25 Jahre IWH

Dr. Peter Sarlin

Dr. Peter Sarlin
Aktuelle Position

seit 1/15

Research Affiliate

Leibniz-Institut für Wirtschaftsforschung Halle (IWH)

seit

Associate Professor für Ökonomie

Hanken School of Economics in Helsinki, Finnland, und Direktor des RiskLab Finnland

 

 

Forschungsschwerpunkte

  • Analyse systemischen Risikos
  • makroprudenzielle Politik
  • maschinelles Lernen und visuelle Analyse

Peter Sarlin ist seit 2015 als Research Affiliate am IWH tätig. Er ist Associate Professor für Ökonomie an der Hanken School of Economics in Helsinki, Finnland, und Direktor des RiskLab Finnland. Momentan arbeitet er als Gastwissenschaftler am Center of Excellence SAFE der Goethe-Universität Frankfurt am Main und ist regelmäßiger Gast und Berater der Europäischen und Finnischen Zentralbank.

Außerdem ist Peter Sarlin Gastforscher am Systemic Risk Center der London School of Economics (LSE) und am Systemic Risk Hub sowie Mitglied mehrerer Gremien der IEEE. Peter Sarlin studierte unter anderem an der LSE, der Stockholm School of Economics und der Stockholm University. Er erhielt seinen Ph.D. in Ökonomie von der Åbo Akademi Universität in Turku, Finnland.

Ihr Kontakt

Dr. Peter Sarlin
Dr. Peter Sarlin
Mitglied - Abteilung Makroökonomik
Nachricht senden Persönliche Seite

Publikationen

Arbeitspapiere

cover_ecbwp2025.en.jpg

Optimizing Policymakers' Loss Functions in Crisis Prediction: Before, Within or After?

Peter Sarlin Gregor von Schweinitz

in: ECB Working Paper Series , Nr. 2025, 2017

Abstract

Early-warning models most commonly optimize signaling thresholds on crisis probabilities. The expost threshold optimization is based upon a loss function accounting for preferences between forecast errors, but comes with two crucial drawbacks: unstable thresholds in recursive estimations and an in-sample overfit at the expense of out-of-sample performance. We propose two alternatives for threshold setting: (i) including preferences in the estimation itself and (ii) setting thresholds ex-ante according to preferences only. Given probabilistic model output, it is intuitive that a decision rule is independent of the data or model specification, as thresholds on probabilities represent a willingness to issue a false alarm vis-à-vis missing a crisis. We provide simulated and real-world evidence that this simplification results in stable thresholds and improves out-of-sample performance. Our solution is not restricted to binary-choice models, but directly transferable to the signaling approach and all probabilistic early-warning models.

Publikation lesen
Mitglied der Leibniz-Gemeinschaft LogoTotal-Equality-LogoWeltoffen Logo