Vesper zeigt nicht nur Echtzeitinformationen zum Rohstoffmarkt, sondern nutzt auch Machine Learning, um Preise, Produktion und Lagerbestände für verschiedene Agrarrohstoffe zu prognostizieren (z. B. Milchprodukte, Pflanzenöl, Zucker). Damit die Nutzer verstehen, welche Variablen Preise, Produktion und Lagerbestände verändern, untersucht Vesper in diesem Artikel, wie eine Analyse der kausalen Inferenz dabei helfen kann, die Wirkung dieser Variablen zu quantifizieren. Darüber hinaus könnte das unseren Nutzern helfen, die Folgen großer unerwarteter Ereignisse wie COVID-19 oder des andauernden Krieges in der Ukraine zu verstehen und zu antizipieren.
Allgemein lässt sich kausale Inferenz einsetzen, um verschiedene kausale Zusammenhänge zu analysieren und zu quantifizieren. In diesem Artikel quantifizieren und vergleichen wir daher die kausalen Effekte von Butterimporten, Butterexporten und Butterproduktion auf die Butterpreise. Der Artikel ist wie folgt aufgebaut:
- Zunächst gehen wir etwas genauer darauf ein, was kausale Inferenz eigentlich ist. - Zweitens erläutern wir die zugrunde liegende Marktstruktur, mit der sich der kausale Zusammenhang zwischen Butterimporten, Butterexporten, Butterproduktion und Butterpreisen ermitteln lässt, und wie die Identifikation kausaler Zusammenhänge den Nutzern von Vesper zugutekommen kann. - Zuletzt streifen wir den Machine-Learning-Teil der kausalen Inferenz mit der Bibliothek Microsoft DoWhy, einschließlich der Ergebnisse der kausalen Inferenz.
Was genau ist kausale Inferenz?
Kausale Inferenz wird definiert als ein Verfahren, das kausale Zusammenhänge zwischen Daten identifiziert und die Wirkung eines bestimmten Ereignisses schätzt (Eichler, 2012). Um Fragen wie „Wie würde ein Nutzer einen bestimmten Film bewerten, wenn er ihm angezeigt wird?“ und „Was hat den Preis dieses Rohstoffs verändert?“ zu beantworten, müssen die Effekte verschiedener Variablen gemessen und verglichen werden (Moraffah et al., 2021). Nehmen wir als Beispiel die Empfehlungsmodelle bei Netflix, etwa die personalisierten Zeilen mit Filmempfehlungen auf dem Startbildschirm eines Nutzers. Das klassische Empfehlungssystem versucht, eine einfache Frage zu beantworten: „Wie würde der Nutzer diesen Film bewerten?“. Das Problem ist, dass Nutzer ihre Lieblingsfilme ansehen werden, ganz gleich, was das System empfiehlt. Kausale Inferenz erlaubt es Netflix, die Wirkung verschiedener Filmempfehlungen zu analysieren und zu quantifizieren, was zu einem besseren Verständnis der eigenen Nutzer und zu einer höheren Leistung der aktuellen Empfehlungsmodelle führt. Aus Sicht von Vesper lässt sich kausale Inferenz durchführen, um besser zu verstehen, was Rohstoffpreise in eine bestimmte Richtung bewegt, nach oben oder nach unten. Die Ergebnisse unserer kausalen Inferenz für Rohstoffe können unseren Kunden helfen, besser und schneller zu antizipieren, wann sich bestimmte Marktbedingungen ändern.
Korrelation bedeutet nicht Kausalität!
Die meisten Machine-Learning-Modelle und Algorithmen, die zur Prognose von Aktien- und Rohstoffpreisen eingesetzt werden, stützen sich auf Korrelationen zwischen Variablen. Um Erkenntnisse über die Treiber der Prognosen zu gewinnen, ist es allerdings sehr gefährlich, sich allein auf die Korrelation zu verlassen. Vereinfacht gesagt ist die Korrelation ein Maß, das Stärke und Richtung (positiv oder negativ) des Zusammenhangs zwischen Variablen beschreibt. Betrachtet man allein die Korrelation, kann das den Eindruck erwecken, dass Margarineverbrauch und Scheidungsrate in Maine in einem kausalen Zusammenhang stehen (siehe Abbildung unten). Die Grafik zeigt deutlich, dass die beiden Ereignisse stark korreliert sind. Daraus folgt jedoch nicht, dass weniger Margarine zu einer gesünderen Ehe führt. Korrelation ist nicht Kausalität: Kausalität gibt an, ob zwischen zwei Ereignissen ein kausaler Zusammenhang besteht, und kausale Inferenz prüft, ob eine Beziehung von Ursache zu Wirkung tatsächlich existiert.
Marktstruktur
Für kausale Inferenz ist ein klarer Überblick über die verschiedenen Faktoren nötig, die den Buttermarkt beeinflussen. Das geschieht in Form eines Kausalgraphen (also eines probabilistischen grafischen Modells, das Annahmen über den datenerzeugenden Prozess abbildet). Die Experten für Marktintelligenz bei Vesper haben einen Graphen erstellt, der alle Faktoren enthält, die sich auf die Butterproduktion und den Preiszyklus von Butter auswirken könnten; er ist unten abgebildet. Der Graph zeigt verschiedene Beziehungen zwischen mehreren Faktoren, die alle in einem (in)direkten Zusammenhang mit Butterimporten und -exporten, der Butterproduktion oder den Butterpreisen stehen. Der Butterpreis ist die interessierende Variable, denn wir führen kausale Inferenz durch, um den kausalen Effekt von Butterimporten, Butterexporten und Butterproduktion auf die Butterpreise zu ermitteln. Pfeile im Diagramm stehen für einen direkten Zusammenhang zwischen zwei Variablen. Wie Sie sehen, nehmen wir an, dass zwischen Milchproduktion und Butterpreisen kein direkter Zusammenhang besteht. Daraus folgt jedoch nicht automatisch, dass kein indirekter Zusammenhang besteht. Man kann argumentieren, dass die Produktion von mehr Milch die Butterproduktion steigen lassen kann, weil die Verwertung der Produkte günstig ausfällt, was den Butterpreis indirekt senkt. Mit kausaler Inferenz lässt sich der kausale Zusammenhang zwischen zwei oder mehr indirekt verbundenen Variablen quantifizieren.
Die Verwertung der Produkte ist eine der wichtigsten Variablen. Sie lässt sich am besten als die optimale Verteilung der Ressourcen beschreiben, mit der sich der höchstmögliche Ertrag erzielen lässt. Vesper berechnet, welches Produkt einschließlich der Nebenprodukte bei den aktuellen Preisen der verschiedenen Milchrohstoffe den höchsten Ertrag für 10.000 Liter Milch liefert. Sind die Butterpreise extrem hoch, wird das Verwertungstool wahrscheinlich empfehlen, mehr Butter zu produzieren, weil das rentabler ist als die Herstellung anderer Produkte wie Käse. Milchproduktion und Verwertung wirken sich daher beide auf die Butterproduktion aus. Die Butterpreise wiederum beeinflussen die Ergebnisse des heutigen Verwertungsmodells. Neben der Verwertung, und damit der Milchmenge, die in die Butterproduktion fließt, wird die Butterproduktion auch von Butterimporten und -exporten, vom Verbrauch und von den Lagerbeständen beeinflusst.
Schnittstelle von Marktintelligenz und Data Science
Auf den ersten Blick scheinen Data Science und Marktintelligenz zwei verschiedene Arbeitsfelder zu sein. Die erforderlichen Fähigkeiten und die praktischen Aufgaben unterscheiden sich, während das Endziel meist dasselbe ist: Erkenntnisse zu gewinnen, um die Entscheidungsfindung im Unternehmen oder im Markt zu verbessern. Um kausale Inferenz für Rohstoffpreise durchzuführen, müssen wir die Mechanik des gesamten Marktes verstehen und zugleich technisch in der Lage sein, ein Modell der kausalen Inferenz zu integrieren. Die Marktintelligenz spielt eine große Rolle bei der Erstellung des Kausalgraphen, indem sie alle Faktoren identifiziert, die zum Zusammenhang zwischen zwei Ereignissen beitragen. Anders gesagt: Die Marktstruktur muss feststehen, bevor das Data-Science-Team das Modell der kausalen Inferenz integrieren kann. Ohne die nötigen technischen Fähigkeiten und/oder das nötige Marktwissen ist es nahezu unmöglich, die Ergebnisse der kausalen Inferenz für Rohstoffpreise zu verstehen. Eine gute Zusammenarbeit zwischen den beiden Feldern ist daher sehr wichtig, und genau dafür steht Vesper.
Kausale Inferenz für Vesper-Nutzer
Warum interessieren wir uns bei Vesper so sehr für kausale Inferenz? Sie hilft uns, die Rohstoffmärkte besser zu verstehen und mehr Wert für unsere Kunden zu schaffen. Sie erlaubt es uns, die neuesten Entwicklungen der KI mit der Marktexpertise unseres Teams zu verbinden. Entscheidend ist: Automatisiertes und quantitatives kausales Schließen kann zu einer Business Intelligence führen, die robuster, strategischer, umfassender und flexibler ist. Der nächste Abschnitt erläutert die zentralen Vorteile der kausalen Inferenz und wie sie unseren Nutzern helfen kann.
In den vergangenen Jahren haben wir gelernt, wie stark unerwartete Ereignisse ein Geschäft treffen können. Handelskriege, Pandemiewellen, echte Kriege, extreme Wetterbedingungen und zunehmende politische Instabilität haben die Lieferketten und die verflochtenen Netze aus Importen und Exporten fragiler gemacht als je zuvor. Kausale Inferenz erlaubt es uns, unsere Kunden auf das Unerwartete vorzubereiten. Kein Machine-Learning-Algorithmus kann das genaue Ausmaß der nächsten Marktstörung vorhersagen. Wir können jedoch besser auf unerwartete Ereignisse vorbereitet sein, wenn wir verstehen, wie sich die vom Ereignis veränderten Variablen auf den Markt als Ganzes auswirken. Wird etwa ein großer Rohstoffexporteur durch Sanktionen oder einen Handelskrieg aus dem internationalen Markt gedrängt, wird jede Marktprognose auf Basis historischer Preise hinfällig. Zu verstehen, wie sich der Rückgang der Exporte auf den Markt auswirkt, hilft jedoch dabei, die Wirkung der Sanktionen besser einzuschätzen. Kausale Inferenz erlaubt es uns, Daten zusammen mit unserem Wissen über die Marktdynamik zu nutzen, um Fragen wie „Was passiert, wenn die Importe in ein bestimmtes Land auf null zurückgehen?“ zu beantworten, selbst wenn das noch nie eingetreten ist. So ergänzt kausale Inferenz Prognosen um ein robusteres und widerstandsfähigeres Verständnis dafür, wie sich der Markt verhält.
Ursachen und Wirkungen zu verstehen und zu schätzen, kann bei strategischen Entscheidungen helfen. Will ein Unternehmen die Produktion eines Guts deutlich ausweiten, muss es die daraus folgende Preisänderung berücksichtigen. Eine solche Entscheidung wird von Prognosen im Allgemeinen nicht erfasst, da diese allein auf historischen Marktdaten beruhen. Sicher, für kleine Unternehmen mit begrenztem Markteinfluss ist das vermutlich kein Problem. Die großen Akteure müssen jedoch wissen, wie ihre Handlungen den Markt als Ganzes beeinflussen. Kausale Inferenz macht das möglich. Wenn wir die Wirkung einer höheren Produktion auf die Marktpreise kennen, können wir die Folgen der Entscheidung eines Unternehmens besser abschätzen. Mit Modellen der kausalen Inferenz lässt sich die Kraft der KI somit für die Unternehmensplanung und -strategie nutzen.
Schließlich erlaubt kausale Inferenz mehr Flexibilität in der Planung. Sie könnte es unseren Kunden ermöglichen, verschiedene Szenarien durchzuspielen und zu sehen, wie sich diese auf die Märkte auswirken. Herrscht zum Beispiel Unsicherheit über das Wetter der kommenden Monate, kann ein Unternehmen die üblichen Effekte verschiedener Wetterlagen auf die Milchpreise prüfen und entsprechend planen. Oder wenn ein Unternehmen glaubt, dass ein Wettbewerber wegen einer neu geschlossenen Partnerschaft die Butterimporte rasch ausweiten könnte, kann es sich vorbereiten, indem es die Wirkung dieses Schritts auf die Butterpreise abschätzt. Auf diese Weise kann die Kausalanalyse Prognosen ergänzen und stärker maßgeschneiderte Markterkenntnisse liefern.
Das DoWhy-Paket für kausale Inferenz
Um eine umfassende Engine für kausale Inferenz zu entwickeln, nutzen wir eine Open-Source-Python-Bibliothek von Microsoft: DoWhy (Sharma, Kiciman, 2020). Die Autoren beschreiben sie so: Ähnlich wie es Machine-Learning-Bibliotheken für die Prognose getan haben, ist „DoWhy“ eine Python-Bibliothek, die kausales Denken und kausale Analysen anstoßen möchte. Die Bibliothek bietet einen Rahmen, um kausale Effekte und bedingte kausale Effekte zu schätzen. Sie verbindet Ansätze zur Kausalität, die in Machine Learning, Statistik und Ökonomie entwickelt wurden, was mehr Flexibilität erlaubt. Die Bibliothek befindet sich noch in der Beta-Phase, verfügt aber bereits über einen beeindruckenden Funktionsumfang.
Der DoWhy-Ansatz zur kausalen Inferenz besteht aus vier Schritten:
- Modellierung des Problems - Identifikation des kausalen Zusammenhangs - Schätzung der Stärke des Zusammenhangs - Widerlegung der Ergebnisse
Der erste Schritt ist unkompliziert: Für die kausale Analyse brauchen wir einen Kausalgraphen in einer Form, die die Bibliothek einlesen kann. Zusätzlich müssen wir die Ziel- und die Treatment-Variable wählen. In unserem Fall: Butterpreise und Butterproduktion.
Im zweiten Schritt nutzt DoWhy das do-calculus, um die möglichen Confounder zu finden: Variablen, die den kausalen Zusammenhang zwischen der Treatment-Variablen (Butterproduktion) und der Zielvariablen (Butterpreise) stören könnten. Ein Confounder könnte eine gemeinsame Ursache sein: Der Butterbestand etwa kann sowohl die Produktion als auch die Preise beeinflussen, wir müssen ihn also berücksichtigen. Das do-calculus ist ein formales System, das es dem Algorithmus bei gegebenem Kausalgraphen erlaubt, alle solchen Confounder zu finden. Es ist bewiesen, dass das Programm mit dem do-calculus immer sagen kann, ob sich der interessierende kausale Zusammenhang mit den vorliegenden Daten identifizieren lässt. Deshalb können wir uns in diesem Schritt voll auf die Bibliothek DoWhy verlassen.
Der dritte Schritt, die Schätzung des kausalen Zusammenhangs, verlangt dem Programmierer die meiste Arbeit ab. Wenn wir alle Variablen kennen, die wir berücksichtigen (kontrollieren) müssen, müssen wir immer noch ein statistisches Modell wählen, um die Stärke dieses Zusammenhangs zu schätzen. Zu den gängigsten Modellen zählen die einfache lineare Regression, Shrinkage-Regressionen wie LASSO (Tibshirani, 1996) oder Ridge (Hoerl, Kennard, 1970), Double-Machine-Learning-Modelle (Chernozhukov et al, 2016) und Causal Forests (Wager, Athey, 2018). Die letzten beiden erlauben es uns, nicht nur den mittleren kausalen Effekt zu schätzen, sondern auch den kausalen Effekt bedingt auf den Wert einer anderen Variablen. Zum Beispiel: Welche Wirkung ist von einer höheren Butterproduktion auf den Butterpreis bei unterschiedlichen Butterbeständen zu erwarten? Dieser Schritt ähnelt der üblichen Prognoseaufgabe, die allen Machine-Learning-Engineers und Data Scientists vertraut ist. Deshalb lassen sich die bereits für Prognosen entwickelten Fähigkeiten für die Umsetzung von Werkzeugen der kausalen Inferenz wiederverwenden.
Schließlich integriert DoWhy ein umfassendes Werkzeug, um kausale Schätzungen zu prüfen und zu widerlegen. Sie können dem Modell zum Beispiel einen zufälligen Confounder hinzufügen und sehen, ob die Ergebnisse robust sind. So können Sie sicherstellen, dass die erzielten Ergebnisse gültig, belastbar und sicher sind. DoWhy macht die Entwicklung unserer Werkzeuge für kausale Inferenz einfacher und schneller. Und erlaubt es uns, bessere, umfassendere und flexiblere Erkenntnisse über den Rohstoffmarkt zu liefern.
Ergebnisse der kausalen Inferenz
Wir nutzen den Graphen der Marktstruktur, um die kausalen Effekte von Butterproduktion, -import und -export auf die Butterpreise zu schätzen. Es ist plausibel zu erwarten, dass Produktion und Import die Preise senken, während der Export sie erhöht. Das genügt jedoch nicht. Für präzise und fundierte Entscheidungen ist es nötig, die Größe dieser Effekte zu kennen. Senkt der Import die Preise stärker als die Produktion? Sind die Effekte von Import und Export auf die Preise ähnlich groß? Um diese Fragen zu beantworten, brauchen wir hochwertige Daten und kausale Inferenz.
Wir schätzen, dass die Produktion einer zusätzlichen Tonne Butter den Preis einer Tonne Butter um 0,0046 Euro senkt. Die Produktion von 1.000 t Butter senkt den Preis also um 4,6 Euro. Der Effekt des Imports wirkt in dieselbe Richtung, ist aber weitaus größer. Der Import von 1.000 t Butter senkt den Preis einer Tonne Butter um ganze 16,8 Euro. Der Export von 1.000 t Butter erhöht den Preis einer Tonne Butter dagegen um 6,2 Euro. Die Effekte wirken in der erwarteten Richtung und sind erheblich und signifikant. Unter ihnen hat der Import den stärksten Effekt, weit größer als Export und Produktion.
Die Engine für kausale Inferenz bei Vesper erlaubt es uns außerdem, die erwarteten kausalen Effekte bedingt auf andere Variablen zu schätzen. Wir kennen die durchschnittlichen Effekte der Butterproduktion, doch wie hängen sie vom Niveau der vorhandenen Butterbestände ab? Um diese Frage zu beantworten, schätzen und zeichnen wir ein Modell mit heterogenen kausalen Effekten in Abhängigkeit von den Butterbeständen, und zwar für alle drei Faktoren, die uns interessieren: Produktion, Import und Export von Butter.
Die Effekte der Butterproduktion auf die Preise sind bei niedrigen Butterbeständen am ausgeprägtesten und signifikant. Liegt der Bestand unter 100.000 t, kann der Effekt einer zusätzlichen Produktion von 1.000 t Butter bis zu 7 Euro betragen. Bei höheren Butterbeständen werden die Effekte kleiner und sind bei Beständen über 150.000 t statistisch nicht von null zu unterscheiden. Das zeigt, dass ein hoher Butterbestand eine glättende Wirkung auf den Markt haben und die unmittelbaren Effekte einer zusätzlichen Produktion dämpfen kann.
Bei den Butterimporten zeigt sich ein anderes Bild. Der kausale Effekt höherer Butterimporte hängt nicht vom Niveau der Butterbestände ab, und der schwach erkennbare Trend ist statistisch nicht signifikant. Höhere Butterimporte haben unabhängig vom Bestand starke negative Effekte auf die Preise, auch wenn die geschätzten Effekte bei einem hohen Bestandsniveau recht ungenau sind.
Die Effekte des Exports sind schließlich, ähnlich wie die Effekte der Produktion, empfindlich gegenüber dem Bestandsniveau. Die größten positiven Effekte auf die Preise sind sichtbar, wenn der Bestand klein ist. Dann kann der Export von 1.000 t Butter den Preis je Tonne um bis zu 14 Euro erhöhen. Dieser Effekt nimmt stark ab und wird bei Beständen über 140.000 t statistisch nicht signifikant. Das zeigt, dass der Export nur dann eine echte Wirkung auf die Preise hat, wenn Butter nicht zu reichlich vorhanden ist. Bei sehr hohen Beständen wird der Export eher zur Notwendigkeit als zur Strategie, und seine kausale Wirkung auf die Preise verliert sich.
Die wichtigsten Erkenntnisse
Die oben genannten Erkenntnisse helfen Einkäufern, Verkäufern und Händlern im Agrarrohstoffmarkt, fundiertere Entscheidungen zu treffen. Finden Sie diese Erkenntnisse nützlich und möchten Sie wissen, was Vesper sonst noch bietet? Dann buchen Sie bitte eine Demo bei Yannick Aink: Yannick@vespertool.com.
Quellen
- Eichler, Michael. Causal inference in time series analysis. na, 2012.
- Moraffah, Raha, et al. “Causal inference for time series analysis: Problems, methods and evaluation.” Knowledge and Information Systems (2021): 1–45.
- Blog, Netflix Technology. “A Survey of Causal Inference Applications at Netflix.” Medium, Netflix TechBlog, 6 June 2022, https://netflixtechblog.com/a-survey-of-causal-inference-applications-at-netflix-b62d25175e6f.
- Amit Sharma, Emre Kiciman. DoWhy: An End-to-End Library for Causal Inference. 2020. https://arxiv.org/abs/2011.04216
- Tibshirani, Robert. “Regression shrinkage and selection via the lasso.” Journal of the Royal Statistical Society: Series B (Methodological) 58.1 (1996): 267–288.
- Hoerl, Arthur E., and Robert W. Kennard. “Ridge regression: Biased estimation for nonorthogonal problems.” Technometrics 12.1 (1970): 55–67.
- Chernozhukov, Victor, et al. “Double/debiased machine learning for treatment and causal parameters.” arXiv preprint arXiv:1608.00060 (2016).
- Wager, Stefan, and Susan Athey. “Estimation and inference of heterogeneous treatment effects using random forests.” Journal of the American Statistical Association 113.523 (2018): 1228–1242.
Weitere Artikel zu Data Science und Entwicklung bei Vesper finden Sie auf medium.com/vespertool.
