Makroperspektive: Faktorauswahl in dynamischen Zinsstrukturmodellen mittels Bayes’scher Methoden
Project Description
Das vorgeschlagene Projekt wird neue Techniken entwickeln, um die Prognose von Anleiherenditen und der Dynamik der Zinsstrukturkurve zu verbessern, indem systematisch die relevantesten makroökonomischen Faktoren identifiziert werden, die die Zinssätze beeinflussen. Traditionelle Dynamic Term Structure Models (DTSMs) gehen oft davon aus, dass die Informationen in der aktuellen Zinsstrukturkurve alle Treiber zukünftiger Zinssätze vollständig erfassen. Frühere Forschung zeigt jedoch, dass verschiedene makroökonomische Variablen, wie etwa Inflations- und Realaktivitätsmasse, zusätzliche Vorhersagekraft besitzen können, die über das hinausgeht, was die Renditestruktur allein widerspiegelt. Gleichzeitig weisen andere Studien darauf hin, dass die Berücksichtigung zu vieler Faktoren zu instabilen Prognosen und zu schlechten Anlageergebnissen ausserhalb der Stichprobe führen kann. Dieses Projekt adressiert diese widersprüchlichen Ergebnisse, indem es ein Bayes'sches Lernframework entwickelt, das in Echtzeit dynamisch die wichtigsten Faktoren für Prognosen auswählt und dabei überflüssige Prädiktoren ignoriert.
Unter Verwendung moderner Bayes'scher Methoden, insbesondere Sequential Monte Carlo und stochastischer Variablensuchalgorithmen, werden wir die Daten bestimmen lassen, welche makroökonomischen Variablen tatsächlich für die Vorhersage von Überschussrenditen auf Anleihen relevant sind. Unser Ansatz aktualisiert die Überzeugungen von Investoren, sobald neue Daten eintreffen, vermeidet die Fallstricke von Overfitting und berücksichtigt Modellunsicherheit auf prinzipielle Weise. Wir werden prüfen, ob diese datengesteuerte Auswahl makroökonomischer Faktoren zu einer verbesserten Prognosegenauigkeit und zu höherem ökonomischem Nutzen für Anleiheinvestoren führt. Durch die mögliche Reduktion des breiten Spektrums makroökonomischer Variablen auf wenige entscheidende Prädiktoren hat dieses Projekt das Potenzial, sowohl das Verständnis der Treiber von Anleiherisikoprämien als auch das praktische Management des Zinsänderungsrisikos zu verbessern.
Unter Verwendung moderner Bayes'scher Methoden, insbesondere Sequential Monte Carlo und stochastischer Variablensuchalgorithmen, werden wir die Daten bestimmen lassen, welche makroökonomischen Variablen tatsächlich für die Vorhersage von Überschussrenditen auf Anleihen relevant sind. Unser Ansatz aktualisiert die Überzeugungen von Investoren, sobald neue Daten eintreffen, vermeidet die Fallstricke von Overfitting und berücksichtigt Modellunsicherheit auf prinzipielle Weise. Wir werden prüfen, ob diese datengesteuerte Auswahl makroökonomischer Faktoren zu einer verbesserten Prognosegenauigkeit und zu höherem ökonomischem Nutzen für Anleiheinvestoren führt. Durch die mögliche Reduktion des breiten Spektrums makroökonomischer Variablen auf wenige entscheidende Prädiktoren hat dieses Projekt das Potenzial, sowohl das Verständnis der Treiber von Anleiherisikoprämien als auch das praktische Management des Zinsänderungsrisikos zu verbessern.
Relevance to Liechtenstein
Das Projekt schafft Mehrwert für Liechtenstein, indem es sowohl die Forschungsumgebung des Financial-Economics-Schwerpunkts der Universität Liechtenstein als auch die analytischen Fähigkeiten der liechtensteinischen Finanzindustrie stärkt. Es ist in ein aktives akademisches Umfeld eingebettet, in dem Forschungsaktivitäten, fachliche Diskussionen und regelmäßige wissenschaftliche Austausche stattfinden und die Ergebnisse mit Kolleginnen und Kollegen sowie in Liechtenstein tätigen Praktikerinnen und Praktikern geteilt werden können. Dadurch tragen die im Projekt gewonnenen Erkenntnisse zum breiteren akademischen Diskurs bei und unterstützen eine evidenzbasierte Entscheidungsfindung im lokalen Finanzökosystem. Für die international ausgerichteten Finanzinstitute Liechtensteins bietet das Projekt konkrete praktische Vorteile. Durch die Identifikation einer kleinen Anzahl makroökonomischer Faktoren, die für die Vorhersage der Dynamik der Zinsstrukturkurve und von Anleiherisikoprämien besonders relevant sind, tragen die Ergebnisse zu robusteren Prognosen und einem verbesserten Management von Zinsrisiken bei. Die im Projekt entwickelte statistische Methodik reduziert Modellunsicherheit und ermöglicht es Banken, Vermögensverwaltern, Versicherungen und Pensionskassen in Liechtenstein, ihre Fixed-Income-Analysen und Portfolioentscheidungen zu stärken.
Das Projekt leistet zudem einen Beitrag zum Wissens- und Kompetenzaufbau innerhalb Liechtensteins. Seine Ergebnisse werden in Lehrveranstaltungen und forschungsbezogene Aktivitäten der Universität Liechtenstein integriert, sodass Studierende und zukünftige Fachkräfte des Finanzsektors in modernen empirischen Methoden ausgebildet werden.
Das Projekt leistet zudem einen Beitrag zum Wissens- und Kompetenzaufbau innerhalb Liechtensteins. Seine Ergebnisse werden in Lehrveranstaltungen und forschungsbezogene Aktivitäten der Universität Liechtenstein integriert, sodass Studierende und zukünftige Fachkräfte des Finanzsektors in modernen empirischen Methoden ausgebildet werden.
