Frühwarnmodelle für systemische Bankenkrisen: der Effekt von Modell- und Schätzunsicherheit

• Antragsteller: Professor Dr. Gregor von Schweinitz
• Fachliche Zuordnung: Wirtschaftspolitik, Angewandte Volkswirtschaftslehre ; Statistik und Ökonometrie
• Förderung: Förderung von 2016 bis 2019
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 334853253

Frühwarnmodelle für kostspielige ökonomische Krisen - wie die Serie von Krisen in den letzten Jahren - werden in zahlreichen wirtschaftspolitischen Gebieten verwendet, etwa zur Unterstützung makroprudentieller Regulierung oder im Rahmen des Verfahrens zur Vermeidung makroökonomischer Ungleichgewichte in der europäischen Kommission. Die Verwendbarkeit von Frühwarnmodellen hängt allerdings stark von ihrer ökonomischen und statistischen Signifikanz ab.Frühwarnmodelle in der Literatur liefern überwiegend für mindestens eines der beiden Ziele keine überzeugenden Ergebnisse. Die meisten Arbeiten vernachlässigen statistische Signifikanz komplett. Politikempfehlungen werden ausschließlich von Punktschätzern abgeleitet, ohne die Schätzunsicherheit mit in Betracht zu ziehen. Ein solch naives Vorgehen ist vor allem aufgrund des seltenen und konzentrierten Auftreten von Krisen problematisch, da Schätzfehler nur langsam entdeckt und korrigiert werden können. Auf der anderen Seite werden häufig große heterogene Datensätze verwendet, die wiederum die ökonomische Signifikanz der Ergebnisse deutlich reduzieren.In diesem Projekt sollen Methoden entwickelt werden, die die statistische und ökonomische Signifikanz von Frühwarnmodellen explizit berücksichtigen und verbessern. In Modul 1 entwickeln wir ein länderspezifisches gewichtetes Frühwarnmodell, in dem jede Beobachtung ein Gewicht erhält, dass die Ähnlichkeit zu dem betrachteten Land beschreibt. Die Gewichte kreieren einen homogeneren Datensatz, ohne wichtige Information auszuschließen. Damit sollten beide Ziele zur selben Zeit erfüllt werden. In Modul 2 wird ein Bayesianisches Frühwarnmodell entwickelt, um Bayesianische Politikempfehlungen herzuleiten und damit die Unsicherheit von Politikempfehlungen so gut wie möglich einzubinden. Bayesianische Modelle sind robust gegenüber der Auswahl erklärender Variablen. Dies hat gerade in Anbetracht der großen Menge von potenziellen Frühwarnindikatoren gegenüber der vergleichsweise kleinen Anzahl an Krisen im Datensatz eine herausragende Bedeutung. In Modul 3 wird die Grundlage für eine ökonomische fundierte Herleitung von Politikempfehlungen aus Frühwarnwahrscheinlichkeiten gelegt. Momentan wird der Schwellenwert, der Wahrscheinlichkeiten in Signale (hohe Wahrscheinlichkeit) und keine Signale (niedrige Wahrscheinlichkeit) aufteilt, anhand eines Kostenparameters ohne ökonomische Fundierung gewählt. Wir werden die Kosten stattdessen anhand von BIP-Einbußen aufgrund von systemischen Bankenkrisen und makroökonomischer Regulierung in einer Wachstumsregression schätzen. So wird die ökonomische Signifikanz von Politikempfehlungen direkt gestärkt, da sie sich aus einem ökonomisch fundierten Kostenparameter herleiten. Die 3 Module sind leicht zu einem gemeinsamen Frühwarnmodell kombinierbar.Die Forschung in diesem Projekt wird (a) die statistische Signifikanz von Politikempfehlungen korrekt abbilden, und (b) die ökonomische Signifikanz dieser Empfehlungen erhöhen.

• DFG-Verfahren: Sachbeihilfen
• Internationaler Bezug: Finnland, Österreich
• Kooperationspartner: Professor Dr. Jesus Crespo-Cuaresma; Professor Dr. Reint Gropp, Ph.D.; Professor Peter Sarlin, Ph.D.