GRK 1792: Hochdimensionale nicht stationäre Zeitreihen

Die Quantitative Ökonomie beschäftigt sich mit der Modellierung von hochdimensionalen, unstrukturierten Daten und nicht stationären Zeitreihen. Die Standardinstrumentarien, welche auf niedrigdimensionalen Parametern und einer steigenden Anzahl an Beobachtungen basieren, sind somit nicht anwendbar. Es muss auf adaptive Methoden und lokal stationäre Modelle zurückgegriffen werden, um diese Daten angemessen zu analysieren. Diese IRTG untersucht, wie die Komplexität und Mehrdimensionalität durch geeignete statistische Verfahren reduziert werden können. Das Kernziel ist dabei die Entwicklung neuer statistischer und ökonometrischer Methoden, die die dynamischen Analysemöglichkeiten erweitern sollen und können zum Beispiel durch zeitlich veränderliches maschinelles Lernen mit Netzwerktechniken unterstützt werden. Um transparentes und reproduzierbares wissenschaftliches Arbeiten zu garantieren, werden die computerbasierten Algorithmen auf einer frei zugänglichen Plattform bereitgestellt.Anwendungsbereiche sind unter anderem die Neurowissenschaft, Hochfrequenzhandel, zeitabhängiges Clustern unstrukturierter Daten, Dynamic Topic Modelling, stimmungsgeleitete Reaktionen und Herdenverhalten. Für eine realistische Anwendung dieser neuen Techniken muss die Standardannahme fallen gelassen oder zumindest gelockert werden. Eine neue Schätztheorie, basierend auf Functional Structural Sparsity, bietet einen guten Ausgleich zwischen Interpretierbarkeit, Freiheit bei der Verteilungsannahme und Structural Complexity. Ein Beispiel ist ein zeitlich variables Lasso-Verfahren mit bestimmbaren und ökonomisch interpretierbaren reduzierten Parametern. Eine graphisch fundierte Perspektive auf Zeitreihendaten ist etwa angesichts der Dynamik sozialer oder systemischer Risiken notwendig. Diesbezüglich forscht die IRTG auf dem Gebiet der Combinatorial Inference zum Beispiel welche Knoten in Bezug auf Sentiments in der Finanzwirtschaft zentral und welche infektiös sind. Diese Art der Analyse ist auch im schnell wachsenden Crypto-Currency-System gefragt, wo man Marktumschwünge und dynamische Volatilität identifizieren möchte.Zu dem Qualifizierungsprogramm muss ein vielfaltiges Kursprogramm mit festen Mathematikbestandteilen, statistischem Training und modernen Techniken des Maschinellen Lernens gehören, um die gesetzten Forschungsziele zu erreichen. Die Vorträge von Gastwissenschaftlern tragen dazu bei, das Wissen um aktuelle Themen zur Dimensionsreduktion, Dynamic Sparseness und Netzwerken zu erweitern.