Auch die EZB arbeitet mit KI und nutzt sie zur Inflationsprognose

Ein auf Quantile Regression Forests (QRF) basierendes Modell ergänzt seit Ende 2022 das analytische Instrumentarium der Institution. Das System berechnet den wahrscheinlichsten Pfad der Kerninflation und bewertet systematisch die Eintrittswahrscheinlichkeit signifikanter Abweichungen.

Die Autoren eines EZB-Berichts um Oscar Arce und Michele Lenza legen dar, dass traditionelle Wirtschaftsmodelle in Phasen hoher Unsicherheit an Grenzen stoßen. Standardmodelle verarbeiten demnach lediglich eine begrenzte Anzahl an Indikatoren und basieren auf restriktiven Annahmen.

Das QRF-Modell bietet laut Analyse zwei zentrale Vorteile. Es verarbeitet eine weitaus größere Menge an makroökonomischen Indikatoren. Zudem erkennt das System komplexe, nicht-lineare Datenmuster, die herkömmliche Vorhersagemodelle oftmals ausklammern.

Volatile Rahmenbedingungen nach der Pandemie erschwerten die Interpretation widersprüchlicher Signale aus den Routinedaten. Das Machine-Learning-Tool half den Analysten, die zugrunde liegenden Inflationstreiber exakt zu identifizieren. Im Jahresverlauf 2025 verantworteten laut Bericht primär Lohnentwicklungen sowie die Verkaufspreiserwartungen von Unternehmen die Revisionen bei der Kerninflation (HICPX).

"Geldpolitische Entscheidungen stützen sich nicht nur auf den wahrscheinlichsten Pfad der Inflation, sondern auch auf eine Einschätzung der damit verbundenen Risiken."

---

---

Konkrete Anwendung

Ein Rückblick der Autoren auf das Jahr 2025 belegt die Leistungsfähigkeit des Systems. Das QRF-Modell erstellte rund um die Sitzungen des EZB-Rates sogenannte Dichteprognosen. Diese definieren einen Korridor für die voraussichtliche Kerninflation. Positioniert sich die klassische Prognose der EZB am unteren Rand dieses Korridors, signalisiert das KI-Modell ein klares Aufwärtsrisiko.

Diese maschinell generierten Risikosignale traten in der Praxis tatsächlich ein. Für das zweite und vierte Quartal 2025 verortete das System den QRF-Korridor primär oberhalb der offiziellen EZB-Projektionen. Die tatsächliche Inflation übertraf die traditionellen Prognosen letztlich um exakt jene 20 Basispunkte (0,20 %), die das Modell zuvor als Risiko indiziert hatte.

Folgende Übersicht illustriert die von der EZB dargelegten strukturellen Unterschiede in der Modellierung.

Integration in die geldpolitische Praxis

Das QRF-Modell erfüllt im operativen Geschäft einen doppelten Zweck. Es liefert direkte Inflationsprognosen und bewertet simultan die Risiken des bestehenden Basisszenarios. Das System nutzt historische Erfahrungswerte und integriert fortlaufend die aktuellsten verfügbaren Daten zu Kerndeterminanten. Mit fortschreitendem Quartal verengt sich der prognostizierte Korridor, und die Vorhersage gewinnt an Präzision.

Das Autorenteam betont die gesteigerte Effizienz der Technologie bei der Verarbeitung großer Datenvolumina. Analysten bewerten wirtschaftlich interpretierbare Risiken dadurch in Echtzeit. Verschiebungen im Basisszenario werden für den EZB-Rat umgehend sichtbar. Das Modell schlüsselt exakt auf, wie sich Variablen wie Inflation oder Wirtschaftsleistung in Abhängigkeit ihrer Determinanten entwickeln.

Zukünftige Ausrichtung

Die EZB-Experten sehen in den Machine-Learning-Werkzeugen eine dauerhafte Ergänzung traditioneller Modelle. Sie liefern zeitnahe Informationen über Ausmaß, Ausrichtung und Ursachen makroökonomischer Risiken.

Tools wie das QRF-Modell übernehmen künftig eine wachsende Rolle bei der Überwachung von Wirtschaftstrends und der Vorbereitung geldpolitischer Beschlüsse. Die Fähigkeit der Algorithmen, sektorspezifische Dynamiken aufzudecken, etabliert sich als fester Bestandteil künftiger geldpolitischer Analysen.