Konjunktur-Nowcasting und Prognose von Makrodaten und Steuereinnahmen (Zentralbanken, Ministerien, Institute)

Amtliche Zahlen zu BIP, Inflation und Steuern erscheinen Wochen oder Monate verspätet, doch Haushalte und politische Entscheidungen brauchen sie jetzt. Nowcasting-Modelle verwandeln den Strom früherer, höherfrequenter Indikatoren in eine laufend aktualisierte Schätzung des aktuellen Quartals. Klassische dynamische Faktormodelle bleiben das Arbeitspferd; maschinelles Lernen, alternative Daten und vortrainierte Zeitreihen-Foundation-Modelle erhöhen die Genauigkeit in volatilen Phasen, und LLMs helfen bei Textindikatoren und Berichten. Die aggregierten Daten enthalten in der Regel keine personenbezogenen Daten und fallen nicht in eine Hochrisiko-Kategorie der KI-Verordnung (AI Act).

Problem & Nutzen

• Heute: Volkswirte pflegen Nowcasts in Excel/Matlab/R, Brückengleichungen und Anpassungen nach Ermessen. Steuerschätzgremien (in Deutschland der Arbeitskreis Steuerschätzungen beim Bundesfinanzministerium) kombinieren Makroprojektionen mit steuerartspezifischen Modellen und Expertenurteil. Die Aktualisierung nach jeder Datenveröffentlichung erfolgt manuell.
• KI-Nutzen: automatisiertere Aufnahme vieler Indikatoren, schnellere Neuschätzung nach jeder Veröffentlichung, Umgang mit Nichtlinearitäten und Krisenphasen, Text-/Stimmungssignale, reproduzierbare Pipelines und Kommentarentwürfe.
• Evidenz (bei Übertragung vorsichtig sein): Eine Studie der niederländischen Zentralbank (1992–2018, Pseudo-Echtzeit) fand den Random Forest als genauesten Nowcaster und ML seit der Finanzkrise genauer als dynamische Faktormodelle [3]. Eine Studie zu Peru mit 91 Indikatoren einschließlich Stimmungsberichten meldet Fehlerreduktionen durch ML von etwa 20–25 % gegenüber AR- und DFM-Vergleichsmodellen [1]. Beides sind akademische Ergebnisse aus einzelnen Ländern, keine Garantie für andere Volkswirtschaften; die Gewinne konzentrieren sich typischerweise auf turbulente Phasen, während lineare/DFM-Modelle in ruhigen Phasen konkurrenzfähig bleiben.

Varianten

• Zentralbank-Nowcast für BIP/Inflation (Euroraum, national, regional); wöchentliche Aktivitätsindizes.
• Steuereinnahmenprognose im Finanzministerium nach Steuerart (Umsatzsteuer, Lohnsteuer, Körperschaftsteuer) und Aufteilung auf Bund/Länder/Kommunen; unterjährige Einnahmenüberwachung.
• Wirtschaftsinstitute und Denkfabriken (z. B. deutsche Forschungsinstitute): Konjunkturdiagnose, Prognosekombination.
• Unternehmens-Makro-Nowcasting für Treasury, FP&A oder Banken: Branchennachfrage, Länderrisiko (Verweise auf PRED-016, PRED-008).
• Kommunale Haushaltsprognose (Gewerbesteuereinnahmen) mit kleinen Teams über Weg B oder C.
• Privat/Einzelpersonen: kein relevanter Anwendungsfall.

So funktioniert es

1. data pipeline (releases, vintages, scraping)
2. feature building (mixed frequency, ragged edge, calendar/tax-law dummies)
3. model ensemble (DFM + gradient boosting/random forest + foundation model with covariates)
4. density forecast + news decomposition
5. analyst review/judgement
6. publication

• Echtzeit-Vintages: Jede Datenveröffentlichung mit ihrem Veröffentlichungsdatum speichern; nur in Pseudo-Echtzeit auswerten, um Look-ahead-Verzerrung zu vermeiden.
• Dynamisches Faktormodell: extrahiert gemeinsame Faktoren aus vielen Monatsreihen und behandelt Quartalsziele und fehlende jüngste Beobachtungen; das statsmodels-Modul DynamicFactorMQ implementiert die gemischtfrequente Schätzung und „News“ aus Datenaktualisierungen [4].
• ML-Modelle: LASSO/Elastic Net, Random Forests und Gradient Boosting bewältigen viele Prädiktoren und Nichtlinearitäten [1][3].
• Zeitreihen-Foundation-Modelle: Chronos-2 (120 Mio. Parameter, Apache-2.0) prognostiziert zero-shot mit vergangenen und bekannten zukünftigen Kovariaten, bis zu 8192 Kontextschritte [2][5]. Makroreihen sind kurz (wenige hundert Punkte); Zero-Shot-Vorwissen kann daher helfen, muss aber gegen DFM verglichen werden.
• LLMs: Nachrichten/Reden zu Stimmungsindizes klassifizieren, politische Änderungen extrahieren, Veröffentlichungen zusammenfassen und Kommentare entwerfen; niemals als zahlenerzeugendes Modell.
• Mensch-in-der-Schleife (Human-in-the-Loop): Volkswirte geben die endgültigen Zahlen frei und berücksichtigen Sondereffekte (Streiks, Steuerrecht, Schocks) nach Ermessen; Prognosegremien entscheiden über die amtlichen Zahlen.

Datenaufbereitung

Die Daten sind überwiegend aggregiert und öffentlich oder lizenziert: amtliche Statistiken (Volkswirtschaftliche Gesamtrechnung, Industrieproduktion, Steuereinnahmen nach Steuerart), Umfrageindikatoren (PMI, ifo, ZEW), hochfrequente Daten (Zahlungen, Stromlast, Fracht) und Texte wie Nachrichten und Reden von Zentralbanken. Intern liegen Steuereinnahmen in Systemen des Finanzministeriums oder in ERP-Systemen, die Historien der Institute oft in Excel-Dateien.

Typische Lücken: keine gespeicherten Veröffentlichungs-Vintages (daher Look-ahead-Verzerrung), gemischte Frequenzen und ungleichmäßige Datenränder (Ragged Edge), Revisionen, Strukturbrüche durch Steuerrechtsänderungen, tabellenbasierte Reihen mit uneinheitlichen Definitionen, verstreute Lizenzbedingungen für alternative Daten.

Schritte der Aufbereitung: 1. Reihen über APIs und Konnektoren extrahieren (PREP-005, DATA-003). 2. Saubere Tabellen neu aufbauen und jede Veröffentlichung mit Datum als Vintage speichern (PREP-011). 3. Kennzahlen- und Reihendefinitionen in einem gemeinsamen Glossar festhalten (PREP-012). 4. Kalender- und Steuerrecht-Dummys ergänzen und Brüche dokumentieren. 5. Mit den Volkswirten einen Pseudo-Echtzeit-Evaluationsdatensatz erstellen (PREP-018).

Aufwand: mittel; Vintage-Speicherung und Data Engineering machen etwa ein Drittel bis die Hälfte der Arbeit aus, die Modellierung geht schnell. Siehe GUIDE-003.

Umsetzungswege

Welcher Weg für wen

• Öffentliche Hand (Zentralbanken, Ministerien, Statistikämter): Weg C — Methodentransparenz und vertrauliche Daten vor der Veröffentlichung sprechen für einen hauseigenen Open-Source-Stack auf HW1.
• Unternehmen (Banken, Konzerne, Institute): Weg B — verwaltete Prognose-APIs und Datenplattformen sind im Verhältnis zu den Datenlizenzen günstig, und aggregierte Makrodaten sind nicht sensibel.
• Entwickler: Weg C — statsmodels, Chronos-2 und LightGBM laufen auf einer CPU oder einer einzelnen bescheidenen GPU.

Weg A — Kaufen (Standardsoftware)

Kommerzielle Makroprognose- und Datenplattformen (Oxford Economics, Moody's Analytics, Haver, Macrobond, Bloomberg Economics) bieten fertige Modelle und Daten; Macrobond und Haver sind in Zentralbanken und Ministerien verbreitet. Geeignet für Unternehmen und kleine Institutionen ohne Modellierungsteam. Amtliche Prognosen öffentlicher Stellen werden selten zugekauft, da Methodentransparenz zählt. Prüfen Sie das aktuelle Angebot jedes Anbieters; einzelne Produktfunktionen habe ich in dieser Recherche nicht verifiziert.

Weg B — Auf Cloud-KI-Diensten aufbauen

Verwaltete Prognose-APIs: Nixtla TimeGPT (geschlossenes Modell; SDK Apache-2.0; selbst gehostete und Snowflake-Bereitstellungen existieren) [7], Amazon SageMaker/AutoGluon mit Chronos-2 [5], Google TimesFM über BigQuery ML für die kommerzielle Nutzung (die Gewichte von TimesFM 3.0 sind nicht kommerziell nutzbar) [6]. LLMs von Endpunkten in EU-Regionen für Textindikatoren. Geeignet für Unternehmensnutzer; amtliche Statistikstellen sollten vorsichtig sein, wenn vertrauliche Daten vor der Veröffentlichung ihren Verantwortungsbereich verlassen.

Weg C — Selbst betreiben (Open Source)

Empfohlener Standard für öffentliche Institutionen: Python/R-Stack (statsmodels DynamicFactorMQ [4], scikit-learn, LightGBM, chronos-forecasting [2][5], TimesFM-2.5-Gewichte unter Apache-2.0 [6]), ein Data Warehouse mit Vintage-Speicherung, Orchestrierung (Airflow/Dagster) und ein Open-Weight-LLM für Texte. Die Modelle sind klein: CPU oder eine einzelne bescheidene GPU genügt (HW1); ein LLM für die Textanalyse hebt dies auf HW2. Betriebsaufwand: ein Data Engineer plus Volkswirte.

Weg D — Eigenes Training

Lohnt sich für das Feintuning eines Foundation-Modells oder Textklassifikators auf der Historie der eigenen Institution, für maßgeschneiderte steuerartspezifische Elastizitätsmodelle oder das Training von Stimmungsmodellen auf Nachrichten in der Landessprache. Datenlage: Jahrzehnte an Vintages, die kurz sind; bevorzugen Sie daher regularisierte Modelle, Prognosekombinationen und strenge Out-of-Sample-Tests gegenüber großen tiefen Netzen.

Stand der Technik (2026)

• Arbeitspferde unverändert: DFMs, Brückengleichungen und gemischtfrequente Regressionen bleiben Standard; ML kommt als Herausforderer und in Ensembles hinzu [1][3][4].
• Foundation-Modelle: Chronos-2 (veröffentlicht im Okt. 2025) meldet Zero-Shot-Spitzenergebnisse auf fev-bench, GIFT-Eval und Chronos Benchmark II und ist bei Aufgaben mit Kovariaten am stärksten [2][5]. TimesFM 2.5 (200 Mio., Kovariatenunterstützung über XReg) steht unter Apache-2.0; TimesFM 3.0 ergänzt vergangene und zukünftige Kovariaten, doch seine Gewichte sind auf nicht kommerzielle Nutzung beschränkt [6]. Diese Benchmarks sind überwiegend nicht makroökonomisch; kein Ergebnis hier zeigt, dass Foundation-Modelle DFMs bei amtlichen BIP-Nowcasts schlagen – behandeln Sie sie daher als Herausforderer.
• Alternative und Textdaten: Nachrichtenstimmung, Zahlungs- und Stellenanzeigendaten verbessern in einigen Studien die Nowcasts zu Quartalsbeginn [1].
• Grenzen: Strukturbrüche (Pandemie, Energieschock), Datenrevisionen, winzige Stichproben, Steuerrechtsänderungen, aus der Historie nicht lernbar, Überanpassung an Pseudo-Out-of-Sample-Tests und trügerische Präzision durch Fächerdiagramme. LLM-generierte Kommentare können Zahlen halluzinieren; gleichen Sie sie mit der Modellausgabe ab.

Gemeinsame Bausteine & Kombinationen

• Fähigkeiten: time-series, tabular-ml, llm-general, text-classifier, embedding-text, web-scraping, causal-inference.
• Hardware: HW1 für die Prognose; HW2, wenn ein lokales LLM hinzukommt; dieselbe GPU kann andere Prognose-Anwendungsfälle bedienen.
• Kombinationen: PRED-001 (Bedarfsprognose, gemeinsame Zeitreihen-Pipeline und Foundation-Modelle), PRED-008 (Rohstoff-/Energiepreisprognose als Eingangsindikatoren), PRED-016 (Cashflow-Prognose von Unternehmen nutzt Makroszenarien), PRED-007 (Stromlast als hochfrequenter Aktivitätsindikator), PRED-028 (risikobasierte Auswahl für Steuerprüfungen nutzt dieselben Einnahmendaten, mit gesonderten rechtlichen Grenzen).

Aufwand, Kosten & Kennzahlen

• A: Wochen; Lizenzen und Datenabonnements. B: 1–3 Monate; API-Gebühren niedrig, Datenkosten dominieren. C: 3–9 Monate bis zum ersten produktiven Nowcast mit Vintage-Datenbank, danach laufende Pflege. D: zusätzliche Monate für Forschung und Evaluation.
• Kostentreiber: Datenlizenzen, Data Engineering für Vintages, Zeit der Volkswirte. Rechenleistung ist nebensächlich.
• Kennzahlen: RMSE/MAE gegenüber Erstveröffentlichung und späteren Vintage-Ergebnissen im Vergleich zu Referenzmodellen (AR, DFM, Konsens), Intervallabdeckung/CRPS, Trefferquote für Vorzeichen/Richtung, Fehler der Steuereinnahmen gegenüber der vorherigen Schätzung, Zeit von der Datenveröffentlichung bis zur aktualisierten Schätzung, Analystenstunden je Zyklus.

Menschen & Veränderung

Beziehen Sie die Geschäftsleitung und die Abteilungsleitung (Chefvolkswirt bzw. Leitung der Prognoseeinheit) für Umfang und Veröffentlichungsverantwortung ein, Volkswirte als Anwender vom ersten Tag an, Datenverantwortliche (Statistik, Steuerverwaltung, Finanzen) für Zugang und Lizenzen, die IT für Vintage-Datenbank und Pipeline sowie Recht/Compliance für Datenlizenzen und die Vertraulichkeit von Zahlen vor der Veröffentlichung.

Betriebsrat: in der Regel nein. Das System prognostiziert Aggregate und bewertet keine Beschäftigten. Informieren Sie Betriebs- bzw. Personalrat dennoch frühzeitig (§90 Abs. 1 Nr. 3 BetrVG; Personalrat in öffentlichen Stellen) und beachten Sie, dass §87 Abs. 1 Nr. 6 greift, wenn die Nutzung der Werkzeuge je Person protokolliert wird, was viele Plattformen tun (GUIDE-004).

Datenschutz: Aggregierte Daten sind nicht personenbezogen; beziehen Sie die Datenschutzbeauftragte bzw. den Datenschutzbeauftragten nur ein, wenn Mikrodaten zu Steuern oder Zahlungen auf Einzelebene verwendet werden – das würde zudem eine DSFA erfordern und könnte die Einstufung nach der KI-Verordnung (AI Act) verändern (GUIDE-005).

KI-Kompetenz: Unterstützen Sie Volkswirte mit Schulungen zu den Grenzen von Foundation-Modellen, zum Vergleich mit DFM- und AR-Modellen und zu LLM-generierten Texten (GUIDE-006).

Pilot und Bedenken: Lassen Sie den KI-Nowcast einige Veröffentlichungszyklen lang parallel zum bestehenden Verfahren laufen. Volkswirte könnten den Verlust ihres Urteilsvermögens fürchten; betonen Sie, dass sie die endgültigen Zahlen freigeben und bei Schocks ihr Urteil einbringen (GUIDE-009, GUIDE-008).

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): Makroprognosen auf aggregierten Daten fallen nicht unter die Hochrisiko-Bereiche des Anhangs III [8] (diese betreffen z. B. Anspruch auf Leistungen, Kreditwürdigkeitsprüfung, Strafverfolgung). In der Regel minimales Risiko; KI-Kompetenz (Art. 4) gilt. Art. 50 (Transparenz) gilt, wenn KI-generierter Text der Öffentlichkeit zugänglich gemacht wird. Rutscht die Steuerprognose in ein Profiling einzelner Steuerpflichtiger oder in die Prüfungsauswahl ab, kann sich die Einstufung ändern (siehe PRED-028, PRED-029). Keine Rechtsberatung.
• DSGVO: Aggregierte Reihen sind in der Regel nicht personenbezogen; alternative Daten aus Zahlungen, Mobilität oder sozialen Medien müssen an der Quelle aggregiert/anonymisiert werden, und Aggregate mit kleinen Zellen können dennoch re-identifizierend sein.
• Branchen-/institutionell: Verhaltenskodizes der amtlichen Statistik (Sperrfristen und Vertraulichkeit vor der Veröffentlichung), Unabhängigkeit der Zentralbank und Veröffentlichungsregeln, Haushaltsrecht und das Verfahren des Arbeitskreises für Steuerschätzungen. Daten vor der Veröffentlichung sollten On-Premises bleiben (Weg C).
• Modellrisiko: Annahmen dokumentieren, Herausforderermodelle vorhalten, regelmäßig rückwirkend testen, Unsicherheit klar kennzeichnen, menschliche Freigabe beibehalten.

Erste Schritte

1. Bauen Sie eine Vintage-Datenbank der Zielgröße (BIP oder Steuereinnahmen) und von 30–100 Indikatoren mit Veröffentlichungsdaten auf.
2. Implementieren Sie eine DFM-Basislinie (statsmodels DynamicFactorMQ) und ein AR-Vergleichsmodell; richten Sie eine Pseudo-Echtzeit-Evaluation ein [4].
3. Ergänzen Sie Herausforderer: LASSO, Random Forest, Gradient Boosting und Chronos-2 mit Kovariaten [2][3][5].
4. Werten Sie getrennt nach turbulenten und ruhigen Phasen aus; kombinieren Sie Modelle und kalibrieren Sie Intervalle.
5. Erproben Sie einen LLM-basierten Textindikator und Kommentarentwürfe mit Prüfung durch Analysten; automatisieren Sie dann den Ablauf der Aktualisierung bei Veröffentlichung.

Quellen

1. Tenorio & Perez, "Monthly GDP nowcasting with Machine Learning and Unstructured Data" – https://arxiv.org/abs/2402.04165
2. Amazon Science, chronos-forecasting repository (Chronos-2, Bolt) – https://github.com/amazon-science/chronos-forecasting
3. De Nederlandsche Bank, Working Paper 754, "Nowcasting GDP using machine learning methods" – https://www.dnb.nl/en/publications/research-publications/working-paper-2022/754-nowcasting-gdp-using-machine-learning-methods/
4. statsmodels DynamicFactorMQ documentation – https://www.statsmodels.org/stable/generated/statsmodels.tsa.statespace.dynamic_factor_mq.DynamicFactorMQ.html
5. Chronos-2 model card, Hugging Face – https://huggingface.co/amazon/chronos-2 ; paper https://arxiv.org/abs/2510.15821
6. Google Research, TimesFM repository – https://github.com/google-research/timesfm
7. Nixtla (TimeGPT) repository – https://github.com/Nixtla/nixtla
8. EU AI Act Service Desk, Annex III – https://ai-act-service-desk.ec.europa.eu/en/ai-act/annex-3