Please use this identifier to cite or link to this item: http://hdl.handle.net/10419/56733
Authors: 
Härdle, Wolfgang K.
Schulz, Rainer
Wang, Weining
Year of Publication: 
2010
Series/Report no.: 
SFB 649 discussion paper 2010-041
Abstract: 
Statistische Prognosen basieren auf der Annahme, dass ein funktionaler Zusammenhang zwischen der zu prognostizierenden Variable y und anderen j-dimensional beobachtbaren Variablen x = (x1,...xl) besteht. Kann der funktionale Zusammenhang geschätzt werden, so kann im Prinzip für jedes x der zugehörige Wert y prognostiziert werden. Bei den meisten Anwendungen wird angenommen, dass der funktionale Zusammenhang einem niedrigdimensionalen parametrischen Modell entspricht oder durch dieses zumindest gut wiedergegeben wird. Ein Beispiel im univariaten Fall ist das lineare Modell y = b0 + b1x. Sind die beiden unbekannten Parameter b0 und b1 mithilfe historischer Daten geschätzt, so lässt sich für jedes gegebene x sofort der zugehörige Wert y prognostizieren. Allerdings besteht hierbei die Gefahr, dass der wirkliche funktionale Zusammenhang nicht dem gewählten Modell entspricht. Dies kann infolge zu schlechten Prognosen führen. Nichtparametrische Verfahren gehen ebenfalls von einem funktionalen Zusammenhang aus, geben aber kein festes parametrisches Modell vor und zwängen die Daten damit in kein Prokrustes Bett. Sie sind deshalb hervorragend geeignet, um 1) Daten explorativ darzustellen, 2) parametrische Modelle zu überprüfen und 3) selbst als Schätzer für den funktionalen Zusammenhang zu dienen (Cleveland [2], Cleveland und Devlin [3]). Nichtparametrische Verfahren können daher problemlos auch zur Prognose eingesetzt werden. Dieses Kapitel ist wie folgt strukturiert. Abschnitt 9.2 stellt nichtparametrische Verfahren vor und erläutert deren grundsätzliche Struktur. Der Schwerpunkt liegt auf dem univariaten Regressionsmodell und auf der Motivation der vorgestellten Verfahren. Abschnitt 9.3 präsentiert eine praktische Anwendung für eine Zeitreihe von Wechselkursvolatilitäten. Es werden Prognosen mit nichtparametrischen Verfahren berechnet und deren Güte mit den Prognosen eines AR(1)-Zeitreihenmodells verglichen, vgl. auch Kapitel 14 dieses Buches. Es zeigt sich für die gewählte Anwendung, dass das parametrische Modell die Daten sehr gut erfasst. Das nichtparametrische Modell liefert in dieser Anwendung keine bessere Prognosegüte. Zugleich veranschaulicht die Anwendung, wie nichtparametrische Verfahren für die Modelvalidierung eingesetzt werden können. Und natürlich zeigt es auch, wie solche Verfahren für Prognosen eingesetzt werden können. Abschnitt 9.4 präsentiert die Literatur, die für weitere Lektüre herangezogen werden kann. Alle praktischen Beispiele im Text, welche mit dem Symbol [Q] versehen sind, lassen sich von der Addresse www.quantlet.de herunterladen.
Subjects: 
time series
semiparametric model
k-NN estimation
local polynomial regression
volatility forecasting
JEL: 
C14
C32
G12
Document Type: 
Working Paper

Files in This Item:
File
Size
921.26 kB





Items in EconStor are protected by copyright, with all rights reserved, unless otherwise indicated.