📈 economics

The Accuracy Smoothness Dilemma in Prediction: a Novel Multivariate M-SSA Forecast Approach

Diese Arbeit stellt einen neuartigen multivariaten M-SSA-Vorhersageansatz vor, der das Dilemma zwischen Genauigkeit und Glätte löst, indem er das Smooth Sign Accuracy-Framework erweitert, um neben der mittleren quadratischen Fehler auch die Vorzeichengenauigkeit und die Häufigkeit von Vorzeichenwechseln über mehrere Zeitreihen hinweg zu optimieren.

Ursprüngliche Autoren: Marc Wildi

Veröffentlicht 2026-02-17

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Marc Wildi

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Das große Problem: Der perfekte Vorhersage-Kochtopf

Stellen Sie sich vor, Sie sind ein Wettervorhersager. Sie haben zwei Hauptziele:

Genauigkeit: Sie wollen den exakten Temperaturwert morgen vorhersagen (z. B. „Es werden genau 22 Grad").
Glätte (Ruhe): Sie wollen eine Vorhersage, die nicht jeden Tag wild hin und her springt. Wenn Sie heute 22 Grad sagen, morgen 15 Grad und übermorgen wieder 25 Grad, wirkt das verrückt, auch wenn die einzelnen Werte zufällig richtig sein könnten.

Das Problem ist: Je genauer Sie sein wollen, desto „ruheloser" wird Ihre Vorhersage. Wenn Sie versuchen, jedes kleine Rauschen im Wetter zu fangen, wird Ihre Kurve zackig wie ein EKG eines nervösen Patienten. Wenn Sie die Kurve glätten, verlieren Sie oft die feinen Details und werden ungenau.

Die meisten alten Methoden (wie die berühmte „MSE"-Methode) sagen einfach: „Wir ignorieren die Glätte und jagen nur dem perfekten Wert hinterher." Das führt oft zu Vorhersagen, die so verrauscht sind, dass sie in der Praxis kaum nutzbar sind (viele falsche Alarme).

Die neue Lösung: M-SSA (Der „Ruhe-Filter")

Marc Wildi hat eine neue Methode namens M-SSA entwickelt. Man kann sich das wie einen intelligenten Kochtopf vorstellen, der zwei Zutaten mischt:

Die Genauigkeit (den echten Wert).
Die Ruhe (die Glätte).

Das Besondere an M-SSA ist, dass es nicht nur fragt: „Ist der Wert richtig?", sondern auch: „Wie oft wechselt die Richtung?"

Die Metapher: Der Wanderer im Nebel

Stellen Sie sich einen Wanderer vor, der durch dichten Nebel (die Daten) zu einem Ziel (der Zukunft) wandern muss.

Der alte Weg (MSE): Der Wanderer versucht, jeden einzelnen Stein auf dem Boden zu sehen und zu umgehen. Er stolpert oft, macht viele kleine Richtungswechsel und wirkt sehr nervös. Er ist vielleicht genau bei jedem Stein, aber der Weg ist chaotisch.
Der neue Weg (M-SSA): Der Wanderer bekommt einen Kompass, der ihm sagt: „Du darfst dich nicht zu oft umdrehen." Er muss immer noch zum Ziel kommen (Genauigkeit), aber er darf nur alle paar Minuten die Richtung ändern. Das Ergebnis ist ein ruhigerer, flüssigerer Pfad, der trotzdem das Ziel erreicht.

Was macht M-SSA besonders?

Die „Holding Time" (Die Haltezeit):
Wildi nutzt ein cleveres Maß namens „Holding Time". Das ist einfach die durchschnittliche Zeit, die vergeht, bevor sich die Vorhersage von „steigend" zu „fallend" ändert (oder umgekehrt).
- Beispiel: Wenn Sie eine Wirtschaftsprognose machen, wollen Sie nicht, dass die Kurve jeden Monat von „Wachstum" auf „Rezession" springt, nur weil es ein kleiner Datenfehler war. M-SSA erzwingt, dass die Vorhersage eine gewisse Zeit in einer Richtung „hält", bevor sie umdreht. Das entspricht der Realität von Wirtschaftszyklen besser als wilde Zickzack-Linien.
Der Multivariate Vorteil (Das Orchester):
Bisherige Methoden schauten oft nur auf eine Sache (z. B. nur die Industrieproduktion). M-SSA schaut sich viele Dinge gleichzeitig an (z. B. Industrieproduktion + Composite Leading Indicator).
- Analogie: Stellen Sie sich ein Orchester vor. Ein alter Dirigent hört nur auf die Geige. M-SSA ist ein Dirigent, der auf alle Instrumente hört. Wenn die Trompete (ein führender Indikator) ein Signal gibt, passt er die Geige (die Hauptvorhersage) sofort an, aber er tut es so, dass das ganze Orchester harmonisch und nicht chaotisch klingt.

Wo wird das angewendet?

Die Autoren testen ihre Methode in drei Bereichen:

Vorhersage (Forecasting): Wie wird die Wirtschaft in 3 Monaten aussehen? M-SSA sagt es vorher, ohne dabei wild zu zittern.
Echtzeit-Signal (Nowcasting): Was passiert gerade jetzt? Oft sind aktuelle Daten unvollständig oder verrauscht. M-SSA filtert das Rauschen heraus, um den wahren Trend sofort zu erkennen.
Glättung (Smoothing): Wenn man historische Daten betrachtet, will man den langfristigen Trend sehen, nicht den täglichen Lärm. M-SSA glättet diese Daten so, dass der „Business Cycle" (Aufschwung und Abschwung) klar sichtbar wird.

Das Ergebnis: Ein besserer Kompromiss

Das Papier zeigt, dass M-SSA den alten Methoden (wie dem HP-Filter oder klassischen MSE) überlegen ist, weil es beide Welten verbindet:

Es ist fast so genau wie die alten Methoden.
Aber es ist viel ruhiger und macht weniger „falsche Alarme" (wenige unnötige Richtungswechsel).

Zusammenfassend:
Marc Wildi hat eine neue Art der Vorhersage erfunden, die wie ein erfahrener Kapitän ist: Er achtet darauf, dass das Schiff (die Vorhersage) sein Ziel erreicht (Genauigkeit), aber er lässt es nicht wild durch die Wellen tanzen (Glätte). Er nutzt dabei alle verfügbaren Informationen (Multivariat), um sicherzustellen, dass die Vorhersage nicht nur mathematisch korrekt, sondern auch für echte Entscheidungen (wie in der Wirtschaftspolitik) sinnvoll und stabil ist.

Es ist der Unterschied zwischen einem zitternden, nervösen Zeiger und einem ruhigen, aber präzisen Kompass.

1. Problemstellung: Das Genauigkeits-Glättungs-Dilemma

Die Prognose von Zeitreihen stellt ein komplexes Schätzproblem dar, bei dem oft widersprüchliche Ziele verfolgt werden müssen. Das zentrale Dilemma besteht zwischen Genauigkeit (Accuracy) und Glätte (Smoothness):

Genauigkeit: Bezieht sich auf die Fähigkeit, das zukünftige Niveau einer Zeitreihe präzise zu schätzen (minimierter Mittelquadratfehler, MSE).
Glätte: Bezieht sich auf die Regulierung von „rauschhaften" Änderungen im Prädiktor.

Herkömmliche Optimierungsverfahren konzentrieren sich fast ausschließlich auf die Minimierung des MSE. Dies führt jedoch oft zu Prognosen, die zwar den Erwartungswert gut treffen, aber übermäßig „rauschhaft" sind. Ein solches Rauschen erhöht die Wahrscheinlichkeit von Fehlalarmen, insbesondere bei der Erkennung von Konjunkturzyklen (Wechsel zwischen Expansion und Kontraktion).

Ein entscheidender Indikator für die Glätte ist die Holding Time (HT), definiert als die erwartete Dauer zwischen aufeinanderfolgenden Vorzeichenwechseln (Null-Durchgängen) des Prädiktors. Ein zu häufiger Vorzeichenwechsel (niedrige HT) deutet auf ein instabiles Signal hin, das nicht den realen wirtschaftlichen Zyklen entspricht. Bisherige Ansätze (z. B. McElroy & Wildi, 2019) adressierten dieses Problem unzureichend, da sie die Null-Durchgänge nicht explizit in die Optimierung einbezogen.

2. Methodik: Der Multivariate M-SSA-Ansatz

Das Paper stellt eine Erweiterung des bereits von Wildi (2024, 2026) entwickelten Smooth Sign Accuracy (SSA)-Frameworks auf den multivariaten Fall vor, bezeichnet als M-SSA (Multivariate SSA).

Kernkonzepte

Zielvariable: $z_{t+\delta}$ (Prognose, Nowcast oder Backcast).
Prädiktor: $y_t$ , gebildet durch einen kausalen Filter über vergangene Werte.
Optimierungsziel: Maximierung der Korrelation zwischen Prädiktor und Ziel (bzw. der Vorzeichenrichtigkeit, Sign Accuracy), unter Einhaltung einer Glättungsbeschränkung.

Das Optimierungsproblem (Primalformulierung)

Das M-SSA-Verfahren löst ein restringiertes Optimierungsproblem. Für einen Zielvektor $i$ wird der Filtervektor $b_i$ bestimmt, der folgende Kriterien erfüllt:

Zielfunktion: Maximierung der Korrelation $\rho(y_i, z_i, \delta)$ (oder äquivalent der Vorzeichenrichtigkeit).
Glättungsbeschränkung (HT-Constraint): Die erste Ordnung der Autokorrelation (ACF(1)) des Prädiktors, $\rho(y_i)$ $ρ (y_{i})$ , wird auf einen vom Nutzer spezifizierten Wert $\rho_i$ $ρ_{i}$ festgelegt.
- Da ein direkter Zusammenhang zwischen ACF(1) und der Holding Time $h_t$ besteht (basierend auf der Arbeit von Rice, 1944, für Gaußsche Prozesse: $h_t = \pi / \arccos(\rho(y_i))$ ), steuert $\rho_i$ direkt die Häufigkeit der Null-Durchgänge.
Längenbeschränkung: Sicherstellung der Eindeutigkeit der Lösung (Normierung).

Mathematisch wird dies als:
$\max_{b_i} \gamma'_{i\cdot\delta} \tilde{I} b_i \quad \text{unter} \quad b'_i \tilde{M} b_i = \rho_i \quad \text{und} \quad b'_i \tilde{I} b_i = 1$
gelöst. Dabei sind $\tilde{I}$ und $\tilde{M}$ Matrizen, die die Kovarianzstruktur der multivariaten Rauschkomponenten ( $\Sigma$ ) und die Autokovarianzstruktur des Filters ( $M$ ) in Kronecker-Produkt-Form kombinieren.

Lösungsalgorithmus

Die Lösung erfolgt über eine spektrale Zerlegung und Lagrange-Multiplikatoren. Der Prädiktor lässt sich als Funktion eines einzigen Parameters $\nu_i$ darstellen:
$b_i = D_i N_i^{-1} \tilde{I} \gamma_{i\cdot\delta}$
wobei $N_i = 2\tilde{M} - \nu_i \tilde{I}$ . Der Parameter $\nu_i$ wird so gewählt, dass die HT-Beschränkung (bzw. der Zielwert $\rho_i$ ) exakt erfüllt ist.

Dualität: Das Paper zeigt eine duale Formulierung auf, bei der die Glätte (maximale HT) unter einer festen Genauigkeitsbeschränkung maximiert wird. Dies definiert eine effiziente Frontier zwischen Genauigkeit und Glätte. Der klassische MSE-Prädiktor ist ein Spezialfall auf dieser Frontier (bei $\rho_i = \rho_{MSE}$ ).

Multivariate Erweiterung

Im Gegensatz zu univariaten Ansätzen nutzt M-SSA kreuz-sektionale Informationen (Cross-Sectional Information). Durch die Einbeziehung der Kovarianzmatrix $\Sigma$ der Innovationsprozesse können Korrelationen zwischen verschiedenen Zeitreihen genutzt werden, um die Vorhersagegüte und die Glätte zu verbessern. Dies ermöglicht die Integration von führenden Indikatoren (Leading Indicators) direkt in den Filter.

3. Wichtige Beiträge

Formalisierung des AS-Dilemmas: Das Paper bietet eine rigorose mathematische Formulierung des Trade-offs zwischen Genauigkeit und Glätte, wobei die Glätte explizit über die Holding Time (Null-Durchgänge) definiert wird.
Multivariate Generalisierung (M-SSA): Die Erweiterung des SSA-Verfahrens auf mehrere Zeitreihen, die es erlaubt, gemeinsame Strukturen und führende Indikatoren zu nutzen, um die Effizienzgrenze zu verschieben.
Flexibilität und Anpassbarkeit: Der Ansatz erlaubt es, Benchmark-Prädiktoren (wie MSE, HP-Filter, Hamilton-Filter) in Bezug auf ihre AS-Leistung anzupassen. Ein einzelner Hyperparameter ( $\rho_i$ ) steuert den Trade-off.
Duale Charakterisierung: Die Erkenntnis, dass M-SSA den glattesten Prädiktor für eine gegebene Genauigkeit liefert (und umgekehrt), positioniert es als überlegene Alternative zu klassischen Glättungsverfahren.
Open-Source-Implementierung: Die Autoren stellen ein R-Package bereit, das die Anwendung auf reale Daten (Forecasting, Signal-Extraktion, Glättung) ermöglicht.

4. Ergebnisse und Anwendungsbeispiele

Das Paper demonstriert die Wirksamkeit von M-SSA in drei Hauptbereichen:

A. Prognose (Forecasting)

Szenario: Ein VAR(1)-Prozess mit zwei Zeitreihen.
Ergebnis: M-SSA konnte gezielt „entschärfen" (unsmooth) oder „glätten" (smooth).
- Für eine Reihe, bei der die MSE-Prognose zu viele Null-Durchgänge hatte, wurde durch M-SSA die HT erhöht (Glättung).
- Für eine andere Reihe, bei der die MSE-Prognose zu glatt war, wurde die HT verringert, um mehr Dynamik zuzulassen.
Befund: M-SSA erreicht die gewünschte HT bei gleichzeitig hoher Zielkorrelation, was den klassischen MSE-Prädiktoren überlegen ist, die keine solche Kontrolle bieten.

B. Glättung (Smoothing)

Vergleich: M-SSA wurde mit dem Hodrick-Prescott (HP) Filter und dem Whittaker-Henderson (WH) Ansatz verglichen.
Ergebnis: Bei gleicher Holding Time (Glätte) erreichte M-SSA eine höhere Zielkorrelation (bessere Anpassung) als der HP-Filter. Umgekehrt erreichte M-SSA bei gleicher Zielkorrelation eine höhere Glätte (längere HT) als der HP-Filter.
Bedeutung: M-SSA bietet eine alternative Glättungslogik, die auf der Kontrolle von Vorzeichenwechseln basiert und besser mit wirtschaftlichen Entscheidungsprozessen (Konjunkturphasen) übereinstimmt als reine Krümmungsminimierung.

C. Signal-Extraktion / Nowcasting (Echtzeit-Schätzung)

Szenario: Schätzung des US-Industrieproduktionsindex (INDPRO) unter Einbeziehung des Composite Leading Indicator (CLI) der OECD.
Vergleich: Univariate SSA, klassischer HP-C (Concurrent) und multivariate M-SSA.
Ergebnisse:
- Die univariate SSA war glatter als der HP-C, hatte aber einen zeitlichen Rückstand (Lag).
- Die multivariate M-SSA nutzte den CLI als führenden Indikator. Dies eliminierte den zeitlichen Rückstand der univariaten SSA und führte zu einem 2-Monats-Vorsprung gegenüber der univariaten SSA, während die hohe Glätte (lange HT) beibehalten wurde.
- M-SSA zeigte während Krisen (Finanzkrise, Pandemie) eine robustere Dynamik, da der CLI-Komponente eine stärkere Gewichtung während der Volatilität zukam.
- Die Holding Times der M-SSA-Nowcasts waren signifikant höher als bei den Benchmarks, was weniger Fehlalarme bei der Erkennung von Wendepunkten bedeutet.

5. Bedeutung und Fazit

Das Paper stellt einen Paradigmenwechsel in der Zeitreihenanalyse dar, indem es die Glätte nicht als Nebenprodukt, sondern als primäre Optimierungsgröße definiert.

Theoretische Bedeutung: Es liefert eine fundierte mathematische Basis für den Trade-off zwischen Genauigkeit und Stabilität (Glätte) unter Nutzung der Holding Time als Metrik. Die duale Formulierung zeigt, dass M-SSA die effiziente Frontier zwischen diesen beiden Zielen vollständig abbildet.
Praktische Relevanz: Für Ökonomen und Entscheidungsträger ist die Kontrolle von Null-Durchgängen entscheidend, um Fehlalarme bei Konjunkturumschwüngen zu vermeiden. M-SSA ermöglicht es, Prognosen so zu kalibrieren, dass sie stabil genug für politische Entscheidungen, aber dynamisch genug für genaue Vorhersagen sind.
Multivariate Stärke: Die Fähigkeit, führende Indikatoren in die Glättungslogik zu integrieren, macht M-SSA zu einem überlegenen Werkzeug für Nowcasting im Vergleich zu univariaten Methoden oder klassischen Filtern wie HP.

Zusammenfassend bietet M-SSA einen flexiblen, interpretierbaren und mathematisch fundierten Rahmen, um die inhärenten Zielkonflikte in der Prognose zu managen und maßgeschneiderte Prädiktoren zu erstellen, die über die reine MSE-Minimierung hinausgehen.