DNB-Studie: EMA findet übersehene Finanzstress-Szenarien
Eine neue DNB-Studie führt Exploratory Modelling and Analysis (EMA) ein, um makroökonomische Szenarien unter tiefer Unsicherheit zu identifizieren. Der Ansatz kehrt konventionelle Methoden um und deckt relevante Szenarien auf, die sonst übersehen werden könnten.
EMA dreht Szenario-Analyse um
Die Studie der De Nederlandsche Bank (DNB) führt Exploratory Modelling and Analysis (EMA) als neues Framework für die makroökonomische Szenario-Analyse unter tiefer Unsicherheit ein.
EMA kehrt konventionelle Methoden um: Statt Szenarien vorab festzulegen, identifiziert der Ansatz politikrelevante Ergebnisse und leitet daraus die zugrunde liegenden Kombinationen unsicherer Variablen ab.
Dies geschieht durch das Sampling einer großen Menge von Szenarien ohne starke Vorannahmen über die Wahl, Kombination, Werte oder Verteilung der Konditionierungsvariablen.
Die Anwendung von EMA mit einem Interacted VAR-Modell auf Finanzstress-Szenarien für den Euroraum zeigt, dass dieser Ansatz Szenarien aufdecken kann, die von gängigen Methoden übersehen werden.
Dies ist besonders relevant, da traditionelle Prognosemethoden in Umfeldern fundamentaler Unsicherheit oft unzureichend sind.
EMA bietet hier einen strukturierten, aber flexiblen Weg, um 'Was-wäre-wenn'-Fragen zu beantworten und die Bandbreite möglicher Zukünfte umfassender zu erkunden.
Der Fokus liegt darauf, die relevantesten Szenarien systematisch aus einem breiten Spektrum an Möglichkeiten zu filtern, anstatt sich auf eine begrenzte Auswahl zu beschränken, die möglicherweise extreme Risiken ausblendet.
Fallstricke traditioneller Methoden
Traditionelle Szenario-Analysen sind oft limitiert, da sie mit der Auswahl plausibler Szenarien und Schockvariablen beginnen.
Dies schränkt die Bandbreite unsicherer Variablen und ihrer Kombinationen ein, wodurch relevante Entwicklungen übersehen werden können.
Gängige Ansätze tendieren dazu, extreme Tail-Risiken auszuschließen, da diese oft beispiellos sind und nicht in historischen Daten erfasst werden.
Selbst hybride Methoden, die narrative und statistische Ansätze kombinieren, haben Nachteile: Sie stützen sich auf externe Inputs und ziehen die Verteilung konstruktionsbedingt zum Baseline hin, was extreme Tail-Outcomes dämpfen kann.
Zudem identifizieren sie nicht inhärent politikrelevante Szenarien, da sie eher von statistischen Eigenschaften als von ökonomischen Narrativen oder Politikzielen getrieben werden.
EMA überwindet diese Einschränkungen, indem es eine breitere Erkundung des Unsicherheitsraums ermöglicht.
Modell-Fit trügt, Komplexität zählt
Die Studie liefert drei zentrale Erkenntnisse: Ein hoher statistischer Modell-Fit kann Tail-Risiken unterrepräsentieren, was die Bedeutung nicht-linearer Modelle unterstreicht.
Die Einschränkung des Unsicherheitsraums erhöht das Risiko, relevante Kombinationen von Unsicherheiten zu übersehen.
Zudem sind einzelne Einflussfaktoren im multivariaten Kontext nicht zwangsläufig signifikant, was für die Berücksichtigung von Interaktionen spricht.