Warum KI Inflationsprognosen nicht punktgenau liefert

Inflationsprognosen gehören zu den häufigsten Anwendungen maschinellen Lernens auf makroökonomische Daten. Sie gehören auch zu den Anwendungen, bei denen die Erwartung am stärksten von dem abweicht, was die Daten hergeben. Dieser Artikel beschreibt, woher die Lücken kommen und was eine ehrliche Analyse stattdessen liefern kann.

Das Problem der Datenrevision

Verbraucherpreisindizes werden nicht einmal veröffentlicht und dann belassen. Sie werden laufend revidiert — weil sich Grundlagen ändern, weil neue Erhebungsmethoden eingeführt werden und weil Saisonbereinigungsverfahren angepasst werden. Ein Modell, das heute auf der Reihe der letzten zwanzig Jahre trainiert wird, lernt eine Vergangenheit, die zum damaligen Zeitpunkt anders aussah. Was im Datensatz als stabiles Muster erscheint, kann ein Artefakt späterer Revisionen sein.

Eine ernsthafte Analyse macht das transparent: Sie nennt den Stand der verwendeten Reihen, den Revisionshorizont und die Stellen, an denen nachträgliche Änderungen das historische Bild verschoben haben.

Harmonisierung ist keine Vergleichbarkeit

Eurostat veröffentlicht den harmonisierten Verbraucherpreisindex (HVPI), um Inflation europäisch vergleichbar zu machen. Harmonisierung bezieht sich aber auf die Methodik der Indexberechnung, nicht auf die wirtschaftliche Bedeutung der enthaltenen Positionen. Ein Land, in dem Energie eine größere Rolle im Warenkorb spielt, zeigt unter identischem HVPI-Verfahren eine andere Inflationsdynamik als ein Land mit serviceorientierter Verbrauchsstruktur.

Ein Modell, das diese Unterschiede ignoriert, lernt Durchschnittsstrukturen, die für keinen einzelnen Markt gelten. Die Artikel hier trennen deshalb zwischen aggregierter und nationaler Sicht, wo es sachlich geboten ist.

Was tragfähig ist

Tragfähig sind Aussagen über Strukturbrüche: an welchen Stellen eine Reihe ihr Verhalten geändert hat, und welche Ereignisse damit zeitlich zusammenfallen. Tragfähig sind auch Aussagen über den Einfluss einzelner Teilindizes auf den Gesamtwert — eine Zerlegung, die ein Modell schneller und vollständiger leistet als eine Handauswertung.

Nicht tragfähig ist die Punktprognose: „Die Inflation liegt im nächsten Quart bei 2,3 %.“ Wer das behauptet, verkauft eine Genauigkeit, die in den Daten nicht enthalten ist. Die Streuung konkurrierender Modelle ist meist größer als die angegebene Nachkommastelle.

Fazit

Maschinelles Lernen hilft bei der Aufbereitung und Zerlegung makroökonomischer Reihen. Es ersetzt weder die Datenprüfung noch die ökonomische Einordnung. Eine Analyse, die das verschweigt, produziert Anlageberatung im Gewand von Datenanalyse — ein Weg, den dieses Angebot bewusst nicht geht.