Fraunhofer-Institut für Techno- und Wirtschaftsmathematik ITWM
Fraunhofer-Institut für Techno- und Wirtschaftsmathematik ITWM

Preismodellierung von Agrarrohstoffen unter Berücksichtigung externer Faktoren

Agrarrohstoffe als alternative Anlageprodukte

Mit wachsenden Unsicherheiten in klassischen Finanzprodukten gewinnen Rohstoffe als alternative Anlageprodukte, u.a. zu Diversifizierungszwecken, zunehmend an Bedeutung im Anlageportfolio eines Unternehmens. Eine adäquate und marktnahe Modellierung der Preisentwicklung ist daher essentiell, um wichtige Maße und Kennzahlen für die Rentabilität der Anlage, für das Risikomanagement etc. herzuleiten.

In diesem Forschungsprojekt schaffen wir eine Verbindung zwischen geeigneten Preismodellen für Agrarerzeugnisse und externen Faktoren, welche für die Preisentwicklung von großer Bedeutung sind. Mittels Vorhersagen und Projektionen dieser Faktoren können Preisszenarien generiert werden, die beispielsweise für die Berechnung von Kennzahlen im Risikomanagement (Value-at-Risk etc.) verwendet werden.

Berücksichtigung von Rohstoff-spezifischen Preisverhalten im Zwei-Faktormodell

Wir betrachten als Ausgangspunkt ein Zwei-Faktormodell, welches sich auf klassische finanzmathematische Ansätze aus der Aktienpreis- und Zinsmodellierung stützt. Das Modell ist in der Lage, folgende Preis-Eigenschaften von Agrarerzeugnissen abzubilden:

  • Saisonalität
  • Langfristige Trends
  • Kurzfristige Schwankungen mit Mittelwertrückkehr

 

Gegenstand der Modellierung sind Preiszeitreihen von standardisierten Futures-Pordukten, welche an der amerikanischen Rohstoff-Börse Chicago Board of Trade (CBoT) gehandelt werden.

Des Weiteren werden Zeitreihen externer Faktoren für die Preismodellierung berücksichtigt, welche einen starken Einfluss auf die Preisbildung und -entwicklung haben – wie:

  • Wettereinflüsse (Niederschlag, durchschnittliche Temperatur)
  • Nachfrage und Angebotskennzahlen (durchschnitlicher Verbrauch, Produktion)
Preiszeitreihen von standardisierten Futures-Produkten
© Fraunhofer ITWM
Preiszeitreihen von standardisierten Futures-Produkten.

Datengetriebene Preisszenarien durch Einsatz von Machine Learning Algorithmen

Die Verbindung zwischen dem Zwei-Faktormodell und Zeitreihen der externen Faktoren stellen wir durch die Anwendung von Algorithmen des maschinellen Lernens her. In Kombination mit den folgenden Methoden:

  • Clusteranalyse (K-Means, Hierarchical Agglomerative Clustering (HAC))
  • Klassifikation (Decision Trees, Neuronale Netze)

Die Anwendung dieser einfachen, dennoch effizienten Algorithmen gewährleistet ein einfaches Modellverständnis und Interpretierbarkeit der generierten Lösungen. Diese durch Machine Learning generierten Lösungen bieten in der Praxis insbesondere einen Mehrwert in der Entscheidungsunterstützung eines Unternehmens.

Das könnte Sie auch interessieren: