Faculty of Business and Economics
UNIverse - Public Research Portal

Computational Economics and Finance (Maringer)

Projects & Collaborations

5 found
Show per page
Project cover

Energy Elasticities and the Rebound Effect: A Comprehensive Empirical Analysis

Research Project  | 5 Project Members

In diesem Forschungsprojekt werden aktuelle Preis- und Einkommenselastizitäten für Energie und andere Produktionsfaktoren bzw. Konsumgütergruppen in der Schweiz geschätzt. Im Weiteren wird der Rebound-Effekt für den privaten Transport untersucht. Im ersten Teil werden auf Grundlage eines Schweizer Unternehmensdatensatzes Substitutionselastizitäten zwischen den Produktionsfaktoren Energie, Kapital, Arbeit und Material für Unternehmen mit tiefer, mittlerer und hoher Energieintensität berechnet. Unsere Resultate zeigen auf, dass energieextensive Unternehmen Energie nach einer Preiserhöhung durch alle anderen Produktionsfaktoren substituieren können. Jedoch zeigen unsere Schätzungen auf, dass bei energieintensiven Unternehmen die Produktionsfaktoren Energie und Kapital Komplemente und nicht Substitute darstellen. Dies ist ein Hinweis darauf, dass energieintensive Unternehmen grössere Anpassungsschwierigkeiten haben als energieextensive Unternehmen bei steigenden Energiepreisen. Im zweiten Kapitel werden Einkommens- und Kreuzpreiselastizitäten zwischen einzelnen Konsumgütergruppen von Schweizer Haushalten geschätzt. Die Eigenpreiselastizitäten zeigen beispielsweise auf, dass Transportleistungen unelastisch sind, der Energiekonsum hingegen einheitselastisch. Weiter decken wir verschiedene Muster der Substituierbarkeit zwischen den verschiedenen Konsumgütern auf. Die Einkommenselastizitäten weisen schliesslich Energie als Bedarfsgut aus, Transport hingegen besitzt eine Einkommenselastizität nahe eins. Die zudem berechneten Engel-Kurven sind für den Energiekonsum strikt fallend, hingegen sind sie für den privaten Transport S-förmig. Im dritten Teil werden Rebound-Effekte für den privaten Transport in der Schweiz berechnet. Dabei werden zwei Methoden verwendet, wobei die erste eher einen kurzfristigen und die zweite eher einen langfristigen Rebound-Effekt schätzt. Der Rebound-Effekt für den privaten Verkehr in der Schweiz, basierend auf der ersten Methode, liegt bei rund 20%. Die zweite Methode lieferte einen ungleich grösseren Effekt von rund 60%. Die Schätzung des Rebound-Effekts für verschiedene Haushaltsgruppen deckt grosse Unterschiede zwischen diesen Gruppen auf: Die Resultate zeigen beispielsweise, dass der Rebound-Effekt bei ärmeren und älteren Haushalten grösser ausfällt. Weiter ist der Rebound-Effekt kleiner, wenn der Freizeitverkehr betroffen ist und nicht die Fahrt zur Arbeit.

Project cover

B-123 Combinatorial Algorithms for computationally intensive econometric problems

Research Project  | 2 Project Members

Zahlreiche praktische Fragestellungen bei der ökonometrischen Modellselektion sind zu komplex, um mit traditionellen Such- und Optimierungsverfahren in vernünftiger Zeit eine zuverlässige Lösung zu erhalten. Möchte man etwa aus 50 möglichen Indikatoren jene 5 auswählen, die für ein Erklärungsmodell am besten funktionieren, existieren ca. 2 Millionen Alternativen; möchte man die Auswahl auf die 7 besten erweitern, sind es bereits 100 Millionen Alternative. Falls die Modelle zudem zwischen der aktuellen Beobachtung und jener der Vorperiode wählen können, sieht man sich bereits über 16 Milliarden möglichen Lösungen gegenüber. Jede kleinste Erhöhung der Wahlmöglichkeiten (mehr ursprüngliche Indikatoren, ausgewählte Variable und / oder Vorperioden) führt rasch zu einer Explosion der resultierenden Alternativen. Zusätzlich verschärft wird dieses Problem, wenn die Modelle und deren Nebenbedingungen nichtlinear und somit die Bewertung einer jeden dieser Alternativen bereits für sich höchst rechenintensiv ist. Obwohl derartige Modelle in zahlreichen Fragestellungen immer noch als sehr einfach anzusehen sind, ist an Lösung durch Auswertung aller möglichen Alternativen selbst mit modernsten Computerclustern nicht zu denken. Dies erschwert die empirische Anwendung und Ueberprüfung von Modellen. In jüngster Zeit wird daher vermehrt nach Algorithmen gesucht, die rasch möglichst viele schlechte Alternativen ausschliessen können und so die Rechenzeit effizient nutzen und gleichzeitig die Wahrscheinlichkeit, gute Lösungen innert vernünftiger Zeit zu finden, erhöhen. Ziel dieses Projektes ist es, sowohl deterministische als auch stochastische Algorithmen für diese Problemstellung (neu- und weiter-) zu entwickeln und untersuchen. Aus ökonometri-scher Sicht stehen dabei seemingly unrelated regressions (SUR), vector autoregressive (VAR), simultaneous equations und regime switching (insbesondere smooth transition autor-egressive (STAR)) Modelle im Vordergrund. Diese Modelle sind hinsichtlich der genannten kombinatorischen Aspekte ähnlich genug, um sie in einer gemeinsame Suche nach geeigneten Algorithmen zu untersuchen. Als weiterer Aspekte sollen hier die genannten Subset-Regression behandelt werden (Auswahl einer Subgruppe aus den vorhandenen Indikatoren) und Robuste Regression (stabilere Lösungen gegenüber Ausreissern im Datensatz) einflies-sen. "Ausreisser" im Datensatz können die empirische Schätzungen verzerren, da sie traditionelle Gütemasse wie den Mittleren Quadratfehler stark beeinflussen. Werden stattdessen die Mediane der Quadratfehler oder deren getrimmte Verteilungen verwendet, so erzielten Ergebnisse wesentlich stabiler, allerdings können traditionelle Methoden mit dieses numerisch schwierige Schätzung nicht durchführen. Auch hierauf soll im Projekt eingegangen werden. Bei den Methoden wird vor allem Einsatz und Erweiterung von Pipeline Givens sequence und adding row algorithm (ARA, deterministisch) sowie evolutionärer Algorithmen (stochastisch) gedacht. Zum Einsatz der deterministischen Verfahren kann der Mitarbeiter auf erfolgreiche Publikationen in ähnlichen Anwendungsbereichen verweisen (der ARA wurde von ihm entwickelt), die evolutionären Verfahren wurden vom Antragsteller in verschiedensten Problemen (einschliesslich ökonometrischer Variablen- und Modellselektion) erfolgreich eingesetzt. Im vorliegenden Projekt sollen die bereits vorhandenen Verfahren systematisch verglichen und für die genannten Anwendungsbereiche operationalisiert werden. Es sollen aber auch Erweiterungen und Verbesserungen auf methodischem Gebiet erzielt werden.

Project cover

D-131 Agenten-basiertes Währungsmarkt-Model

Research Project  | 2 Project Members

Bestehende Agenten-basierte Modelle von Währungsmärkten haben derzeit zumeist zwei wesentliche Lücken: Erstens fehlt eine realwirtschaftlich bedingte Nachfrage nach Fremd-währungen (z. B. für Importe), und zweitens werden oftmals nur zwei Währungen (also ein "Gut") gehandelt; gerade in Geldmärkten ist die Arbitrage-Freiheit jedoch ein Kriterium, das in Ein-Gut-Märkten nicht beachtet werden muss, jedoch von grosser praktischer Relevanz ist. Diese beiden Lücken möchten wir mit unserem Währungsmarktmodell schliessen. Mit dem aus dem Projekt hervorgehenden Modell wollen wir zu folgenden Fragestellungen Beiträge leisten: - Gibt es "Fundamentalwerte" von Wechselkursen? Diese Frage lässt sich nur durch die Modellierung von realwirtschaftlichen Treibern sinnvoll angehen. - Wie sollen sich besonders systemrelevante Agenten in verschiedenen Situationen verhalten, um die ihnen übertragenen Aufgaben zu erfüllen? Im Falle einer Zentral-bank ist zum Beispiel die Frage nach einer wirksamen Stabilisierung verschiedener ökonomischer Grössen nach Schocks und spekulativen Attacken oder die erfolgrei-che Einhaltung von Wechselkurs- und Inflationszielen relevant. Um diese Fragen beantworten zu können, muss unser Modell eines künstlichen Währungs-marktes um die genannten Eigenschaften erweitert werden. In einem zweiten Schritt werden besonders wichtige Agenten (wie z. B. Zentralbanken oder Arbitrageure) modelliert und der Fragestellung entsprechende Experimente durchgeführt.

Project cover

D-132 Automated Trading System 8211; Design and Implementation of a robust and adaptive regime-switching model of recurrent reinforcement learning for algorithmic trading

Research Project  | 2 Project Members

The primary objective of this project is to implement an algorithmic trading model that shows a certain level of consistency in its performance, i.e. it should do well over a relatively long period and across different types of time series data. Although consistency is a key issue in algorithmic trading, it has often been neglected. This research project aims at addressing this problem by making use of advances in both econometrics and artificial intelligence. We propose a novel approach based on regime-switching and recurrent reinforcement learning (RRL) that is completely data-driven. It requires the design and implementation of a comprehensive system that consists of powerful data processing techniques smartly linked to a quick and efficient learning mechanism. Such a system can give useful insight into market microstructure in addition to fulfilling its fundamental aim of generating intelligent trade signals.