Detailansicht

Für den Vergleich von Prognosemodellen wurden in den letzten Jahren zahlreiche statistische Tests entwickelt, die von unterschiedlichen Testsituationen und Voraussetzungen ausgehen. Dabei wird einerseits danach unterschieden, ob ein möglicher Data Snooping Effekt einzubeziehen ist oder nicht, und andererseits dahingehend, ob es sich um den Vergleich von genesteten oder nicht genesteten Modellen handelt. Die Berücksichtigung von Verzerrungen aufgrund von Data Snooping kann zu erheblichen Auswirkungen führen. So ist es möglich, dass eine vermeintlich gute Prognosegüte nur ein Produkt des Zufalls ist und nicht auf ein gutes Prognosemodell zurückzuführen ist. Es ist möglich, diese Verzerrung zu berücksichtigen, indem mehrere Modelle im Rahmen eines multiplen Tests verglichen werden. Darüber hinaus hängt die Verteilung der Teststatistik davon ab, ob sich der Vergleich auf genestete oder nicht genestete Modelle bezieht.Die vorliegende Arbeit stellt die unterschiedlichen Tests dar und erläutert die verschiedenen Testsituationen und -prozeduren. Ferner wird anhand zweier empirischer Beispiele gezeigt, zu welchen Konsequenzen eine Nichtbeachtung der Testvoraussetzungen führen kann.In beiden Anwendungen wird der Preis für Vermögensgegenstände prognostiziert. Seine Entwicklung hat große Bedeutung für Unternehmen und Haushalte, da er den Wert der gehaltenen Vermögensobjekte bestimmt. Seine große Relevanz hat sich auch in der letzten Finanz- und Wirtschaftskrise gezeigt, da die Vermögenspreisinflation als eine wichtige Ursache der Krise gesehen wird. In der ersten Anwendung werden mithilfe der vorgestellten Verfahren technische Analysen hinsichtlich der Prognosefähigkeit für den deutschen Aktienindex untersucht. In der zweiten Anwendung erfolgt die Untersuchung von Fundamentalmodellen, die auf der Taylor-Regel basieren, für die Wechselkursprognose von zehn Schwellenländern.

Für den Vergleich von Prognosemodellen wurden in den letzten Jahren zahlreiche statistische Tests entwickelt, die von unterschiedlichen Testsituationen und Voraussetzungen ausgehen. Dabei wird einerseits danach unterschieden, ob ein möglicher Data Snooping Effekt einzubeziehen ist oder nicht, und andererseits dahingehend, ob es sich um den Vergleich von genesteten oder nicht genesteten Modellen handelt. Die Berücksichtigung von Verzerrungen aufgrund von Data Snooping kann zu erheblichen Auswirkungen führen. So ist es möglich, dass eine vermeintlich gute Prognosegüte nur ein Produkt des Zufalls ist und nicht auf ein gutes Prognosemodell zurückzuführen ist. Es ist möglich, diese Verzerrung zu berücksichtigen, indem mehrere Modelle im Rahmen eines multiplen Tests verglichen werden. Darüber hinaus hängt die Verteilung der Teststatistik davon ab, ob sich der Vergleich auf genestete oder nicht genestete Modelle bezieht. Die vorliegende Arbeit stellt die unterschiedlichen Tests dar und erläutert die verschiedenen Testsituationen und -prozeduren. Ferner wird anhand zweier empirischer Beispiele gezeigt, zu welchen Konsequenzen eine Nichtbeachtung der Testvoraussetzungen führen kann. In beiden Anwendungen wird der Preis für Vermögensgegenstände prognostiziert. Seine Entwicklung hat große Bedeutung für Unternehmen und Haushalte, da er den Wert der gehaltenen Vermögensobjekte bestimmt. Seine große Relevanz hat sich auch in der letzten Finanz- und Wirtschaftskrise gezeigt, da die Vermögenspreisinflation als eine wichtige Ursache der Krise gesehen wird. In der ersten Anwendung werden mithilfe der vorgestellten Verfahren technische Analysen hinsichtlich der Prognosefähigkeit für den deutschen Aktienindex untersucht. In der zweiten Anwendung erfolgt die Untersuchung von Fundamentalmodellen, die auf der Taylor-Regel basieren, für die Wechselkursprognose von zehn Schwellenländern.