Neue Datenanalysemodelle sollen Prognosen beschleunigen

Die Digitalisierung schafft enorme Möglichkeiten, viele Daten auch über einen langen Zeitraum, also in Zeitreihen, zu sammeln. Die Menge an gesammelten Daten nimmt stetig zu – egal ob im Handel, im Kampf gegen Pandemien, bei der Beobachtung des Finanzmarkts oder für volkswirtschaftliche Analysen in der Wissenschaft. Gregor Kastner erklärt: "Heute können wir Unmengen an Daten sammeln und viele Entwicklungen über lange Zeitspannen hinweg beobachten – seien es Aktienkurse, Bevölkerungsentwicklungen, Verkaufszahlen oder die Zahlen von Erkrankten während der Corona-Pandemie. Je mehr Daten wir erfassen, desto komplexer können natürlich auch die darin enthaltenen Informationen sein. Wir stehen vor der Herausforderung, diese oft riesigen Informationsmengen so schnell wie möglich zu analysieren. Denn nur so können wir daraus rasche Zukunftsprognosen und Handlungsempfehlungen ableiten. Aber selbst mit modernen Cloud-Computing-Lösungen dauert die Schätzung aktueller statistischer Modelle oft Stunden bis Tage. Zeit, die uns manchmal einfach nicht zur Verfügung steht." Um dieses Problem zu lösen, entwickelt Kastner gemeinsam mit einem interdisziplinären Team Algorithmen und Software-Tools, die zuverlässige Ergebnisse in kürzerer Zeit liefern.

In seinen Modellen konzentrieren sich der Wissenschaftler und seine KollegInnen auf die für eine Auswertung wesentlichen Daten. "Vereinfachen" ist das zentrale Stichwort. "Die komplexen Zeitreihen mit enormen Mengen an Daten, die wir durch langfristige Beobachtungen von Aktienkursen, Bevölkerungszahlen etc. erhalten, stellen uns statistisch gesehen vor ein hochdimensionales Problem", erklärt der Mathematiker. "Wir brechen diesen hochdimensionalen Datenraum auf einen niedrigdimensionalen herunter, indem wir uns anschauen, welche Gemeinsamkeiten es zwischen den Zeitreihen gibt und auf welche Informationen wir verzichten können, weil sie zur Beantwortung unserer Fragen nicht wichtig sind." Ein von Kastner mitentwickeltes Modell extrahiert die gemeinsame Dynamik dieser Zeitreihen, um die Analyse zu vereinfachen – ein "Factor Stochastic Volatility Model", das den hochdimensionalen Raum zu einem niedrigdimensionalen, kleineren Raum werden lässt.

Darüber hinaus können mit Hilfe eines Bayesschen Ansatzes sogenannte "shrinkage priors" zum Einsatz kommen, die den Einfluss überflüssiger Parameter gegen Null ziehen. "So wird unnötige Modellkomplexität reduziert. Damit können wir einerseits Zeit sparen und andererseits Prognosen über zukünftige Entwicklungen deutlich verbessern", so Kastner.

Die von Kastner entwickelten, neuen Algorithmen werden in der Open-Source- und frei verfügbaren Software R zugänglich gemacht. Dies ermöglicht es anderen Wissenschaftlerinnen und Wissenschaftlern, große Informationsmengen leichter zu analysieren und zu eigenen Schlussfolgerungen und Vorhersagen zu kommen. "Meine Software-Werkzeuge können dazu beitragen, gewisse rechnerischen Herausforderungen zu bewältigen, die das digitale Zeitalter mit sich bringt", so Kastner. Wie hoch der Bedarf ist, zeigt die starke Nachfrage nach seiner Software: Alleine vom RStudio CRAN Mirror wurden die Software-Pakete über 80.000 Mal heruntergeladen. Auch die ersten Anwendungsfelder finden sich bereits: im Bereich von Aktien- und Wechselkursen, bei makroökonomischen Datenanalysen wie dem Konjunkturzyklus oder bei der Beobachtung der Preisentwicklung von Produkten.

In diesem englischsprachigen Video erläutert Gregor Kastner sein Projekt.

Studie "Modeling Univariate and Multivariate Stochastic Volatility in R with stochvol and factorstochvol": Hosszejni, Darjus & Kastner, Gregor. (2019). Modeling Univariate and Multivariate Stochastic Volatility in R with stochvol and factorstochvol.