Maschinelles Lernen für Stresstests: Unsicherheitsanalyse in kausalen Panels

Regulatorische Stresstests verlangen, Kreditverluste unter hypothetischen Makro-Szenarien vorherzusagen – ein klassisches kausales Problem, das bisher meist als reine Vorhersage behandelt wurde. In einer neuen Studie wird ein transparentes Framework vorgestellt, das genau trennt, was aus Daten gelernt werden kann, und was Annahmen über Verwirrung erfordert.

Das Konzept besteht aus vier wesentlichen Bausteinen: Erstens wird die Beobachtungsidentifikation von pfadbedingten Mittelwerten durch iterierte Regression ermöglicht, sodass kontinuierliche Makropfadvergleiche ohne Kontrollgruppe möglich sind. Zweitens liefert die kausale Set‑Identifikation unter begrenzter Verwirrung scharfe Identifikationsmengen mit interpretierbaren Aufschlüsselungswerten, die die Robustheit in einer einzigen Zahl kommunizieren.

Drittens zeigt eine Orakelungleichung, dass der rekursive Rollout‑Fehler durch einen horizonabhängigen Verstärkungsfaktor bestimmt wird – ein konkretes Maß dafür, wie weit in die Zukunft zuverlässig vorhergesagt werden kann. Viertens werden importance‑weighted conformal Kalibrierungsbänder mit Diagnostik eingesetzt, die die Kosten der Extrapolation quantifizieren und bei abnehmender Abdeckungsgarantie eine Abstinenz auslösen.

Das Ergebnis ist eine dreischichtige Unsicherheitsdekomposition, die Schätzungsunsicherheit von Verwirrungsunsicherheit sauber trennt. Durch Simulationen und semi‑synthetische Experimente mit realen Arbeitslosen‑Daten, einschließlich einer Covid‑Retrospektive, wurde die diagnostische Nützlichkeit unter extremen Szenarien demonstriert.