universität münster, muenster institute for computational economics eric ringhut fliednerstr. 21...
TRANSCRIPT
Universität Münster,
Muenster Institute for Computational Economics
Muenster Institute for Computational EconomicsEric RinghutFliednerstr. 21D-48149 Münstere-mail: [email protected]
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!