Diese Arbeit entwickelt zahlreiche Methoden und Algorithmen zur verbesserten Modellierung und Prognose von makroökonomischen Zeitreihen mit neuronalen Netzen (ARNN-Modellen) und führt einen Vergleich mit linearen Modellen (AR, ARMA) durch. Mit einer Evaluationsstudie zum Vergleich der Güte von Mehr-Schritt-Prognosen.

In dieser Arbeit wird die Eignung des Instrumentariums der neuronalen Netze, im Konkreten der autoregressiven Neuronale-Netz-Modelle (ARNN), zur Modellierung und Prognose von makroökonomischen Zeitreihen untersucht und mit jenen der autoregressiven (AR) und autoregressiven Moving-Average-Modelle (ARMA) verglichen. Als beispielhaftes Anwendungsgebiet werden die beiden monatlichen Zeitreihen der österreichischen Arbeitslosenrate und des österreichischen Industrieproduktionsindex herangezogen. Die Arbeit beinhaltet eine Reihe von Erweiterungen an den Methoden und Algorithmen im Zusammenhang mit der ARNN-Modellierung, die durch die besonderen Herausforderungen bei der Modellierung und Prognose von makroökonomischen Zeitreihen motiviert sind. Eine Evaluationsstudie zum Vergleich der Güte von Mehr-Schritt-Prognosen verschiedener Modellierungsstrategien wird durchgeführt.

Autorentext

Wolfgang Koller studierte Handelswissenschaften an der Wirtschaftsuniversität Wien und war danach als Assistent am dortigen Institut für Wirtschafts- und Sozialgeographie und am Forschungsinstitut für Europafragen tätig. Seit 2005 ist er Wissenschaftlicher Mitarbeiter am Industriewissenschaftlichen Institut in Wien. 2012 promovierte er zum Themenbereich Zeitreihenanalyse und neuronale Netze.

Inhalt
Inhalt: Univariate lineare und nicht-lineare Modellierung von makroökonomischen Zeitreihen Neuronale Netze zur Zeitreihenmodellierung und Prognose Tests auf Nicht-Linearität Vergleich von Modellierungsstrategien Evaluierung der Prognosegüte von Mehr-Schritt-Prognosen.