Die Präsentation wird geladen. Bitte warten

Die Präsentation wird geladen. Bitte warten

Universität Münster, Muenster Institute for Computational Economics Eric Ringhut Fliednerstr. 21 D-48149 Münster

Ähnliche Präsentationen


Präsentation zum Thema: "Universität Münster, Muenster Institute for Computational Economics Eric Ringhut Fliednerstr. 21 D-48149 Münster"—  Präsentation transkript:

1 Universität Münster, Muenster Institute for Computational Economics Eric Ringhut Fliednerstr. 21 D-48149 Münster e-mail: ringhut.mice@wiwi.uni-muenster.de Wissensbasierte und software-gestützte Verfahren zur Konjunkturprognose ein Anwendungsbeispiel mit Hilfe der Software GENEFER zur Prognose des BIP- Wachstums in Deutschland

2 2 2 Motivation Technologie Was ist GENEFER? Ergebnisse Konjunkturprognose live! Gliederung

3 3 3 Dominanz von Erwartungen auf die Marktergebnisse (Bsp. Finanzmärkte) unzureichende Modellierungsalternativen teilweise schwache empirische Bestätigung ökonomischer Theorien Motivation

4 4 4 Gängige Erwartungsbildungshypothesen statische Erwartungen extrapolative Erwartungen adaptive Erwartungen regressive Erwartungen Neuronale Netze... rationale Erwartungen

5 5 5 Einordnung

6 6 6 adaptive Fuzzyregel-basierte Erwartungen Anforderungen an eine realitätsnähere Formulierung Explizite Wissensrepräsentation (Interpretierbarkeit) Berücksichtigung von Unsicherheit (bounded rationality) Erfahrungsabhängigkeit (Lernen)

7 7 7 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.

8 8 8 formal: Mathematik/Statistik/Ökonometrie anspruchsvoll/schwierig zu interpretieren aber oft notwendig, um gut Ergebnisse zu erzielen sprachlich gut zu verstehen aber ungenau/unscharf Modellierungsebenen

9 9 9 Fuzzy Logik Genetische Algorithmen Neuronale Netze GENEFER KI-Technologien in GENEFER

10 10 10 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.

11 11 11 4%8% mittel sehr hoch Mengen und Fuzzy-Mengen AE Bau ZG 1,0 hoch 0,8 0,3 6,8%

12 12 12 Fuzzyregeln: sprachliche vs formale Ebene Wenn Input 1 klein ist, dann ist Output hoch Konditionalteil Konsekutivteil Fuzzy Relation

13 13 13 Fuzzy Inferenz I gM3 BIP-Wachstum 6,8% 0,6 hochstarke Erhöhung Konditionalteil Konsekutivteil

14 14 14 Wenn... und...dann... Fuzzy Inferenz II:Fuzzyregel-Basis

15 15 15 Fuzzy Inferenz III BIP Wachstum ZG kleinmittelhoch Fuzzy Inferenzergebnismenge scharfer Fuzzyregel-Basis Output

16 16 16 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.

17 17 17 Parameter einer Fuzzyregel-Basis w7w7 w6w6 w5w5 w4w4 w3w3 w2w2 w1w1 THENANDIF THENANDIF THENANDIF THENANDIF THENANDIF THENANDIF THENANDIF Fuzzy-Mengen Parameter (1) (2) Regelgewichte (3) Anzahl der Regeln

18 18 18 Neuronale Netze (EBP) Genetische Algorithmen KI-Techniken als Lernmethoden

19 19 19 Fuzzy Inferenzprozess im Überblick numerische Input- und Outputdaten Fuzzifizierung numerischer Fuzzy Regel- basis-Output Inferenz (Fuzzy Regelbasis) Defuzzifizierung

20 20 20 Klassische Regeln und Funktionsapproximation 1 1 X Y 3 5 7 0 2 4 6 Regel 1 Regel 2 Regel 3

21 21 21 Fuzzyregeln und Funktionsapproximation 1 1 X Y 3 5 7 0 2 4 6 Regel 1 Regel 2 Regel 3

22 22 22 Entwurfschritte in GENEFER (1)Input Identifizierung (2)Fuzzifizierung (3)Regelbasis-Entwurf -Generierung -Simplifizierung (4)Fuzzy Regelbasis-Tuning

23 23 23 GENEFER Universelles Werkzeug für Design, Hand- ling und Analyse von Fuzzyregel-basen Erwartungs-Generator für ökonomische Simulationen via COM-Interface Prognosewerkzeug

24 24 24 Einsatzgebiete - Insolvenzprognosen - Kreditwürdigkeitsprüfung - Betrugserkennung - Lieferantenbewertung - Antragsentscheidung - Finanzmarktprognosen - Absatzprognosen -...

25 25 25 Fokus: look and feel Prognosebeispiel: Handelsblatt Frühindikator Beispiele Demo

26 26 26 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

27 27 27 Grafische Darstellung

28 28 28 Grafische Darstellung

29 29 29 Prognoseverlauf des HB-Indikators

30 30 30 Simulations-Setup I 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

31 31 31 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

32 32 32 Modell 01, triangulär, oos training

33 33 33 Modell 03, triangulär, kein Lernen

34 34 34 Modell 08, triangulär, mit Lernen

35 35 35 Modell 12, gauss, kein Lernen

36 36 36 Modell 16, gauss, mit Lernen

37 37 37 Modell 18, ab 4/92 bis 3/2002

38 38 38 Modell 20, Inputs: AE-VG Inv., U-EH, ifo-PE VG, ifo-GE Inv., ifo GS EH

39 39 39 Modell 21, alle Inputs

40 40 40 1 Q verschoben, Gauss, 5/7, FC/FS: AE-VG, U-EH, ifo-GE VG, ifo-GE Inv, ifo-GS EH

41 41 41 www..de Konjunkturprognosen live!


Herunterladen ppt "Universität Münster, Muenster Institute for Computational Economics Eric Ringhut Fliednerstr. 21 D-48149 Münster"

Ähnliche Präsentationen


Google-Anzeigen