PyConnectedness: Extremereignisse und ihre Kausalität analysieren
-
Aktuell gefördert
- Jahrgang 02
- Innovation
- Bildung/Forschung
- Softwarebausteine
Über das Projekt
Team-Mitglieder
Miljana Cvetkovic, Zoran Stoiljkovic
Lizenz
GPL-3.0
Förderzeitraum
Gefördert seit 01/06/2026
Was macht das Projekt aus?
Extremereignisse wie Umweltkatastrophen, Überschwemmungen oder Finanzkrisen sind schwer zu analysieren. Gleichwohl sorgt die zunehmend vernetzte Welt für weitreichende Auswirkungen: Schocks treten selten isoliert auf, sondern sind häufig miteinander verbunden und führen zu Kaskadeneffekten. Bleiben diese Zusammenhänge jedoch unsichtbar, können Risiken unterschätzt werden. Obwohl die Diebold-Yilmaz-Connectedness-Methodik international als Standardansatz zur Analyse von Spillovers genutzt wird und zur Klärung von Übertragungsmechanismen zwischen vernetzten Systemen beiträgt, fehlt bislang eine offene, validierte Python-Implementierung. Auch max-lineare Modelle für Kausalität in Extremereignissen wie Überschwemmungen oder Finanzmarktrisiken fehlen in Python. Sie ermöglichen es, kausale Abhängigkeitsstrukturen in Extrembereichen zu modellieren und zu untersuchen, über welche Pfade Schocks weitergegeben und verstärkt werden. PyConnectedness soll ein tieferes Verständnis von Spillover-Effekten und kausalen Strukturen bei Extremereignissen ermöglichen und damit zu Forschung, Risikoanalyse sowie transparenter Entscheidungsfindung beitragen. Konkret werden beide Methodiken erstmals offen in Python implementiert.
Welches Publikum spricht das Projekt an?
Primäre Zielgruppe sind quantitative Analyst*innen in Finanzinstitutionen, Zentralbanken und Risikoabteilungen, außerdem akademische Forscher*innen in der Klimaökonomie, Extremereignis-Statistik sowie Finanzökonometrie und schließlich Data Scientists mit Python-Workflows. Langfristig sollen auch investigative Journalist*innen, NGOs und andere zivilgesellschaftliche Organisationen profitieren.
Was soll erreicht werden?
PyConnectedness wird als modulare Python-Bibliothek entwickelt, die auf bewährten Open-Source-Komponenten aufbaut und sich so ins Python-Ökosystem integriert. Die technische Architektur kombiniert existierende Bibliotheken mit neuen Algorithmen, die wissenschaftlich etabliert sind, aber bisher nicht in Python verfügbar waren. Jedes Modul kann eigenständig verwendet werden.