IDEAS home Printed from
MyIDEAS: Log in (now much improved!) to save this paper

Prognose mit nichtparametrischen Verfahren

  • Wolfgang Karl Härdle
  • Rainer Schulz
  • Weining Wang

Statistische Prognosen basieren auf der Annahme, dass ein funktionaler Zusammenhang zwischen der zu prognostizierenden Variable y und anderen j-dimensional beobachtbaren Variablen x = (x1,...xl) besteht. Kann der funktionale Zusammenhang geschätzt werden, so kann im Prinzip für jedes x der zugehörige Wert y prognostiziert werden. Bei den meisten Anwendungen wird angenommen, dass der funktionale Zusammenhang einem niedrigdimensionalen parametrischen Modell entspricht oder durch dieses zumindest gut wiedergegeben wird. Ein Beispiel im univariaten Fall ist das lineare Modell y = b0 + b1x. Sind die beiden unbekannten Parameter b0 und b1 mithilfe historischer Daten geschätzt, so lässt sich für jedes gegebene x sofort der zugehörige Wert y prognostizieren. Allerdings besteht hierbei die Gefahr, dass der wirkliche funktionale Zusammenhang nicht dem gewählten Modell entspricht. Dies kann infolge zu schlechten Prognosen führen. Nichtparametrische Verfahren gehen ebenfalls von einem funktionalen Zusammenhang aus, geben aber kein festes parametrisches Modell vor und zwängen die Daten damit in kein Prokrustes Bett. Sie sind deshalb hervorragend geeignet, um 1) Daten explorativ darzustellen, 2) parametrische Modelle zu überprüfen und 3) selbst als Schätzer für den funktionalen Zusammenhang zu dienen (Cleveland [2], Cleveland und Devlin [3]). Nichtparametrische Verfahren können daher problemlos auch zur Prognose eingesetzt werden. Dieses Kapitel ist wie folgt strukturiert. Abschnitt 9.2 stellt nichtparametrische Verfahren vor und erläutert deren grundsätzliche Struktur. Der Schwerpunkt liegt auf dem univariaten Regressionsmodell und auf der Motivation der vorgestellten Verfahren. Abschnitt 9.3 präsentiert eine praktische Anwendung für eine Zeitreihe von Wechselkursvolatilitäten. Es werden Prognosen mit nichtparametrischen Verfahren berechnet und deren Güte mit den Prognosen eines AR(1)-Zeitreihenmodells verglichen, vgl. auch Kapitel 14 dieses Buches. Es zeigt sich für die gewählte Anwendung, dass das parametrische Modell die Daten sehr gut erfasst. Das nichtparametrische Modell liefert in dieser Anwendung keine bessere Prognosegüte. Zugleich veranschaulicht die Anwendung, wie nichtparametrische Verfahren für die Modelvalidierung eingesetzt werden können. Und natürlich zeigt es auch, wie solche Verfahren für Prognosen eingesetzt werden können. Abschnitt 9.4 präsentiert die Literatur, die für weitere Lektüre herangezogen werden kann. Alle praktischen Beispiele im Text, welche mit dem Symbol versehen sind, lassen sich von der Addresse herunterladen.

If you experience problems downloading a file, check if you have the proper application to view it first. In case of further problems read the IDEAS help page. Note that these files are not on the IDEAS site. Please be patient as the files may be large.

File URL:
Download Restriction: no

Paper provided by Sonderforschungsbereich 649, Humboldt University, Berlin, Germany in its series SFB 649 Discussion Papers with number SFB649DP2010-041.

in new window

Length: 15 pages
Date of creation: Aug 2010
Handle: RePEc:hum:wpaper:sfb649dp2010-041
Contact details of provider: Postal:
Spandauer Str. 1,10178 Berlin

Phone: +49-30-2093-5708
Fax: +49-30-2093-5617
Web page:

More information through EDIRC

References listed on IDEAS
Please report citation or reference errors to , or , if you are the registered author of the cited work, log in to your RePEc Author Service profile, click on "citations" and make appropriate adjustments.:

as in new window
  1. Michael W. Brandt & Francis X. Diebold, 2001. "A No-Arbitrage Approach to Range-Based Estimation of Return Covariances and Correlations," PIER Working Paper Archive 03-013, Penn Institute for Economic Research, Department of Economics, University of Pennsylvania, revised 01 Apr 2003.
  2. Härdle, Wolfgang & Tschernig, Rolf, 2000. "Flexible time series analysis," SFB 373 Discussion Papers 2000,51, Humboldt University of Berlin, Interdisciplinary Research Project 373: Quantification and Simulation of Economic Processes.
  3. Wolfgang Hardle & Helmut Herwartz & Vladimir Spokoiny, 2003. "Time Inhomogeneous Multiple Volatility Modeling," Journal of Financial Econometrics, Society for Financial Econometrics, vol. 1(1), pages 55-95.
  4. L. Randall Wray & Stephanie Bell, 2004. "Introduction," Chapters, in: Credit and State Theories of Money, chapter 1 Edward Elgar Publishing.
  5. Parkinson, Michael, 1980. "The Extreme Value Method for Estimating the Variance of the Rate of Return," The Journal of Business, University of Chicago Press, vol. 53(1), pages 61-65, January.
  6. Ser-Huang Poon & Clive W.J. Granger, 2003. "Forecasting Volatility in Financial Markets: A Review," Journal of Economic Literature, American Economic Association, vol. 41(2), pages 478-539, June.
  7. Francis X. Diebold & James M. Nason, 1989. "Nonparametric exchange rate prediction?," Finance and Economics Discussion Series 81, Board of Governors of the Federal Reserve System (U.S.).
  8. Wolfgang HÄRDLE & H. LÜTKEPOHL & R. CHEN, 1996. "A Review of Nonparametric Time Series Analysis," SFB 373 Discussion Papers 1996,48, Humboldt University of Berlin, Interdisciplinary Research Project 373: Quantification and Simulation of Economic Processes.
  9. Philippe Robert-Demontrond & R. Ringoot, 2004. "Introduction," Post-Print halshs-00081823, HAL.
Full references (including those not matched with items on IDEAS)

This item is not listed on Wikipedia, on a reading list or among the top items on IDEAS.

When requesting a correction, please mention this item's handle: RePEc:hum:wpaper:sfb649dp2010-041. See general information about how to correct material in RePEc.

For technical questions regarding this item, or to correct its authors, title, abstract, bibliographic or download information, contact: (RDC-Team)

If you have authored this item and are not yet registered with RePEc, we encourage you to do it here. This allows to link your profile to this item. It also allows you to accept potential citations to this item that we are uncertain about.

If references are entirely missing, you can add them using this form.

If the full references list an item that is present in RePEc, but the system did not link to it, you can help with this form.

If you know of missing items citing this one, you can help us creating those links by adding the relevant references in the same way as above, for each refering item. If you are a registered author of this item, you may also want to check the "citations" tab in your profile, as there may be some citations waiting for confirmation.

Please note that corrections may take a couple of weeks to filter through the various RePEc services.

This information is provided to you by IDEAS at the Research Division of the Federal Reserve Bank of St. Louis using RePEc data.