Das Verhalten von Rohstoffpreisen vor unterschiedlichen Wirtschaftsentwicklungen

Das vergangene Jahrzehnt war durch enorme Rohstoffpreisschwankungen geprägt, was ein Wiederaufleben des Interesses an nicht-energetischen Rohstoffen nach sich zog. Im Jahr 2008 hat Ben Bernanke, der damalige Vorsitzende der US-Notenbank, den Einfluss der Rohstoffpreise als eine der wichtigsten offenen Fragen in der Inflationsanalyse bezeichnet. Auch heute noch stellen die Interpretation und die Erklärung von Rohstoffpreiszyklen weitgehend ungelöste Probleme dar. Das vorliegende Projekt beleuchtet unterschiedliche Aspekte dieser Probleme. Dazu untersuchen wir verschiedene Modelle zur Prognose von Rohstoffpreisen, wobei wir uns auf nicht-energetische Rohstoffe wie Agrarrohstoffe, Metalle und Mineralien konzentrieren. Die erklärenden Variablen in den Modellen sind einerseits Fundamentaldaten (z.B. Produktionsmengen, Lagerbestände, Wetter) und andererseits makroökonomische Daten und Finanzdaten. In der Analyse ziehen wir einen systematischen Vergleich einer großen Anzahl unterschiedlicher statistischer Modelle, wobei auch die Unsicherheit bezüglich einmal gewählter Modelle berücksichtigt wird. Zum Vergleich der Modelle verwenden wir nicht nur traditionelle Methoden, die auf dem Abstand zwischen Prognosewert und realisiertem Wert beruhen, sondern auch neuere Methoden, die etwa überprüfen, ob die Richtung der Preisänderung korrekt prognostiziert wurde. Unter bestimmten Umständen erscheint es sinnvoller, diese neuen Kriterien anzuwenden. Unser primäres Ziel ist es herauszufinden, ob Rohstoffpreisprognosen vom Zustandder Wirtschaft (d.h. vonunterschiedlichen Wirtschaftsentwicklungen) abhängig sind und welche Art von Variablen in welchen Zuständen die Preise besonders gut erklären. Zum Beispiel interessiert uns die Frage, ob Modelle zur Prognose von Rohstoffpreisen in turbulenten Zeiten (Perioden mit hoher Unsicherheit) bessere Vorhersagen liefern als in ruhigen Zeiten (Perioden mit geringer Unsicherheit). Darüber hinaus untersuchen wir, ob es Prognoseunterschiede gibt (und wenn ja, welche) in Konjunkturab- bzw. -aufschwüngen, in Perioden hoher bzw. niedriger Inflation, in Perioden hoher bzw. niedriger Zinssätze und schließlich in Phasen unterschiedlicher Marktstimmung (die durch unterschiedliche Einschätzungen künftiger Wirtschafts- bzw. Preisentwicklungen gekennzeichnet sind).

Wir untersuchen in dem vorliegenden Projekt, ob die explizite Berücksichtigung verschiedener Wirtschaftszustände - und damit die in diesen Zuständen potenziell unterschiedlichen Dynamiken und Verflechtungen - die Qualität von Rohstoffpreisprognosen verbessern kann. Diese verschiedenen Zustände können z.B. gute oder schlechte wirtschaftliche Zeiten sein, Zeiten hoher oder niedriger Unsicherheit, Zeiten hoher oder niedriger Zinssätze (oder Inflation), Perioden hoher oder niedriger Ölpreise usw. Zur Bewertung der Qualität von Rohstoffpreisprognosen verwenden wir unterschiedliche Arten von Gütekennzahlen: traditionelle Kennzahlen und neuere Kennzahlen. Während die traditionellen Kennzahlen untersuchen, ob die Vorhersagen den tatsächlichen Realisierungen möglichst nahe kommen, wird bei den neueren Kennzahlen etwa untersucht, ob die Richtung einer Preisänderung richtig vorhergesagt wurde oder ob Wendepunkte richtig prognostiziert wurden. Die zweite Art von Kennzahlen erscheint für manche Anwendungen in Politik und Wirtschaft relevanter als die reine Prognosegenauigkeit (d. h. wenn mit traditionellen Kennzahlen gearbeitet wird). Wir betrachten einen aggregierten Rohstoffpreisindex, nämlich den S&P Goldman Sachs Commodity Index, sowie die Preisindizes von fünf Rohstoffsektoren: Energie, Industriemetalle, Edelmetalle, Agrarrohstoffe und Lebendvieh. Als erklärende Variablen benutzen wir makroökonomische Daten und Finanzdaten sowie weitere fundamentale Daten, welche die Verhältnisse zwischen Lagerbestand und Verbrauch in den jeweiligen Rohstoffmärkten beschreiben. Wir verwenden einen nichtlinearen ökonometrischen Modellierungsrahmen, um die unterschiedlichen Dynamiken in den verschiedenen Wirtschaftszuständen zu erfassen (sogenannte Schwellenwertmodelle), und vergleichen dann die Prognosen, welche von diesen zustandsabhängigen Modellen impliziert werden, mit jenen Prognosen, die von traditionellen linearen Modellen stammen, in denen keine zustandsabhängigen Dynamiken modelliert werden. Wir finden einen überwältigenden Beleg dafür, dass die Berücksichtigung zustandsabhängiger Dynamiken zu einer Verbesserung der Prognosefähigkeit für Rohstoffpreise führt, und zwar für beide Arten von Prognosekennzahlen und für sowohl den aggregierten Rohstoffpreisindex als auch die fünf Rohstoffsektoren. Die Verbesserung wird für kurzfristige und längerfristige Prognosehorizonte festgestellt, d. h. für Prognosehorizonte von einem Monat sowie drei, sechs und zwölf Monaten. Unsere Ergebnisse deuten auch darauf hin, dass es häufig einen interessanten Unterschied zwischen den beiden Arten von Gütekennzahlen gibt. Dies bedeutet, dass das konkrete Ziel der Prognosetätigkeit (und somit der Einsatz einer bestimmten Kennzahl) eine entscheidende Rolle bei der Festlegung der am besten geeigneten Modellgruppe spielt. Beispielsweise liefern in zustandsabhängigen Modellen mit Unsicherheit (Volatilität der Aktienmärkte) als Zustandsvariable die traditionellen Kennzahlen in Zeiten geringerer Unsicherheit eine bessere Prognose als in Zeiten höherer Unsicherheit, während bei den neueren Kennzahlen genau das Gegenteil der Fall ist. Obwohl das vorgeschlagene methodische Instrumentarium für die Modellierung und Prognose von Rohstoffpreisen validiert wurde, besitzt es mit Sicherheit das Potenzial, in anderen Bereichen der Wirtschaft und Finanzen ebenso erfolgreich angewandt zu werden.