In-Sample-Fit vs. Out-of-Sample-Prognosegüte bei linearen Regressionsmodellen

Ein genereller Grundsatz bei der Anpassung eines Regressionsmodells an Daten ist die ""Parsimony"" (=Sparsamkeit): Ein Modell sollte die Daten mit möglichst wenig Faktoren erklären.

Orientiert man sich an in-sample-Kriterien wie dem R2 oder Informationskriterien wie dem AIC oder BIC, um das ""beste"" Modell für die Daten anzupassen, resultieren daraus oft sehr komplexe Modelle; beispielsweise legen diese Kriterien nahe, viele Vergangenheitswerte von Regressoren ins Modell aufzunehmen.

Aufgabe der Bachelorarbeit wäre nun, folgende Fragestellung zu beurteilen: Wie gut sind die "besten" Modelle im In-Sample im Out-of-Sample, also wenn man echte Prognosen durchführt? Sind komplexe Modelle im Out-of-Sample schlechter als einfachere Modelle?

Hierbei soll die Analyse mit Modellen durchgeführt werden, welche auf Basis verschiedener makro- und mikroökonomischer Faktoren zukünftige Renditen von Indizes (DAX,S&P500, Nasdaq) prognostizieren.

Weitere Informationen

Unternehmen

Thesius Inspiration

Abschlussart

Bachelorarbeit

Branche

Forschung und Entwicklung

Schlagwörter

Parsimony In-Sample Out-of-Sample

Zusatzinformationen

http://www.wiwi.uni-augsburg.de/bwl/okhrin/abschlussarbeiten/