A mixed-frequency approach for exchange rates predictions

Dieser Artikel schlägt einen gemischtfrequenten Ansatz zur Vorhersage von Wechselkursen vor, um die durch zeitliche Aggregation verursachten Informationsverluste zu überwinden und das Meese-Rogoff-Problem zu adressieren, wobei die Wirksamkeit der Methode anhand von CAD/USD-Prognosen nachgewiesen wird.

Das Wesentliche

Hier ist eine einfache Erklärung der Forschungsarbeit, als würde man sie einem Freund beim Kaffee erzählen – auf Deutsch.

Das große Rätsel: Warum können wir den Wechselkurs nicht vorhersagen?

Stell dir vor, du möchtest vorhersagen, wie viel ein Kanadier für einen US-Dollar morgen zahlen muss. Das ist für Regierungen und Banken extrem wichtig. Aber es gibt ein großes Problem, das Ökonomen seit Jahrzehnten beschäftigt: Das „Meese-Rogoff-Rätsel".

Es ist so, als würdest du versuchen, das Wetter von morgen vorherzusagen, indem du nur schaust, wie das Wetter gestern war. Die Wissenschaftler haben festgestellt: Ein einfacher Zufall (wie ein Münzwurf) ist oft besser darin, den Wechselkurs vorherzusagen als komplizierte mathematische Modelle, die Zinsen, Preise oder Geldmengen berücksichtigen.

Warum ist das so? Die Autoren dieses Papers haben eine spannende Idee: Es liegt am „Zeit-Verdauungs-Problem".

Das Problem: Der zu dicke Smoothie

Stell dir vor, du hast einen Smoothie aus frischen, täglichen Früchten (das sind die täglichen Wechselkursdaten). Aber deine Rezeptur (das statistische Modell) verlangt, dass du nur die Zutaten für den gesamten Monat oder das ganze Quartal in einen Topf wirfst.

Wenn du die täglichen Daten zu monatlichen oder vierteljährlichen Durchschnitten zusammenfasst, verlierst du eine Menge Information. Es ist, als würdest du einen feinen, detaillierten Gemälde in einen groben Pixel-Blob verwandeln. Die feinen Details, die dir sagen, wohin der Kurs eigentlich steuert, gehen verloren. Das nennt die Wissenschaft „temporale Aggregations-Bias" (Verzerrung durch zeitliche Zusammenfassung).

Frühere Forscher haben versucht, das Rätsel zu lösen, indem sie einfach neue Zutaten suchten. Aber die Autoren sagen: „Nein, das Problem ist nicht die Zutatenliste, sondern wie wir sie vermischen!"

Die Lösung: Der „MIDAS"-Mix

Die Autoren schlagen eine neue Methode vor, die MIDAS (Mixed Data Sampling) heißt.

Stell dir vor, du backst einen Kuchen für ein ganzes Quartal (3 Monate).

• Die alte Methode: Du nimmst den Mehlbeutel, wiegst ihn einmal für den ganzen Monat ab und gibst ihn in den Teig. Du weißt nicht, ob der Mehl am 1., 10. oder 28. des Monats reinkam.
• Die neue MIDAS-Methode: Du behältst die feine Struktur bei. Du weißt genau, wie viel Mehl in Woche 1, Woche 2 und Woche 3 reinkam, auch wenn der Kuchen erst am Ende des Quartals fertig ist.

Die MIDAS-Methode erlaubt es, tägliche oder monatliche Daten (wie Zinsen oder Inflation) direkt mit vierteljährlichen Daten (dem Wechselkurs) zu verknüpfen, ohne die feinen Details zu zerstören. Es ist wie ein Übersetzer, der versteht, dass ein Satz aus 30 Wörtern (Monatsdaten) mehr sagt als nur 10 Wörter (Quartalsdaten), und nutzt trotzdem alle 30 Wörter für die Vorhersage.

Was haben sie herausgefunden?

Die Autoren haben das mit dem Wechselkurs zwischen dem Kanadischen Dollar (CAD) und dem US-Dollar (USD) getestet.

1. Der Test: Sie haben alte Modelle (die den „Pixel-Blob" nutzten) gegen ihre neuen MIDAS-Modelle (die den „feinen Smoothie" nutzten) antreten lassen.
2. Das Ergebnis: Die neuen Modelle waren deutlich besser!
   • Besonders bei Modellen, die auf der Taylor-Regel basieren (eine Formel, wie Zentralbanken Zinsen setzen), war der Gewinn riesig.
   • Ein Modell, das früher völlig versagt hatte (das „Klebrige-Preis-Modell"), wurde mit der neuen Methode 53,6 % genauer.

Das Fazit in einem Satz

Das Rätsel, warum Wechselkursvorhersagen so schwer sind, liegt nicht daran, dass die Wirtschaft unvorhersehbar ist, sondern daran, dass die Forscher die Daten zu grob zusammengefasst haben. Wenn man die feinen, monatlichen Details nutzt (mit der MIDAS-Methode), kann man den Kurs viel besser vorhersagen als mit einem einfachen Zufallsgenerator.

Kurz gesagt: Sie haben bewiesen, dass man für eine gute Vorhersage nicht nur den groben Überblick braucht, sondern auch die kleinen Details im Zeitverlauf verstehen muss.

Technische Zusammenfassung

Hier ist eine detaillierte technische Zusammenfassung des vorliegenden Papiers auf Deutsch:

Titel: Ein Mixed-Frequency-Ansatz für Vorhersagen von Wechselkursen

Autoren: Raffaele Mattera, Michelangelo Misuraca, Germana Scepi, Maria Spano
Veröffentlicht: Juni 2021 (arXiv:2106.00283)

---

1. Problemstellung und Hintergrund

Das Papier adressiert das sogenannte „Meese-Rogoff-Paradoxon". Dieses besagt, dass Wechselkursschwankungen in der Praxis kaum vorhersagbar sind und dass einfache Random-Walk-Modelle (mit Drift) oft bessere Prognosen liefern als komplexe ökonomische Modelle, die auf fundamentalen Variablen basieren.

Die Autoren identifizieren ein zentrales Problem in der bisherigen Literatur:

• Temporale Aggregation: Wechselkursdaten sind täglich verfügbar, makroökonomische Fundamentaldaten (Zinsen, Preise, Geldmenge) meist monatlich. Viele Studien aggregieren diese Daten jedoch auf Quartalsbasis, um sie mit den Wechselkursen zu synchronisieren.
• Informationsverlust: Diese Aggregation führt zu einem Temporal-Aggregation-Bias (Verzerrung durch zeitliche Aggregation). Dabei gehen hochfrequente Informationen verloren, was zu einer Fehlspezifikation der Modelle führt und die Vorhersagegenauigkeit verschlechtert.
• Diskrepanz in der Literatur: Während einige Studien mit monatlichen Daten Vorhersagbarkeit fanden, scheiterten andere mit quartalsweisen Daten oft an der Random-Walk-Hypothese. Die Autoren vermuten, dass dies auf den Informationsverlust durch Aggregation zurückzuführen ist.

2. Methodik

Um das Problem des Informationsverlusts zu lösen, schlagen die Autoren einen Mixed-Frequency-Ansatz vor, der auf der MIDAS-Regression (Mixed Data Sampling) basiert.

• Grundprinzip: Anstatt die hochfrequenten Daten (monatlich) auf die niedrigere Frequenz (quartalsweise) zu aggregieren, werden die monatlichen Daten direkt in das Modell integriert, um die quartalsweisen Wechselkursänderungen zu erklären.
• Technische Umsetzung:
  • Es wird eine Unrestricted MIDAS (U-MIDAS) Regression verwendet.
  • Statt komplexer Lag-Verteilungsfunktionen (wie Almon-Lags) wird eine Frequenz-Alignment-Methode angewendet. Dabei wird der hochfrequente Regressor $x_t$ in eine Matrix $X$ umgewandelt, die gestapelte Vektoren der monatlichen Beobachtungen innerhalb eines Quartals enthält.
  • Beispiel: Für ein quartalsweises Ziel $y_t$ werden die drei monatlichen Werte des Vorquartals ($x_{3t}, x_{3t-1}, x_{3t-2}$) als separate Regressoren in einer linearen Regression verwendet.
• Modellspezifikationen: Die Autoren wenden diesen Ansatz auf klassische ökonomische Modelle an, die zuvor als gescheitert galten:
  • UIRP: Uncovered Interest Rate Parity (Zinsdifferenzial).
  • PPP: Purchasing Power Parity (Preisniveau-Differenzial).
  • Monetäre Modelle: Flexible und „sticky price" Versionen (inkl. Geldmenge, Output).
  • Taylor-Regeln: Basierend auf Inflations- und Output-Lücken.
• Datenbasis: CAD/USD-Wechselkurs (Kanada vs. USA) von 1985 bis 2019. Die Daten stammen aus FRED und OECD.
• Evaluation: Out-of-Sample-Prognosen wurden mit zwei Schemata getestet:
  1. Recursive Approach: Der Trainingsdatensatz wächst.
  2. Rolling Window Approach: Der Trainingsdatensatz hat eine feste Größe.
  • Metriken: Mean Square Forecast Error (MSFE), Diebold-Mariano-Test und Clark-West-Test zur statistischen Signifikanz der Verbesserungen.

3. Wichtige Ergebnisse

Die empirischen Ergebnisse zeigen deutliche Unterschiede zwischen den Aggregationsmethoden:

A. Recursive Approach (Wachsender Datensatz):

• Die meisten Modelle (außer dem „sticky price" monetären Modell MM2) schlugen das Random-Walk-Benchmark.
• Taylor-Regel-Modelle (insbesondere die instantane Version TYLR1) erzielten die besten Ergebnisse.
• Mixed-Frequency-Verbesserung: Die MIDAS-Modelle (MF-UIRP, MF-PPP, MF-TYLR2) waren signifikant genauer als ihre klassischen, aggregierten Pendants.
  • Das MF-MM2-Modell war 53,6 % genauer als das klassische MM2-Modell.
  • MF-TYLR2 war 18 % genauer als TYLR2.

B. Rolling Window Approach (Fester Datensatz):

• Hier war das Meese-Rogoff-Paradoxon deutlicher sichtbar: Klassische Modelle wie UIRP und monetäre Modelle (MM1, MM2) schlugen das Random Walk oft nicht oder waren schlechter.
• Durchbruch durch Mixed Frequency:
  • Das klassische UIRP-Modell war nicht besser als der Random Walk.
  • Das MF-UIRP-Modell hingegen lieferte signifikant bessere Prognosen als das Random Walk und war 10 % genauer als das klassische UIRP.
  • Das MF-PPP-Modell zeigte eine Genauigkeitssteigerung von ca. 7,2 % gegenüber dem klassischen PPP.
  • Auch die Taylor-Regel-Modelle (MF-TYLR1 und MF-TYLR2) blieben robust und übertrafen das Benchmark.

4. Hauptbeiträge und Signifikanz

1. Lösung des Informationsverlusts: Das Papier demonstriert, dass der Verlust an Information durch temporale Aggregation eine Hauptursache für das Scheitern ökonomischer Modelle bei Wechselkursvorhersagen ist. Durch die Nutzung von MIDAS-Regressionen kann dieser Bias vermieden werden.
2. Erklärung des Meese-Rogoff-Paradoxons: Die Studie liefert eine neue Erklärung für das Paradoxon: Es ist weniger ein Versagen der ökonomischen Theorie, sondern vielmehr ein statistisches Problem der Datenaufbereitung (Aggregation). Sobald hochfrequente Informationen korrekt integriert werden, kehrt die Vorhersagbarkeit zurück.
3. Anwendung auf CAD/USD: Die Ergebnisse zeigen, dass selbst für Währungspaare wie CAD/USD, bei denen Quartalsdaten oft als unvorhersagbar gelten, fundamentale Variablen (Zinsen, Taylor-Regeln) prognostische Kraft besitzen, wenn Mixed-Frequency-Methoden angewendet werden.
4. Praktische Relevanz: Die Methode bietet Zentralbanken und politischen Entscheidungsträgern ein Werkzeug, um präzisere Prognosen zu erstellen, indem sie alle verfügbaren monatlichen Daten nutzen, anstatt sie vorzeitig zu aggregieren.

Fazit

Die Autoren schlussfolgern, dass Mixed-Frequency-Modelle (insbesondere MIDAS) einen wesentlichen Fortschritt in der Wechselkursprognose darstellen. Sie überwinden die Limitationen klassischer linearer Regressionen bei unterschiedlichen Datenfrequenzen und liefern signifikant genauere Vorhersagen als sowohl Random-Walk-Modelle als auch traditionell aggregierte ökonomische Modelle.