Kalibrierungsmethoden für rekursive

Kalibrierungsmethodik

Kalibrierung rekursiver Modelle: Warum die Wahl der Zielmomente über Modellaussagen entscheidet

Autorin Hynruedeodeszaefe Redaktion 2. Dezember 2026

Strukturierte Kalibrierungsdaten eines Gleichgewichtsmodells

Was Kalibrierung bedeutet und warum sie keine neutrale Übung ist

Kalibrierung bedeutet, Modellparameter so zu wählen, dass das Modell bestimmte empirisch beobachtbare Größen reproduziert. Das klingt nach einer technischen Aufgabe — einem Optimierungsproblem mit klarer Zielfunktion. Aber diese Darstellung verdeckt eine wesentliche Entscheidung: Welche Größen soll das Modell reproduzieren? Diese Frage ist nicht technisch — sie ist konzeptionell. Wer entscheidet, dass die mittlere Aktienrendite wichtiger ist als die Volatilität der Konsumwachstumsrate, trifft eine Aussage darüber, was das Modell erklären soll. Und wer diese Entscheidung trifft, beeinflusst damit, welche Parameterwerte als plausibel gelten und welche Modellaussagen als robust eingeschätzt werden. In rekursiven Long-Run-Risk-Modellen ist diese Entscheidung besonders folgenreich, weil das Modell viele Momente gleichzeitig treffen soll: Risikoprämien, Zinssatzniveaus, Konsumwachstumsvolatilität, Volatilität der Volatilität und die Autokorrelationsstruktur der Wachstumserwartungen. Diese Momente stellen gemeinsam Anforderungen an das Parameterdreieck aus Risikoaversion, Substitutionselastizität und Zeitpräferenz — und diese Anforderungen sind nicht immer gleichzeitig erfüllbar.

Zielmomente und ihre Hierarchie im Kalibrierungsprozess

Wer ein rekursives Modell kalibriert, muss eine implizite Hierarchie der Zielmomente festlegen. Typischerweise wird das Niveau der Risikoprämie als primäres Zielmoment behandelt — das Modell soll die beobachtete Differenz zwischen Aktienrenditen und risikofreiem Zinssatz reproduzieren. Daneben stehen sekundäre Momente: die mittlere Wachstumsrate des Konsums, die Standardabweichung des Konsumwachstums, die Autokorrelation der Wachstumsrate und das Niveau des risikofreien Zinssatzes. Jedes dieser Momente stellt eine eigenständige Anforderung an die Parameterwahl. Das Problem entsteht dort, wo diese Anforderungen in Konflikt geraten: Ein hoher risikofreier Zinssatz und eine hohe Risikoprämie gleichzeitig zu reproduzieren erfordert eine Parameterkombination, die in anderen Dimensionen Abstriche machen muss. Wer diese Zielkonflikte nicht explizit benennt, kommuniziert unvollständige Kalibrierungsergebnisse. Eine transparente Darstellung zeigt, welche Momente das Modell präzise trifft und welche es systematisch verfehlt — und warum das so ist.

Drei Risikokomponenten, drei Identifikationsanforderungen

Rekursive Long-Run-Risk-Modelle haben drei strukturelle Risikokomponenten: kurzfristige Konsumüberraschungen, eine persistente Komponente in der erwarteten Wachstumsrate und zeitvariante Konsumvolatilität. Jede dieser Komponenten muss aus denselben Datenzeitreihen identifiziert werden — typischerweise aus Konsumwachstumsdaten und Finanzmarktrenditen. Das erzeugt ein fundamentales Identifikationsproblem: Die drei Komponenten sind korreliert und schwer trennbar, besonders in kurzen Stichproben. Die persistente Wachstumskomponente ist das größte Problem — sie ist per Definition langsam bewegend, hinterlässt nur schwache Spuren in kurzen Zeitreihen und ist deshalb statistisch schlecht identifiziert. Wer diese Komponente aus Daten schätzt, erhält breite Konfidenzintervalle, die häufig wenig Aussagekraft über den wahren Parameterwert liefern. Die Kalibrierung muss deshalb explizit machen, welche Parameterannahmen durch Daten gestützt werden und welche auf theoretischen Plausibilitätsüberlegungen beruhen.

Methoden der Kalibrierung und ihre strukturellen Vor- und Nachteile

Die Literatur verwendet verschiedene Methoden zur Kalibrierung rekursiver Modelle — und jede Methode bringt strukturelle Vor- und Nachteile mit sich, die die Interpretation der Ergebnisse beeinflussen. Die klassische Kalibrierung nach Mehra und Prescott wählt Parameter so, dass das Modell ausgewählte Momente exakt trifft. Die Generalized Method of Moments schätzt Parameter durch Minimierung der Abweichung zwischen Modellmomenten und empirischen Momenten über eine gewichtete Verlustfunktion. Bayesianische Verfahren modellieren Parameterunsicherheit explizit als Wahrscheinlichkeitsverteilung und liefern Posterior-Verteilungen statt Punktschätzungen. Jede dieser Methoden beantwortet eine andere Frage — und wer ihre Unterschiede nicht kennt, kann Ergebnisse aus verschiedenen Studien nicht sinnvoll vergleichen. Der folgende Abschnitt arbeitet die strukturellen Unterschiede heraus, ohne einen Ansatz pauschal zu bevorzugen.

Klassische Kalibrierung: Stärken und stille Annahmen

Die klassische Kalibrierungsmethode wählt Parameter so, dass das Modell eine vorher festgelegte Menge von Zielgrößen exakt reproduziert. Sie ist transparent, nachvollziehbar und leicht zu kommunizieren — das sind ihre Stärken. Ihre stille Annahme ist dagegen problematisch: Sie behandelt die gewählten Zielmomente als hinreichend informativ und die Parameterwahl als eindeutig durch diese Momente determiniert. Beides ist in rekursiven Modellen selten der Fall. Wenn mehrere Parameterkombinationen dieselben Zielmomente reproduzieren — was in überparametrisierten Modellen häufig vorkommt — liefert die klassische Kalibrierung keine Entscheidungsregel zwischen diesen Alternativen. Und wenn die Zielmomente selbst mit statistischer Unsicherheit behaftet sind, überträgt sich diese Unsicherheit auf die Parameterwahl, ohne dass sie sichtbar wird. Diese Einschränkungen machen die klassische Kalibrierung zu einem brauchbaren Ausgangspunkt, aber zu einem unzureichenden Endpunkt.

Generalized Method of Moments: Präzision mit Preis

Die Generalized Method of Moments schätzt Modellparameter durch Minimierung einer gewichteten Verlustfunktion über die Abweichung zwischen Modellmomenten und empirischen Momenten. Diese Methode hat gegenüber der klassischen Kalibrierung einen klaren Vorteil: Sie liefert Standardfehler für die geschätzten Parameter und erlaubt damit eine formale Aussage über die statistische Unsicherheit der Kalibrierungsergebnisse. Der Preis dafür liegt in der Wahl der Gewichtungsmatrix — die optimale Gewichtungsmatrix hängt von der Kovarianzstruktur der empirischen Momente ab, die ihrerseits geschätzt werden muss. In kleinen Stichproben ist diese Schätzung ungenau, was zu verzerrten Parameteraussagen führen kann. Hinzu kommt, dass das Verfahren sensitiv gegenüber der Wahl der Zielmomente ist: Unterschiedliche Momentauswahlen können zu systematisch verschiedenen Parameterschätzungen führen, ohne dass das Modell selbst verändert wird. Diese Sensitivität ist kein Fehler der Methode — sie ist ein Hinweis auf die Grenzen der Identifikation im Modell.

Bayesianische Verfahren: Unsicherheit als explizites Modellelement

Bayesianische Kalibrierungsverfahren behandeln Parameterunsicherheit nicht als Restgröße, sondern als strukturelles Element der Analyse. Statt einer Punktschätzung liefern sie eine Posterior-Verteilung über den Parameterraum — eine Verteilung, die Prior-Annahmen über plausible Parameterwerte mit der Information aus den Daten kombiniert. Das hat einen wesentlichen Vorteil: Die Unsicherheit über Parameter wird explizit in die Modellaussagen übertragen. Wer eine Posterior-Verteilung auswertet, sieht nicht nur den wahrscheinlichsten Parameterwert, sondern auch, wie breit die Unsicherheit ist und ob die Daten genug Information enthalten, um zwischen verschiedenen Parameterwerten zu unterscheiden. Der Nachteil liegt in der Notwendigkeit, Prior-Verteilungen zu spezifizieren — eine Entscheidung, die subjektiv ist und die Ergebnisse beeinflusst, besonders wenn die Daten wenig informativ sind. In rekursiven Long-Run-Risk-Modellen, wo die langfristige Risikokomponente empirisch schwach identifiziert ist, spielen Prior-Annahmen eine strukturell wichtige Rolle. Das macht Bayesianische Verfahren besonders wertvoll — und besonders anfällig für unausgesprochene Annahmen.

Robustheit, Transparenz und was ein gutes Kalibrierungsergebnis ausmacht

Ein Kalibrierungsergebnis ist nicht gut, weil es einen Parametersatz liefert, der die Zielmomente trifft. Es ist gut, wenn es transparent macht, welche Annahmen es enthält, welche Modellaussagen robust gegenüber Parametervariation sind und wo das Modell systematisch an seine Grenzen stößt. Diese Standards werden in der Literatur nicht immer eingehalten — und das ist ein methodisches Problem, das über einzelne Studien hinausgeht. Wer Kalibrierungsergebnisse ohne Sensitivitätsanalysen präsentiert, wer die Wahl der Zielmomente nicht begründet und wer Zielkonflikte zwischen verschiedenen Momenten verschweigt, liefert eine unvollständige Darstellung. Dieser Abschnitt beschreibt, was eine methodisch vollständige Kalibrierungsdarstellung enthalten sollte — nicht als Checkliste, sondern als analytisches Mindestanforderungsprofil.

Sensitivitätsanalyse als methodisches Muss

Jede Kalibrierung eines rekursiven Modells sollte von einer Sensitivitätsanalyse begleitet werden, die zeigt, wie empfindlich die zentralen Modellaussagen gegenüber Variationen in den Schlüsselparametern reagieren. Welche Aussagen bleiben stabil, wenn die Risikoaversion um einen plausiblen Betrag variiert wird? Wie verändern sich die Prämienvorhersagen, wenn die Substitutionselastizität von 1,5 auf 2,0 erhöht wird? Wie stark reagieren die Gleichgewichtspreise auf Änderungen in der Persistenz der Wachstumskomponente? Diese Fragen sind nicht dekorativ — sie sind der Test, ob die Modellaussagen substanziell oder parametrisch getrieben sind. Robuste Aussagen überleben plausible Parametervariationen. Fragile Aussagen sind an enge Parameterpunkte gebunden und sollten entsprechend vorsichtig kommuniziert werden. Wer diese Unterscheidung nicht trifft, läuft Gefahr, Modellvorhersagen als allgemein gültig darzustellen, die tatsächlich von spezifischen Parameterwahlen abhängen.

Transparenz über Zielkonflikte und Modellversagen

Ein Modell, das alle Zielmomente gleichzeitig trifft, ist die Ausnahme — nicht die Regel. In der Praxis entstehen Zielkonflikte: Das Modell kann eine hohe Risikoprämie reproduzieren, aber nur auf Kosten eines zu niedrigen risikofreien Zinssatzes. Oder es trifft die mittlere Konsumwachstumsrate präzise, verfehlt aber die Autokorrelationsstruktur. Diese Zielkonflikte sind keine Schwäche des Modells — sie sind Informationen darüber, wo das Modell die Wirklichkeit nicht vollständig abbildet. Wer sie verschweigt, liefert eine verzerrte Darstellung der Modellleistung. Eine transparente Kalibrierungsdarstellung benennt explizit, welche Momente das Modell trifft, welche es systematisch verfehlt und warum dieser Misfit aus der Modellstruktur folgt. Diese Transparenz ist kein Zeichen analytischer Schwäche — sie ist das Erkennungszeichen sorgfältiger Modellarbeit.

Beitrag lesen Alle Beiträge