1 Einleitung

Meine sehr geehrten Damen und Herren, liebe Studierende,

in meinem Vortrag geht es um Frequenzen. Der Begriff Frequenz und der Name Hertz sind verbunden: Frequenzen werden in der Physik und Technik in Hertz gemessen. Der Wechselstrom in der heimischen Steckdose hat eine Frequenz von 50 Hertz, die Prozessoren moderner Computer funktionieren mit einer Taktfrequenz von mehreren Gigahertz.

Auch in der Wirtschaft haben wir es mit unterschiedlichen Frequenzen zu tun. Auch wenn wir sie nicht in Hertz messen. Als Makroökonomen können wir nicht wie in der Physik Experimente durchführen, geschweige denn periodische Prozesse mit einer vorgegebenen Frequenz erzeugen. Zudem sind wirtschaftliche Prozesse sehr komplex und entfalten sich meistens über längere Zeit. Dabei überlagern sich oft sehr viele unterschiedliche Schwingungen.

Und nicht zuletzt gilt: Wenn Volkswirte von Frequenzen reden, geht es häufig nicht um die Schwingungslänge der wirtschaftlichen Prozesse selbst, sondern um den zeitlichen Abstand zwischen den Datenpunkten von statistischen Zeitreihen. Beispielsweise gibt es ökonomische Zeitreihen, bei denen nur einmal im Jahr ein neuer Datenpunkt hinzukommt. Der Kapitalstock ist ein gutes Beispiel für solche Statistiken. Bei anderen Zeitreihen gibt es einmal im Quartal oder einmal im Monat neue Informationen. Das bekannteste Beispiel für eine vierteljährlich verfügbare Statistik ist das Bruttoinlandsprodukt. Monatlich verfügbar ist beispielsweise die Industrieproduktion. 

Dementsprechend bezeichnen wir solche Zeitreihen als Jahres‑, Quartals- oder Monatsdaten. Das sind auch die drei Frequenzen, mit denen wir es meistens zu tun haben, wenn wir gesamtwirtschaftliche Zusammenhänge betrachten. Gesamtwirtschaftlich relevante Daten, die noch häufiger vorliegen, bezeichnen wir als hochfrequent. Das Angebot an solchen Wochen- oder Tagesdaten ist zwar noch vergleichsweise überschaubar. Digitalisierung führt allerdings dazu, dass es immer größer wird.

Hochfrequente Daten sind insbesondere dann wichtig, wenn wir einen besonders zeitnahen Einblick in das Wirtschaftsgeschehen benötigen. Und in meinem Vortrag möchte ich darauf eingehen, wie die Bundesbank solche hochfrequenten Daten für die Wirtschaftsbeobachtung verwendet. Zuvor möchte ich aber die konkreten Anwendungsfälle und die dafür notwendigen Methoden in einen breiteren Kontext setzen und die hohe Komplexität makroökonomischer Daten darlegen. 

Um das zu tun, gebe ich einen kurzen Überblick über die Geschichte der wohl wichtigsten Größe in der modernen Konjunkturanalyse: des Bruttoinlandsprodukts, abgekürzt BIP. Sie erfahren auch, welche Besonderheiten und Schwierigkeiten beim Berechnen des BIPs durch statistische Ämter auftreten und welchen Einfluss die Pandemie auf die Verwendung hochfrequenter Daten hatte. Anschließend werde ich noch ein paar Worte zu Preismessung und Inflationsanalyse sagen: Denn auch dieser für uns Notenbanker sehr wichtige Bereich profitiert zunehmend von der Verfügbarkeit der Hochfrequenzdaten.

2 Hochfrequente Daten in der Finanzwirtschaft

Bevor wir aber in die Welt der makroökonomischen Statistik eintauchen, schlage ich vor, einen kurzen Abstecher in den Bereich der Finanzdaten zu machen. Hier finden wir ein wahres Eldorado hochfrequenter Daten. Das Finanzwesen ist auch der Wirtschaftsbereich, den die Volkswirte spontan und seit längerem mit dem Begriff „hochfrequente Daten“ assoziieren.

Auch heutzutage bietet die Finanzbranche für Ökonomen wohl die besten Möglichkeiten für Datenerhebungen. Sogar das Abrufen der Asset-Preise, Zinssätze und Wechselkurse in Sekundenabschnitten ist hier dank der Digitalisierung kein Problem. Mehr noch, das Sammeln von Zeitreihendaten hat hier bereits vor einigen Jahrzehnten mit sogenannten Tickdaten seine technische Grenze erreicht. Als Tickdaten wird die Aufzeichnung aller Preisbewegungen eines Assets an einem Handelstag bezeichnet. Solche Daten weisen unregelmäßige Zeitabstände zwischen einzelnen Datenpunkten auf, was eine besondere Herausforderung bei der Analyse darstellt.

Die Verfügbarkeit von Hochfrequenzdaten hat große Möglichkeiten bei der Schätzung von Volatilitäten eröffnet. Insbesondere die Tickdaten erlauben eine fast stetige Beobachtung der Preisprozesse und damit auch einen tiefen Einblick in die Struktur zeitvariabler Volatilität.

Die finanzwirtschaftlichen Hochfrequenzdaten können auch für sogenannte ereignisbasierte Studien benutzt werden. Eine solche Studie haben vor kurzem Forscher der Bundesbank und der Goethe-Universität Frankfurt durchgeführt.[1] Ziel der Untersuchung war es zu bestimmen, welchen Anteil unerwartete Nachrichten an den Bewegungen der Finanzmarktpreise haben. Dazu haben die Forscher eine umfangreiche Ereignisdatenbank mit genauen Zeitangaben aufgebaut. Neben planmäßigen makroökonomischen Datenveröffentlichungen, Ankündigungen von Notenbanken und Anleiheauktionen schließt die Datenbank auch Nachrichten wie Wahlergebnisse, Rating-Herabstufungen, Kriege und Naturkatastrophen ein.

Anschließend wird die Datenbank mit Finanzmarktdaten auf 15-minütiger Frequenz verglichen. Ein Beispiel dafür finden wir auf dem gerade anzeigten Schaubild.
Hier sehen wir, wie sich die Renditen zehnjähriger deutscher Staatsanleihen am 7. Oktober 2011 veränderten – die schwarze Linie. Das Gegenüberstellen der Ereignisdatenbank mit den Renditen zeigt, dass die größten Marktbewegungen in diesem Fall vermutlich auf den US-Arbeitsmarktbericht sowie die Rating-Herabstufungen von Italien und Spanien durch Fitch zurückzuführen sind. Die Studie kommt zu dem Schluss, dass makroökonomische Nachrichten etwa die Hälfte aller hochfrequenten Finanzmarktbewegungen erklären können.

Insgesamt verdeutlicht die Studie auch einen wichtigen Mehrwert hochfrequenter Daten: Höhere Frequenz bedeutet nicht nur aktuellere Informationen, sondern auch die Möglichkeit, auf Kausalzusammenhänge zu schließen. Denn nicht relevante Faktoren lassen sich bei der Wahl sehr enger Zeitfenster ausblenden.

3 Komplexität der makroökonomischen Daten

Jetzt wollen wir uns aber der Welt der makroökonomischen Statistik zuwenden. Hier hatte die Digitalisierung nur geringe Auswirkungen auf die Frequenz der erhobenen Daten. In den 1930er Jahren legten der britische Ökonom Colin Clark und der amerikanische Ökonom Simon Kuznets Grundlagen für das moderne Konzept des Bruttoinlandsprodukts.[2] Heutzutage ist das Bruttoinlandsprodukt wohl die wichtigste Größe in der Wirtschaftsbeobachtung rund um den Globus. 

Das BIP misst den Wert der im Inland in einem bestimmten Zeitraum hergestellten Waren und Dienstleistungen, soweit diese nicht als Vorleistungen in die Produktion anderer Waren und Dienstleistungen einfließen.[3] Um Doppelzählungen zu vermeiden, müssen dabei Vorleistungen vom Produktionswert abgezogen werden. Beispiel: Ein Müller verkauft Mehl an einen Pizzabäcker. Damit der Wert des Mehls nicht doppelt gezählt wird, muss er aus dem Wert der Pizza herausgerechnet werden.

Hierbei handelt es sich um eine Definition von der Produktionsseite. Viele kennen allerdings vor allem die verwendungsseitige Definition. Sie sagt aus, wie die produzierten Waren und Dienstleistungen verwendet werden. Sie lautet: privater Verbrauch plus Staatsverbrauch plus Investitionen plus Exporte und minus Importe.

Von Beginn an wurde das Bruttoinlandsprodukt von statistischen Behörden primär auf jährlicher Frequenz berechnet.[4] Dass das BIP-Ergebnis auf einer Vielzahl jährlicher Basisstatistiken beruht, hat sich in den vergangenen Jahrzehnten nicht verändert, auch wenn man inzwischen nicht mehr so lange warten muss, bis die Angaben für einen bestimmten Zeitraum veröffentlicht werden, etwa das abgelaufene Quartal oder Jahr.

An dieser Stelle werden Sie sich vielleicht fragen: Was redet er denn da? Es gibt doch auch vierteljährliche BIP Wachstumsraten, die regelmäßig in den Nachrichten auftauchen! Tatsächlich sind das reale vierteljährliche Bruttoinlandsprodukt und seine Unteraggregate unverzichtbare Instrumente für die Konjunkturforschung und -prognose. Dabei ist es allerdings nicht so, dass das Statistische Bundesamt die vierteljährlichen Werte berechnet und sie zu Jahreswerten aufaddiert. Bis auf wenige Ausnahmen läuft es in die entgegengesetzte Richtung.

Was das Statistische Bundesamt macht, ist im Grunde, die jährlichen Daten mithilfe von höherfrequenten – meistens monatlichen – Indikatoren zu interpolieren und fortzuschreiben. Natürlich handelt es sich dabei nicht um ein formales mathematisches Verfahren, mit dem einzelne Jahreszeitreihen interpoliert werden. Denn die vierteljährlichen Werte müssen nicht nur zu höherfrequenten Indikatoren passen, sie müssen auch im Rahmen der Volkswirtschaftlichen Gesamtrechnung – kurz VGR – zueinander passen oder, wie der Statistiker sagt, konsistent sein. In die Berechnung der vierteljährlichen VGR fließt daher umfangreiches Expertenwissen ein.

Warum muss das Statistische Bundesamt auf höherfrequente Indikatoren zurückgreifen, um auf Basis der jährlichen VGR-Werte zu den vierteljährlichen zu kommen? Das liegt daran, dass viele Datenquellen nur auf jährlicher Frequenz und mit erheblichem Zeitverzug verfügbar sind.[5] Mit jährlichen Daten allein kommt man aber nicht zu vierteljährlichen Zahlen. Zudem ist die Abstimmung eines makroökonomischen Rechenwerks ein sehr komplexer und mehrstufiger Prozess. Beispielsweise sieht die derzeit gültige Klassifikation der Wirtschaftszweige eine Unterteilung der Wirtschaft nach 615 Wirtschaftsklassen vor.[6] Daher ist der Rückgriff auf monatliche Indikatoren unverzichtbar, wenn man wie die Bundesbank die Volkswirtschaftliche Gesamtrechnung für die Konjunkturanalyse nutzbar machen will.

Aber auch die amtliche Veröffentlichung des vierteljährlichen realen Bruttoinlandsprodukts ist für die Zwecke der laufenden Konjunkturbeobachtung oft nicht zeitnah genug. Die erste vierteljährliche BIP-Veröffentlichung in Deutschland heißt Schnellmeldung. Sie erscheint einen Monat nach dem Ablauf der Berichtsperiode. Aktuell befinden wir uns im vierten Quartal. Das heißt, die Schnellmeldung zum dritten Quartal erscheint am 31. Oktober. Bis dahin haben wir keine amtlichen Informationen darüber, wie sich das reale Bruttoinlandsprodukt im bereits vergangenen dritten Quartal entwickelt hat.

Zudem ist diese erste Veröffentlichung vorläufig. Dies lässt schon der Name vermuten: Schnellmeldung. Zu diesem Zeitpunkt sind noch nicht alle monatlichen Indikatoren vollständig verfügbar, die für die Berechnung des vierteljährlichen BIPs notwendig sind. Ein sehr wichtiger Indikator in dieser Hinsicht ist beispielsweise die Industrieproduktion. Die Industrieproduktion wird monatlich veröffentlicht und erscheint fünf Wochen nach Ablauf des jeweiligen Berichtsmonats. Fünf Wochen sind allerdings mehr als ein Monat. Das heißt, die Berechnung der BIP-Schnellmeldung schließt die Industrieproduktion nur für die zwei ersten Monate eines Quartals ein. Der letzte Monat fehlt noch.

Knapp zwei Monate nach Ablauf des Berichtsquartals erfolgt dann die zweite BIP-Veröffentlichung, bei der dann alle Informationen aus den relevanten monatlichen Indikatoren eingearbeitet sind. Dabei kann es auch zu Revisionen des zuvor veröffentlichten BIP-Wertes kommen. Diese zweite Veröffentlichung beinhaltet auch die quantitativen Angaben zu den Unterkomponenten des realen BIP wie privater Verbrauch oder Investitionen.

Wenn wir allerdings nicht einen beziehungsweise knapp zwei Monate auf die amtlichen BIP-Veröffentlichungen warten können und ein aktuelles Konjunkturbild des Sommerquartals bereits heute, am 5. Oktober, benötigen, sind wir wieder auf Indikatoren angewiesen. Jedoch sind am heutigen Tag noch gar nicht alle monatlichen Indikatoren verfügbar, die das Sommerquartal abdecken. So wird die Industrieproduktion für August erst am kommenden Montag veröffentlicht. Das heißt, mit Blick auf die Industrie fehlen uns zwei Monate des gerade abgelaufenen Sommerquartals.

Gibt es vielleicht andere monatliche Indikatoren, die schneller verfügbar sind? Ja, die Umsätze im Einzelhandel gibt es zum Beispiel seit dem letzten Freitag. Aber auch nur bis August. Haben wir monatliche Indikatoren, die uns helfen könnten, die Entwicklung im September zu bewerten? Dafür stehen uns lediglich Umfragen zur Verfügung. Beispielsweise hat das ifo Institut den ifo Geschäftsklimaindex für September am 25. September veröffentlicht. Die Umfragewerte liefern allerdings primär qualitative Informationen über die aktuelle Konjunkturlage. Insgesamt sehen wir also, dass uns zu diesem Zeitpunkt keine quantitativen Informationen auf monatlicher Frequenz vorliegen, um die Konjunktur im September einzuschätzen.

Deshalb suchen wir nach konjunkturrelevanten Daten auf einer höheren als der monatlichen Frequenz: beispielsweise nach Wochen- und Tagesdaten. Doch bis vor wenigen Jahren waren die Konjunkturstatistiken weitgehend darauf ausgelegt, vierteljährliche und monatliche Daten bereitzustellen. Das galt auch für unsere Methoden, diese Daten zu verarbeiten.

4 Hochfrequente Daten und die Pandemie

Es änderte sich, als uns die Corona-Pandemie traf. Sie brachte weltweit großes Leid über die Menschen. Zugleich löste sie einen Wirtschaftseinbruch von historischer Dimension aus. Und die Konjunkturbeobachtung stellte die Pandemie vor dramatische Herausforderungen.[7]

Am 22. März 2020 wird in Deutschland der erste Corona-Lockdown beschlossen. Das öffentliche Leben kommt weitgehend zum Erliegen. Es wird sehr schnell klar, dass die wirtschaftlichen Auswirkungen der Pandemie gravierend sein werden. Denn die Eindämmungsmaßnahmen schränken die wirtschaftliche Aktivität massiv ein. Erschwerend kommt hinzu, dass diese Maßnahmen zeitgleich in fast allen Ländern der Welt ergriffen wurden. Damit war auch der Welthandel erheblich beeinträchtigt. Aber in welcher Größenordnung wird die Wirtschaftsleistung sinken? Diese Frage musste sehr zügig beantwortet werden. Sie war aber auch keineswegs trivial. Denn wir hatten damals keine Erfahrung mit so einem Schock. 

Auch die amtliche Statistik gab zu jener Zeit keinen Aufschluss über die Lage. Damals, Ende März beziehungsweise Anfang April, standen uns höchstens Februar-Zahlen zur Verfügung. Und im Februar hatte die Pandemie das Wirtschaftsleben in Deutschland noch kaum beeinträchtigt. Zwar waren einige Umfragewerte für März 2020 relativ zügig verfügbar, beispielsweise der ifo Geschäftsklimaindex, allerdings waren die meisten Antworten bereits in der ersten März-Hälfte eingegangen. Daher ergaben diese Umfragen ein zu optimistisches Bild.

Mehr noch, der Lockdown hatte Auswirkungen auf die amtliche Statistikproduktion selbst. Das lag insbesondere daran, dass es für viele auskunftspflichtige Unternehmen, Behörden oder Privatpersonen unter Pandemiebedingungen schwieriger war, weiterhin ihre Daten zu übermitteln.[8] Auch die von der Bundesbank durchgeführten Datenerhebungen waren betroffen. So musste beispielsweise unsere Vermögensbefragung verschoben werden, weil ihre Durchführung im Jahr 2020 unmöglich geworden war.[9]

Wir mussten also handeln, um zügig einen Eindruck von der Lage gewinnen zu können. Es ging darum, neue Datenquellen zu erschließen und die Daten schnell aufzubereiten. Einerseits hat die Bundesbank selbst Umfragen der Haushalte und Unternehmen zu ihren Erwartungen und Einschätzungen in Auftrag gegeben, die online und in monatlicher Frequenz stattfinden.[10] Andererseits haben wir versucht, möglichst viele Quellen von hochfrequenten Daten zu erfassen, zu analysieren und zu verwerten. Dafür haben sich unsere Fachleute zusammengetan und fabelhafte Arbeit geleistet.

Schon nach kurzer Zeit konnten unsere Volkswirtinnen und Volkswirte neue, hochfrequente Zeitreihen auf Wochen- und Tagesfrequenz nutzen und die Entwicklung der Lage nahezu in Echtzeit bewerten. Klar ist, dass diese Daten aufgrund der Digitalisierung potenziell auch vor der Pandemie verfügbar gewesen waren. Aber die Pandemie hat deren Erschließung beschleunigt.[11]

Dabei gab es auch Herausforderungen zu bewältigen. Eine von denen ist die Bereinigung der Tages- und Wochendaten von Saison- und Kalendereffekten. Denn insbesondere Tagesdaten können komplexe periodische Muster offenbaren. Nehmen wir die täglichen Daten zum Stromverbrauch als Beispiel. Hier haben wir eine Überlagerung von zwei Mustern. Das Erste tritt im Jahresverlauf auf: Im Sommer ist der Stromverbrauch bei uns niedriger als im Winter. Das Zweite betrifft den Wochenverlauf, denn an Arbeitstagen wird normalerweise viel mehr Strom verbraucht als an Wochenenden und Feiertagen. Die gängigen Methoden der Saison- und Kalenderbereinigung wurden allerdings primär für Quartals- und Monatsdaten entwickelt. Daher mussten unsere Fachleute zügig teilweise experimentelle Anpassungen an diesen Methoden vornehmen, um auch hochfrequente Zeitreihen aufbereiten zu können.[12]

5 Hochfrequente Daten in der Konjunkturanalyse

Nun haben wir die relevanten hochfrequenten Daten gesammelt und saison- und kalenderbereinigt. Doch wie nutzen wir diese Daten weiter für die Konjunkturanalyse? Natürlich können wir uns jede einzelne Zeitreihe anschauen und versuchen, bestimmte Fragen zu beantworten, um daraus ein aktuelles Konjunkturbild zu gewinnen. Geht die Produktion gerade zurück? Woran könnte das liegen? Oder beispielsweise: Wirkte sich das Niedrigwasser am Rhein auf das Stromangebot aus?

Aber wenn wir uns die Daten einfach anschauen, wissen wir nicht, wie die einzelnen Zeitreihen zu gewichten sind. Wenn beispielsweise zwei Reihen in unterschiedliche Richtungen zeigen, welcher Effekt wird überwiegen? Daher sind wir an einer Methode interessiert, die uns hilft, die Informationen aus verschiedenen hochfrequenten Zeitreihen zu verdichten. Dann könnten wir diese Informationen auch für quantitative Einschätzungen der Wirtschaftsaktivität verwenden.

Für die Bundesbank ist der Wöchentliche Aktivitätsindex – abgekürzt als WAI – eine wichtige Grundlage bei der Nutzung hochfrequenter Daten für die Konjunkturanalyse.[13] Wie wird der Index berechnet? Dafür nutzen wir mehrere hochfrequente Zeitreihen auf wöchentlicher Frequenz aus verschiedenen Bereichen: den Stromverbrauch in Deutschland, den Lkw-Maut-Fahrleistungsindex, die weltweite Anzahl von Flügen, die Luftverschmutzung, gemessen als Konzentration von Stickstoffoxid, Kreditkartenumsätze, das Aufkommen an Passanten in ausgewählten innerstädtischen Einkaufsstraßen und die relativen Suchhäufigkeiten der Begriffe „Arbeitslosigkeit“, „Kurzarbeit“ und „Staatshilfen“ in Google. Hinzu kommen zwei weitere Variablen: das vierteljährliche reale Bruttoinlandsprodukt und die monatliche Industrieproduktion – soweit dafür bereits Daten vorliegen.

Nun geht es darum, einen gemeinsamen Treiber all dieser Variablen zu schätzen. Dafür werden die Daten zuerst in vergleichbare Wachstumsraten transformiert. Unser Datensatz weist aber Lücken auf, weil die wöchentlichen Indikatoren öfter verfügbar sind als das vierteljährliche BIP und die monatliche Industrieproduktion. Diese fehlenden Beobachtungen werden über den Expectation-Maximisation-Algorithmus geschlossen.[14] Jetzt kann der Index mithilfe einer Hauptkomponentenanalyse berechnet werden. Ich hoffe, Sie können mir noch folgen!

Am Ende ergibt sich der Wöchentliche Aktivitätsindex als der gemeinsame, wöchentliche Faktor des gemischt-frequenten Datensatzes. Konstruktionsbedingt hat der WAI einen Mittelwert von null. So gibt der WAI die trendbereinigte Wachstumsrate der wirtschaftlichen Aktivität des letzten 13-Wochen-Durchschnitts gegenüber dem vorletzten 13-Wochen-Durchschnitt an. Sobald ein Quartal vollständig abgedeckt ist, können wir den WAI also als ein vierteljährliches trendbereinigtes Wachstum der wirtschaftlichen Aktivität interpretieren. Das ist am Ende oder kurz nach dem Ende eines Quartals der Fall. Positive WAI-Werte lassen sich als überdurchschnittliches Wirtschaftswachstum interpretieren, negative als unterdurchschnittliches.

Darüber hinaus lässt sich aus der Hauptkomponentenanalyse auch eine implizierte BIP-Wachstumsrate ableiten. Unsere Fachleute fanden nämlich eine hohe Korrelation zwischen dem BIP und dem WAI am Quartalsende. Das ist auch ein wichtiger Vorteil des WAI, neben der Möglichkeit natürlich, die Konjunkturlage zeitnah einzuschätzen.

In der Pandemie, als zeitnahe Einschätzungen besonders wichtig waren, zeigte sich der WAI als ein unentbehrliches Werkzeug der Konjunkturbeobachtung. Die Bundesbank veröffentlicht die WAI-Ergebnisse auf ihrer Webseite. Die letzte Aktualisierung des Index fand Anfang dieser Woche statt. Der WAI lag bei null. Demnach würde die Wirtschaftsaktivität derzeit mit durchschnittlichem Tempo wachsen. Diese Aktualisierung war zugleich auch die erste nach Ablauf des Sommerquartals. Sie lässt sich daher als Quartalswachstumsrate des BIP interpretieren. Anhand der implizierten BIP-Rate sehen wir: Das reale BIP ist im Sommer schätzungsweise um 0,3 Prozent gestiegen.

Unter Berücksichtigung aller verfügbaren Informationen kommen die Fachleute der Bundesbank allerdings zur Einschätzung, dass die wirtschaftliche Aktivität im dritten Quartal gesunken sein dürfte. Dies zeigt: Wie die meisten empirischen Methoden hat auch der WAI Schwächen. Zu seinen Nachteilen gehört, dass dem Index keine expliziten Modellannahmen zugrunde liegen. Ein weiterer Nachteil ist, dass wir keine eingängige Interpretation des Index innerhalb eines Quartals haben. Angenommen, der WAI zeigt in einer Woche mitten in einem Quartal ein Wachstum von 2 Prozent. Das bedeutet allerdings nicht, dass die wirtschaftliche Aktivität in dieser Woche tatsächlich um 2 Prozent gestiegen ist. Stehen uns vielleicht Methoden zur Verfügung, die diese Nachteile nicht haben?

Zuvor habe ich bereits erwähnt, dass das Statistische Bundesamt das Bruttoinlandsprodukt primär auf jährlicher Frequenz errechnet und erst dann, auf dieser Basis, die vierteljährlichen Werte bestimmt. Könnten wir dieses Vorgehen vielleicht wiederholen, indem wir das amtliche vierteljährliche Bruttoinlandsprodukt weiter auf die monatliche Frequenz interpolieren? Tatsächlich führen unsere Fachleute solche Schätzungen für Deutschland und den Euroraum durch. Wir nennen den sich daraus ergebenden Indikator für Deutschland MBIP: Das M steht für monatlich.[15]

Beim MBIP wird das amtliche vierteljährliche BIP zuerst mit Hilfe von monatlichen Indikatoren auf die monatliche Frequenz heruntergebrochen. Das MBIP ist so aufgebaut, dass drei monatliche BIP-Niveaus im Durchschnitt den vierteljährlichen Wert ergeben. Dadurch hat jeder geschätzte monatliche Wert eine eindeutige Interpretation. Die Bundesbank nutzt folgende monatliche Indikatoren, um das Quartals-BIP zu interpolieren: Industrieproduktion, preisbereinigte Einzelhandelsumsätze, preisbereinigte Warenexporte, Produktion im Bauhauptgewerbe und preisbereinigte Umsätze im Gastgewerbe.

Das mathematische Verfahren, das dabei zum Einsatz kommt, heißt Kalman-Filter. Ganz allgemein gesagt, können wir mit dem Kalman-Filter unbeobachtete Zustände von linearen und nichtlinearen Systemen schätzen. Die Unbeobachtbarkeit ist breit definiert: Es kann sein, dass ein Signal nur verrauscht ist oder aber zu bestimmten Zeitpunkten gänzlich nicht beobachtbar ist. Heutzutage kommt der Algorithmus in fast allen technischen oder quantitativen Bereichen zur Anwendung, beispielsweise in Navigation, Zielverfolgung, Robotik, Radartechnik, Spracherkennung, und in der Stabilisierung von Videoaufnahmen.

Gemischt-frequente Daten bieten ein natürliches Anwendungsfeld für den Kalman-Filter. Aber auch eine Prognose können wir als einen Spezialfall einer fehlenden Beobachtung definieren, die in der Zukunft liegt. Mithilfe des monatlichen Bruttoinlandsprodukts MBIP können wir Änderungen der gesamtwirtschaftlichen Leistung innerhalb eines Quartals sichtbar machen. So zeigt unsere Schätzung, dass das reale BIP zu Beginn der Pandemie im März 2020 um 7 Prozent gegenüber Februar gefallen ist und im April 2020 nochmal um 11 Prozent gegenüber März. Bereits ab Mai 2020 beginnt das monatliche BIP sich wieder zu erholen. Dennoch ging das reale BIP im zweiten Quartal 2020 insgesamt mit einer Rate von über 9 Prozent zurück. Das lag daran, dass der Einstieg in das Quartal so schlecht gewesen war.

Am MBIP erkennen wir auch gut, wie kurz und scharf die Pandemie-Rezession war. Dass es nicht weiter bergab ging, verdanken wir den massiven Stützungsmaßnahmen, die damals von der Geld- und Fiskalpolitik ergriffen wurden. Prognosemodelle können derart abrupte Einbrüche allerdings nicht ausreichend berücksichtigen.

Hier kommt uns jedoch zugute, dass das MBIP modellbasiert ist. Das heißt, wir können bei bestimmten Variablen expertenbasierte Abschläge oder Zuschläge setzen. Damit können wir Informationen nutzen, die den Modellen nicht bekannt sind. Beispielsweise hat die Lockerung von Corona-Schutzmaßnahmen ab Mai 2021 zu einer kräftigen Wiederbelebung im Gastgewerbe geführt. Daraufhin haben unsere Fachleute die Daten, die das MBIP verwendet, mit mehreren Zuschlägen versehen. Dabei ging es vor allem um die Umsätze im Gastgewerbe selbst. Im Ergebnis entsprach der Durchschnitt vom MBIP für das zweite Quartal 2021 am 7. Juli weitgehend der späteren Schnellschätzung des Statistischen Bundesamtes. Ohne diese Anpassungen hätte die Schätzung deutlich daruntergelegen.

Jetzt fragen Sie sich vielleicht: Was hat das MBIP eigentlich mit hochfrequenten Daten zu tun? In das MBIP fließen ja nur die monatlichen Indikatoren ein. Das ist eine völlig berechtigte Frage. Tatsächlich ist das der wichtigste Nachteil des MBIP gegenüber dem WAI. Beim MBIP können wir keine Tages- oder Wochendaten für die Prognosen des BIP nutzen. Zumindest nicht direkt. Doch es geht indirekt. Denn wir können ähnliche Modelle auch für monatliche Indikatoren bauen und sie zuerst mit Tages- und Wochendaten fortschreiben. Anschließend fließen die fortgeschriebenen Indikatoren in das MBIP ein.

Können wir aber die Vorteile des WAI und des MBIP in einem Modell vereinen? Unsere Fachleute arbeiten gerade an einem solchen Modell und wir nennen es das Wöchentliche BIP oder WBIP.[16] Beim WBIP wird das amtliche vierteljährliche BIP auf die wöchentliche Frequenz heruntergebrochen. Neben dem Quartals-BIP fließen sowohl monatliche als auch wöchentliche Indikatoren in die Berechnung ein.

Im Vergleich zum WAI sind die wöchentlichen BIP-Werte sehr einfach zu interpretieren. Im Quartalsmittel ergeben sie näherungsweise das vierteljährliche BIP. Mit dem wöchentlichen BIP erhalten wir einen sehr zeitnahen Indikator für die BIP-Dynamik, der jede Woche aktualisiert werden kann. Natürlich bekommen wir diese Eigenschaften nicht umsonst und müssen mit relativ hoher Modellkomplexität bezahlen. Daher arbeiten unsere Fachleute noch an der Verbesserung der Modellschätzung. Insgesamt gehen wir jedoch davon aus, dass wir nach einer erfolgreichen Testphase den WAI durch das WBIP ablösen können.

6 Hochfrequente Daten in der Inflationsanalyse

Die massiven und abrupten globalen Schocks, wie die Pandemie oder auch der russische Angriff auf die Ukraine, haben allerdings den Bedarf an hochfrequenten und zeitnahen Daten nicht nur im Bereich der Konjunkturanalyse erhöht. Denn auch die Analyse der Preisentwicklung kann von der Verfügbarkeit von hochfrequenten Indikatoren profitieren. Das galt insbesondere in der Pandemie und gilt immer noch nach dem Beginn des russischen Angriffskrieges gegen die Ukraine. Der geopolitische Konflikt hat maßgeblich zur Verstärkung der aktuellen Inflationswelle beigetragen, deren Ausmaß seit mehr als vier Jahrzehnten ungekannt war.

Vor diesem Hintergrund spielen die Inflationsprognosen eine entscheidende Rolle. Denn sie sind die Basis für die geldpolitischen Entscheidungen des EZB-Rates. Der Preisausblick kann also bestimmen, wie stark die Zinsen noch erhöht werden oder wie lange sie auf hohem Niveau bleiben.

Dabei werden die amtlichen Preisdaten generell mit geringeren Verzögerungen veröffentlicht als die zuvor genannten Konjunkturdaten. Heute vor einer Woche hat das Statistische Bundesamt bereits die vorläufige Inflationsrate für September gemeldet, also noch vor Ende September. Die endgültige Zahl wird nächsten Mittwoch veröffentlicht. Dennoch können uns zeitnähere Informationen darüber, wie sich die Preise gerade entwickeln, das Prognosegeschäft erleichtern. Dies ist vor allem nützlich für sehr volatile Inflations-Komponenten wie die Preise für Bekleidung und Schuhe oder für Pauschalreisen. Diese Komponenten bewirken oft erhebliche Ausschläge in der Inflationsrate, während die zugrundeliegenden Preistendenzen unverändert bleiben. Im angezeigten Schaubild sehen Sie die Entwicklung der Verbraucherpreise insgesamt im Vergleich mit der Preisentwicklung bei den Pauschalreisen sowie bei Bekleidung und Schuhen.

Wenn wir schwankungsanfällige Bewegungen wie die von Pauschalreisen oder Bekleidung und Schuhen am aktuellen Rand mit Hilfe hochfrequenter und disaggregierter Wochendaten zeitnah identifizieren, können wir die allgemeinen Preistendenzen besser voraussagen. Hier helfen beispielsweise hochfrequente Onlinepreise oder Scannerdaten.[17]

Die Bundesbank sammelt hochfrequente Preisinformationen seit einiger Zeit. Die Methode, die unsere Statistik-Fachleute dafür nutzen, heißt Webscraping, also das automatische Auslesen von Inhalten einer Webseite. Konkret erheben wir Preise und Produkteigenschaften aus den Bereichen Bekleidung und Schuhe von ausgewählten Webseiten des Online-Handels. Natürlich haben wir die Online-Shops vorher gefragt und ihre Zustimmung eingeholt. Heutzutage sind fast alle Güter im Online-Handel verfügbar. Daher helfen mittels Webscraping erhobene Angaben dabei, Preisindizes der entsprechenden Gütergruppen vorauszuschätzen.

Unsere Volkswirtinnen und Volkswirte untersuchen gerade, wie die aus Webscraping gewonnenen Hilfsindikatoren optimal verwendet werden können. Die Makroökonomen als Endanwender befinden sich dabei in der ungewohnt bequemen Situation, dass sie die Frequenz und die Zusammensetzung der Daten mitbestimmen können. Denn theoretisch ließe sich die Frequenz von Webscraping-Daten endlos erhöhen. Aber natürlich ergibt eine höhere als tägliche Frequenz für alle praktischen Zwecke abseits der Finanzmarktanwendungen kaum Sinn.

7 Schlussbemerkungen

Meine Damen und Herren,

in meinem Vortrag habe ich über mehrere Anwendungsfälle von hochfrequenten Daten bei der Bundesbank berichtet. Es ging um Finanzmärkte, Konjunktur und Inflation. Aber die Frequenz, mit der ich unsere empirischen Arbeiten in verschiedenen Bereichen in einem Vortrag darstelle, sollte auch nicht zu hoch werden. Daher lassen Sie mich zum Schluss kommen.

Wie geht es mit der Entwicklung der hochfrequenten Bundesbank-Modelle weiter? Könnte es vielleicht sinnvoll sein, irgendwann in der Zukunft das BIP auf eine tägliche Frequenz herunterzubrechen? Unsere Fachleute werden sicher in den Blick nehmen, ob Aufwand und Ertrag hier in einem adäquaten Verhältnis stehen.

Doch als Zuhörende könnten Sie diese Frage natürlich auch umdrehen: Vor allem die Pandemie hat die Nutzung hochfrequenter Daten vorangebracht. Aber die Pandemie ist vorbei. Stehen nun der Aufwand und Ertrag schon bei den vorhandenen Modellen in einem sinnvollen Verhältnis?

Tatsächlich liefern diese Modelle auch in „normalen“ Zeiten zeitnahe Signale über das Wirtschaftsgeschehen am aktuellen Rand. Und wir halten diese Instrumente auch für zukünftige Schocks bereit. Der andauernde Krieg in der Ukraine zeigt uns, dass solche unerwarteten Entwicklungen immer wieder vorkommen können.

Dank der Digitalisierung können wir immer mehr Daten in Echtzeit erheben und verarbeiten. Wir arbeiten daran, dieses neue Datenmaterial gewinnbringend in unsere Analyse- und Prognoseprozesse einzubinden. Dies hilft, wenn wir fundierte Entscheidungen treffen wollen. 

Wenn Sie, liebe Studierende, Lust haben, hieran mitzuarbeiten: Motivierte und fähige Ökonominnen und Ökonomen können wir in der Bundesbank immer gebrauchen! Mit der Entwicklung der künstlichen Intelligenz werden wir sicher einen weiteren, großen Schritt vorankommen, das Wirtschaftsgeschehen möglichst genau und schnell zu verstehen und zu prognostizieren. Denn das ist ein elementarer Baustein, um unser Mandat zu erfüllen: Preisstabilität sichern!
 

Fußnoten:

1. Kerßenfischer, M., Was bewegt die Märkte?, Deutsche Bundesbank, Research Brief, August 2022.
2. Clark, C. (1932), The National Income, 1924-1931, Macmillan, London; Kuznets, S. (1934), National Income, 1929-1932, Senate Document No. 124, 73rd Congress, 2nd Session.
3. Bruttoinlandsprodukt (BIP) - Statistisches Bundesamt (destatis.de)
4. Vereinte Nationen (2009), System of National Accounts 2008, New York, S. 5.
5. Vereinte Nationen (2009), System of National Accounts 2008, New York, S. 315.
6. Statistisches Bundesamt (2008), Klassifikation der Wirtschaftszweige 2008, Wiesbaden.
7. Deutsche Bundesbank, Modelle zur kurzfristigen Konjunkturprognose während der jüngsten Krisen, Monatsbericht September 2023, S. 63-81.
8. Statistisches Bundesamt, Informationen sind bei der Bewältigung der Corona-Krise wichtig, Pressemitteilung Nr. 108 vom 23. März 2020.
9. Deutsche Bundesbank, Vermögen und Finanzen privater Haushalte in Deutschland: Ergebnisse der Vermögensbefragung 2021, Monatsbericht April 2023, S. 25-58.
10. Bernard, R., P. Tzamourani und M. Weber, Wie beeinflusst die Covid-19-Pandemie die Konsumabsichten der privaten Haushalte?, Deutsche Bundesbank, Research Brief, November 2020; Deutsche Bundesbank, Einschätzungen und Erwartungen von Unternehmen in der Pandemie: Erkenntnisse aus dem Bundesbank Online-Panel-Firmen, Monatsbericht April 2021, S.35-60.
11. Biancotti, C, Rosolia, A, Veronese, G., Mouriaux, F. und R. Kirchner (2020), Covid-19 and official statistics: a wakeup call?, Banca d’Italia, Occasional Papers, Nr. 605.
12. Deutsche Bundesbank, Experimentelle Saison- und Kalenderbereinigung täglicher Konjunkturindikatoren, Monatsbericht August 2020, S. 71-74.
13. Deutsche Bundesbank, Ein wöchentlicher Aktivitätsindex für die deutsche Wirtschaft, Monatsbericht Mai 2020, S. 71-73; Eraslan, S. und T. Götz (2020), An unconventional weekly economic activity index for Germany, Deutsche Bundesbank Technical Paper 02/2020.
14. Dempster, A. P., Laird, N. M. und D. B. Rubin (1977), Maximum likelihood from incomplete data via the EM algorithm, Journal of the Royal Statistical Society: Series B (Methodological) 39 (1), S. 1–22; Stock J.H. und M. W. Watson (2002), Macroeconomic Forecasting Using Diffusion Indexes, Journal of Business & Economic Statistics, 20:2, S. 147-162.
15. Deutsche Bundesbank, Schätzung des monatlichen realen Bruttoinlandsprodukts für Deutschland und Anwendung in der kurzfristigen Konjunkturprognose, Monatsbericht August 2021, S. 68-69.
16. Eraslan, S. und M. Reif (2023), A latent weekly GDP indicator for Germany, Deutsche Bundesbank Technical Paper im Erscheinen.
17. Beck, G., K. Carstensen, J.-O. Menz, R. Schnorrenberger und E. Wieland (2023), Nowcasting Consumer Price Inflation Using High-Frequency Scanner Data: Evidence from Germany, Bundesbank Discussion Paper, im Erscheinen, sowie vox.eu-Kolumne “Real-time food price inflation in Germany in light of the Russian invasion of Ukraine | CEPR“.