Heavy Tails and Predictive Ability Testing
Dieser Beitrag zeigt, dass der Diebold-Mariano-Test bei Vorhersagefehlern mit schweren Rändern aufgrund unendlicher Varianz unter starken Größenverzerrungen leidet, und schlägt eine robuste Sub-Sampling-Alternative vor, die eine valide Inferenz gewährleistet, ohne dass eine Schätzung der Varianz oder des Tail-Index erforderlich ist.
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
Stellen Sie sich vor, Sie sind Wettervorhersager. Jeden Tag prognostizieren Sie die Temperatur, und jeden Tag liegen Sie leicht daneben. Um zu prüfen, ob Ihre Vorhersage gut ist, vergleichen Sie Ihre Fehler mit denen eines Freundes. Wenn Ihre Fehler konsistent kleiner sind, gewinnen Sie.
In der Welt der Volkswirtschaftslehre und der Finanzwirtschaft machen Forscher genau dasselbe, nur mit Aktienkursen, Wechselkursen und Risikomodellen. Sie verwenden ein berühmtes Werkzeug namens Diebold-Mariano-(DM)-Test, um zu entscheiden, welche Vorhersage der „Meister" ist.
Dieser Artikel argumentiert jedoch, dass das Standardwerkzeug defekt ist, wenn sich die Daten wie eine „Rogue Wave" (ein einzelner, extrem hoher Wellenberg) verhalten.
Das Problem: Der „Black Swan" in den Daten
Die meisten statistischen Werkzeuge gehen davon aus, dass Fehler wie sanfte Wellen in einem Teich sind. Sie folgen einer Glockenkurve: Die meisten Fehler sind klein, und riesige Fehler sind fast unmöglich.
Doch in der Finanzwelt ist das Wasser unruhig. Manchmal trifft eine „Rogue Wave" zu – ein massiver, unerwarteter Markteinbruch oder ein plötzlicher Anstieg der Volatilität. Diese werden schwere Verteilungsenden (heavy tails) genannt. In diesen Szenarien versagt die Annahme der „Glockenkurve" völlig. Die Daten weisen eine „unendliche Varianz" auf, was bedeutet, dass das Potenzial für einen massiven Fehler so hoch ist, dass die Mathematik zusammenbricht.
Die Analogie:
Stellen Sie sich vor, Sie versuchen, die durchschnittliche Körpergröße der Menschen in einem Raum zu messen.
- Normale Daten: Alle sind zwischen 1,50 und 2,10 Meter groß. Sie nehmen einige Messungen vor und erhalten einen sehr genauen Durchschnitt.
- Daten mit schweren Verteilungsenden: Alle sind zwischen 1,50 und 2,10 Meter groß, außer einer Person, die 30 Meter groß ist (ein Riese). Wenn Sie diesen Riesen in Ihren Durchschnitt einbeziehen, wird Ihr Ergebnis stark verzerrt. Wenn Sie versuchen, mit Standardmathematik die „durchschnittliche" Größe zu erraten, könnten Sie denken, der Raum sei voller Riesen, oder Sie erhalten ein Ergebnis, das sich jedes Mal komplett ändert, wenn Sie eine neue Stichprobe nehmen.
Die Konsequenz: Ein Fehlalarm
Der Artikel zeigt, dass Forscher, wenn sie den Standard-DM-Test auf diese „Riesen"-Daten anwenden, stark verzerrte Ergebnisse erhalten.
- Die Behauptung: Wenn Sie Ihren Test auf 95%iges Vertrauen einstellen (eine 5%ige Wahrscheinlichkeit für einen Fehlalarm), kann der Standardtest tatsächlich 70% der Zeit falsch liegen.
- Die Metapher: Es ist wie ein Rauchmelder, der so empfindlich auf einen winzigen Staubfleck reagiert, dass er „FEUER!" schreit, selbst wenn das Haus völlig sicher ist. Forscher könnten zu dem Schluss kommen, dass ein komplexes, ausgeklügeltes Prognosemodell das beste ist, obwohl es in Wirklichkeit genauso gut ist wie eine einfache, altmodische Methode. Sie werden von den „Riesen" in den Daten getäuscht.
Die Lösung: Ein neues „Subsampling"-Werkzeug
Die Autoren haben nicht nur das Problem aufgedeckt; sie haben ein neues Werkzeug entwickelt, um es zu beheben. Sie entwickelten eine Methode namens Subsampling (Teilstichproben).
Die Analogie:
Anstatt zu versuchen, den gesamten Ozean auf einmal zu messen (was unmöglich ist, wenn es Rogue Waves gibt), nimmt die neue Methode viele kleine Eimer Wasser aus verschiedenen Teilen des Ozeans.
- Sie betrachtet ein kleines Stück Daten.
- Sie berechnet das Ergebnis.
- Sie bewegt den Eimer, nimmt ein weiteres Stück und berechnet erneut.
- Sie tut dies hunderte Male, um ein Bild davon zu gewinnen, was wirklich vor sich geht.
Diese Methode ist „datengetrieben". Sie muss nicht wissen, wie schwer die Verteilungsenden sind (sie muss nicht wissen, ob der Riese 30 oder 300 Meter groß ist). Sie betrachtet einfach die Muster in den kleinen Stücken, um die Regeln zu ermitteln.
Der Realwelt-Test: Schwellenländer
Um ihren Standpunkt zu beweisen, testeten die Autoren dies an Wechselkursen von Schwellenländern (wie dem südkoreanischen Won gegen den US-Dollar). Diese Märkte sind für wilde Schwankungen bekannt.
- Der alte Weg (Standardtest): Er schrie, dass ein komplexes, hochtechnisches Modell (GARCH) einem einfachen „Rolling-Window"-Verfahren weit überlegen sei. Er wies die einfache Methode als „minderwertig" zurück.
- Der neue Weg (Subsampling): Er sagte: „Moment mal." Unter Berücksichtigung der schweren Verteilungsenden ist das komplexe Modell nicht statistisch besser als das einfache. Die einfache Methode besteht die Prüfung.
Das Fazit
Der Artikel kommt zu dem Schluss, dass bei Finanzdaten mit „schweren Verteilungsenden" (wilde, unvorhersehbare Schwankungen) die von Ökonomen verwendeten Standardwerkzeuge unzuverlässig sind. Sie lehnen oft gute, einfache Prognosen zugunsten komplexer ab, einfach weil die Mathematik defekt ist.
Durch die Verwendung ihres neuen subsample-basierten Tests können Forscher diese Fehlalarme vermeiden und faire Vergleiche anstellen, selbst wenn die Daten „Riesen" enthalten.
Kurz gesagt: Vertrauen Sie nicht dem Standardlineal, wenn Sie eine Welt voller Riesen messen. Verwenden Sie stattdessen die neue Eimer-Methode.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.