89
19 /07
90
19 /07
91
19 /07
92
19 /07
93
19 /07
94
19 /07
95
19 /07
96
19 /07
97
19 /07
98
19 /07
99
20 /07
00
20 /07
01
20 /07
02
/0
7
1 Q verschoben, Gauss, 5/7, FC/FS: AE-VG, U-EH, ifo-GE
VG, ifo-GE Inv, ifo-GS EH
Genefer
GDP Quarterly Growth Rate
Frühindikator
7,00%
6,00%
5,00%
4,00%
3,00%
2,00%
1,00%
0,00%
-1,00%
-2,00%
40
40
Konjunkturprognosen live!
www.
.de
41
41
Herunterladen