Abschlussarbeiten

Wir freuen uns über Ihr Interesse an einer Abschlussarbeit am Institut für Banken und Finanzierung. Die folgenden Informationen geben einen Einblick in die Themenfelder für Bachelor- und Masterarbeiten. Im Rahmen Ihrer Abschlussarbeit setzen Sie sich nicht nur kritisch mit der einschlägigen Literatur auseinander, sondern führen auch eigenständige quantitative Analysen durch. Dies erfordert den Umgang mit einer statistischen Analysesoftware (R, Matlab, Stata). Um Sie auf die Bachelorarbeit vorzubereiten, bieten wir Online-Kurse für Wissenschaftliches Arbeiten und eine Einführung in R an. Wir freuen uns darauf, Sie betreuen zu dürfen!

Bachelorarbeiten

Anmeldeverfahren

Nachdem Sie durch das zentrale Vergabeverfahren der Wirtschaftswissenschaftlichen Fakultät dem Institut für Banken und Finanzierung zugeordnet wurden, können Sie sich für eines der unten aufgeführten Themen bewerben. Bei Fragen wenden Sie sich bitte an Brian von Knoblauch.


Bitte beachten Sie: Bachelorarbeiten an unserem Institut behandeln ausnahmslos empirische Fragestellungen. Wir empfehlen daher dringend (!), dass Sie bereits im Vorfeld ein Seminar (und Vertiefungsfächer) bei uns belegen!


Eine Einführungsveranstaltung zu Organisation und Themen findet am Dienstag, den 13. Februar 2024 (Achtung, geänderter Termin!), von 14:30 - 16:00 Uhr über Cisco WebEx statt. Zum Beitreten klicken Sie bitte hier. Alle weiteren Informationen zur Veranstaltung, zur Anmeldung Ihrer Bachelorarbeit und den verfügbaren Themen (Stand: WiSE 2023/2024) erhalten Sie hier.

Ihre Themenpräferenzen sowie das gewünschte Anmeldedatum wählen Sie bitte hier: Anmeldeformular. Zum Zeitpunkt der Anmeldung sollten Sie entweder ein Seminar bei uns belegt oder unsere Videomodule zum Wissenschaftlichen Arbeiten und zur Einführung in R durchgearbeitet haben. Bitte melden Sie sich spätestens drei Wochen vor Ihrem gewünschten Anmeldetermin über das Anmeldeformular bei uns.

Bachelorarbeiten außerhalb des Vergabeverfahrens (z.B. Wi-Ings oder Wiederholungsversuche) können fortwährend mit den unten angegebenen Themen angemeldet werden. Bitte beachten Sie, dass wir auch im kommenden SoSe 2023 nur eine begrenzte Anzahl von Wi-Ing Plätzen an unserem Institut anbieten können. Aktuell (Stand 01.02.2024) sind noch vier Plätze offen.

 

Exposé

Sobald Sie Ihr Thema erhalten haben, beginnt die 14-tägige Bearbeitungszeit für ein Exposé. Dieses behandelt auf maximal drei Seiten im Fließtext die folgenden Aspekte:

  • Problemstellung und Zielsetzung der Arbeit
  • Methoden, Verfahren und theoretische sowie konzeptionelle Ansätze
  • Notwendige Daten und Quellen zur Datenbeschaffung
  • Erwartete Erkenntnisgewinne für Forschung und / oder Praxis
  • Basisliteratur (aus internationalen, referierten Journals)

Weiterhin sollten Sie darauf achten, dass Ihr Exposé inhaltlich strukturiert ist (d.h. einem "roten Faden" folgt) und Sie jede Ihrer Aussagen anhand geeigneter Quellen belegen. Inhaltlich kann sich das Exposé zwar an der geplanten Gliederung orientieren, eine Unterteilung in Kapitel sollte jedoch nicht vorgenommen werden.

Bitte achten Sie außerdem auf die formalen Anforderungen unseres Institutes. Diese werden hier erläutert.

 

Bachelorarbeiten im Bereich Behavioral Finance

  • Der Einfluss von Investorenstimmung auf Aktienrenditen/-anomalien

    Theoretischer Teil der Aufgabenstellung:

    • Erläutern Sie die „Noise Trader Theory“ nach De Long et al. (1990).
    • Beschreiben Sie den Begriff "Investorenstimmung" und erläutern Sie Möglichkeiten zur Messung.

     

    Empirischer Teil der Aufgabenstellung:

    • Prüfen Sie den Einfluss der Investorenstimmung auf Aktienrenditen- oder anomalien (bspw. die Momentum- oder Beta-Anomalie).
    • Prüfen Sie die Robustheit Ihrer Ergebnisse mit Kombinationen ausgewählter Kontrollvariablen. Gilt die empirische Evidenz für den gesamten Untersuchungszeitraum?

     

    Basisliteratur:

    • Baker, M. und Wurgler, J. (2006): Investor Sentiment and the Cross-Section of Stock Returns. The Journal of Finance, 61(4), 1645–1680.
    • Baker, M. und Wurgler, J. (2007): Investor Sentiment in the Stock Market. Journal of Economic Perspectives, 21(2), 129–152.
    • De Long, J.B., Shleifer, A., Summers, L.H. und Waldmann, R.J. (1990): Noise Trader Risk in Financial Markets. Journal of Political Economy, 98(4), 703–738.
    • Fisher, K.L. und Statman, M. (2000): Investor Sentiment and Stock Returns. Financial Analysts Journal, 56(2), 16–23.
    • Frazzini, A. und Pedersen, L.H. (2014): Betting against beta. Journal of Financial Economics, 111(1), 1-25.
    • Jegadeesh, N. und Titman, S. (1993): Returns to Buying Winners and Selling Losers: Implications for Stock Market Efficiency. The Journal of Finance, 48(1), 65-91.
    • Lee, W.Y., Jiang, C.X. und Indro, D.C. (2002): Stock market volatility, excess returns, and the role of investor sentiment. Journal of Banking & Finance, 26(12), 2277–2299.
    • Lee, C.M.C., Shleifer, A., und Thaler, R.H. (1991): Investor Sentiment and the Closed-End Fund Puzzle. The Journal of Finance, 46(1), 75–109.
    • Lemmon, M. und Portniaguina, E. (2006): Consumer Confidence and Asset Prices: Some Empirical Evidence. The Review of Financial Studies, 19(4), 1499–1529.  
    • Stambaugh, R.F., Yu, J., und Yuan, Y. (2012): The short of it: Investor sentiment and anomalies. Journal of Financial Economics, 104(2), 288-302.

     

    Daten:

  • Text-basierte Messung von Investorenstimmung

    Theoretischer Teil der Aufgabenstellung:

    • Beschreiben Sie den Begriff "Investorenstimmung" und erläutern Sie Möglichkeiten zur Messung. Gehen Sie dabei insbesondere auf Methoden zur text-basierten Messung der Investorenstimmung ein.
    • Geben Sie einen Überblick über relevante Literatur, welche den Zusammenhang zwischen text-basierten Stimmungsmaßen und Aktienrenditen untersucht.

     

    Empirischer Teil der Aufgabenstellung:

    • Berechnen Sie ein text-basiertes Stimmungsmaß und erläutern Sie dessen schrittweise Herleitung vom Rohtext bis zum finalen Maß.
    • Führen Sie eine deskriptive Analyse des Stimmungsmaßes durch.
    • Analysieren den Zusammenhang zwischen Ihrem hergeleiteten Stimmungsmaß und Aktienrenditen anhand von Regressionsmodellen.

     

    Basisliteratur:

    • McDonald, B. und Loughran, T. (2011): When Is a Liability Not a Liability? Textual Analysis, Dictionaries, and 10-Ks. The Journal of Finance, 66(1), 35-65.
    • Smales, L. A. (2017): The importance of fear: investor sentiment and stock market returns. Applied Economics, 49(34), 3395-3421.
    • Stambaugh, R.F., Yu, J. und Yuan, Y. (2012): The short of it: Investor sentiment and anomalies. Journal of Financial Economics, Special Issue on Investor Sentiment, 104(2), 288-302.
    • Tetlock, P.C. (2007): Giving Content to Investor Sentiment: The Role of Media in the Stock Market. The Journal of Finance, 62(3), 1139-1168.

     

    Daten:

  • Determinanten der Teilnahme am Aktienmarkt

    Theoretischer Teil der Aufgabenstellung:

    • Grenzen Sie die empirische Evidenz der Teilnahme von Investoren von den Annahmen der klassischen Portfoliotheorie ab.
    • Motivieren und erklären Sie Determinanten der Teilnahme. Im Einklang mit relevanten Modellen der Literatur formulieren Sie ein Probit-Modell.
    • Führen Sie in die Probit Regression ein. Hierbei behandeln Sie u.a. die Schätzung mit der Maximum-Likelihood-Methode.

     

    Empirischer Teil der Aufgabenstellung:

    • Überprüfen Sie das entwickelte Modell anhand eines Panel-Datensatzes.
    • Gehen Sie hierbei explizit auf von Ihnen verwendete Definitionen zur Bildung von Variablen ein und beschreiben Sie den Datensatz.
    • Führen Sie die Schätzung des Probit-Modells durch und interpretieren Sie Ihre Ergebnisse.

     

    Basisliteratur (Auswahl):

    • Grinblatt, M., Keloharju, M. und Linnainmaa, J. (2011): IQ and stock market participation. The Journal of Finance, 66 (6), 2121-2164.
    • Kaustia, M. und Torstila, S. (2011): Stock market aversion? Political preferences and stock market participation. Journal of Financial Economics, 100(1), 98-112.
    • Van Rooij, M., Lusardi, A. und Alessie, R. (2011): Financial literacy and stock market participation. Journal of Financial Economics, 101(2), 449-472.
    • Brooks, C. (2019): Introductory Econometrics for Finance. Fourth edition. Cambridge, United Kingdom; New York, NY: Cambridge University Press.
    • Polkovnichenko, V. (2005): Household Portfolio Diversification: A Case for Rank-Dependent Preferences. The Review of Financial Studies, 18(4), 1467–1502.
    • Malmendier,  U. und Nagel, S. (2019): Depression Babies: Do Macroeconomic Experiences Affect Risk Taking?. The Quarterly Journal of Economics, 126(1), 373–416.

     

     Daten:

    • Refinitiv Workspace
    • Refinitiv Datastream
    • LISS Panel
  • Wertsicherungsstrategien unter der Cumulative Prospect Theorie

    Theoretischer Teil der Aufgabenstellung:

    • Erläutern Sie den Unterschied zwischen normativen und deskriptiven Entscheidungstheorien.
    • Führen Sie in statische und dynamische Wertsicherungsstrategien ein.
    • Erläutern Sie die Cumulative Prospect Theorie (CPT) und ihre Bedeutung für die Bewertung von Investmentstrategien.

     

    Quantitativer Teil der Aufgabenstellung:

    • Führen Sie eine Simulationsstudie durch, in der Sie verschiedene Portfolioabsicherungsstrategien hinsichtlich ihres CPT-Wertes und ihres Erwartungsnutzen vergleichen.
    • Interpretieren Sie ihre Ergebnisse mit Rücksicht auf die Rolle der CPT-Parameter für die Evaluation der Strategien.  

     

    Basisliteratur:

    • Tversky, A. und Kahneman, D. (1992): Advances in prospect theory: Cumulative representation of uncertainty. Journal of Risk and uncertainty, 5(4), 297-323.
    • Dichtl, H. und Drobetz, W. (2011): Portfolio insurance and prospect theory investors: Popularity and optimal design of capital protected financial products. Journal of Banking and Finance, 35(7), 1683-1697.
    • Dierkes, M., Erner, C. und Zeisberger, S. (2010): Investment horizon and the attractiveness of investment strategies: a behavioral approach. Journal of Banking and Finance, 34, 1032-1046.

     

    Daten:

    • Eigene Simulationsdaten
    • Refinitiv Datastream
  • Aktienrenditen unter der Cumulative Prospect Theory

    Theoretischer Teil der Aufgabenstellung:

    • Erläutern Sie die Cumulative Prospect Theorie (CPT) als deskriptive Entscheidungstheorie und stellen Sie Unterschiede zu normativen Entscheidungstheorien dar.
    • Erläutern Sie, wie einzelne Aktien unter der CPT als "Prospects" bewertet werden können.
    • Stellen Sie die modelltheoretische Vorhersage für Aktienrenditen von Unternehmen in Abhängigkeit ihres CPT-Wertes dar.

    Quantitativer Teil der Aufgabenstellung:

    • Berechnen Sie die CPT-Werte aller Unternehmen einer relevanten Stichprobe eines Aktienmarktes (z.B. US Markt).
    • Analysieren Sie die Performance von Unternehmen in Abhängigkeit ihres CPT-Wertes mittels Portfoliokonstruktion und Fama-MacBeth Regressionen.
    • Evaluieren Sie mit Ihrer Performance-Analyse, ob Faktormodelle (z.B. CAPM, Fama-French-Drei-Faktoren-Modell) diese Renditen erklären können.

    Basisliteratur:

    • Tversky, A. and Kahneman, D., (1992 ), Advances in prospect theory: Cumulative representation of uncertainty,
      Journal of Risk and Uncertainty, 5(4), 297-323. Cambridge, United Kingdom.
    • Barberis, N., Abhiroop, M. and Baolian, W., (2016 ), Prospect theory and stock returns: An empirical test, The
      review of financial studies
      , 29(11), 3068-3107. Cambridge, United Kingdom.
    • Bali, T.G., Engle, R. F. and Murray, S., (2016 ), Empirical asset pricing: The cross section of stock returns, John
      Wiley & Sons, Cambridge, United Kingdom.

Bachelorarbeiten im Bereich Asset Management

  • Performance-Analyse nachhaltiger Unternehmen

    Theoretischer Teil der Aufgabenstellung:

    • Definieren Sie Nachhaltigkeitskriterien (z.B. ESG) und erläutern Sie die Herleitung des ESG-Scores gemäß Refinitiv Workspace.
    • Geben Sie einen Überblick über die aktuelle Literatur zur Performance-Messung und erläutern Sie gängige deskriptive und risiko-adjustierte Performancemaße.
    • Führen Sie in die Literatur zur Performance-Messung nachhaltiger Unternehmen (Fonds) ein. Gehen Sie dabei auf theoretische Argumente sowie empirische Ergebnisse hinsichtlich der Über- oder Unterperformance nachhaltiger Unternehmen (Fonds) ein.

     

    Empirischer Teil der Aufgabenstellung:

    • Berechnen und vergleichen Sie die Performancemaße für verschiedene Nachhaltigkeitskategorien sowie eine Markt-Benchmark. Identifizieren und Interpretieren Sie Unterschiede zwischen den verschiedenen Kategorien.
    • Alternativ: Erstellen Sie selbstständig den Green-Minus-Brown (GMB) Risikofaktor nach Pastor et al. (2021) aus ESG-Daten auf Unternehmensebene und evaluieren Sie den GMB-Effekt auf Renditen.

     

    Basisliteratur:

    • Bauer, R., Koedijk, K. und Rotten, R. (2005): International evidence on ethical mutual fund performance and investment style. Journal of Banking & Finance, 29(7), 1751-1767.
    • Pastor, L., Stambaugh, R. F. und Taylor, L. A. (2021): Sustainable investing in equilibrium. Journal of Financial Economics, 142, 550–571.
    • Pástor, Ľ., Stambaugh, R. F., & Taylor, L. A. (2022). Dissecting green returns. Journal of Financial Economics, 146(2), 403-424.
    • Schroeder, M. (2006): Is there a Difference? The Performance Characteristics of SRI Equity Indices. Journal of Business Finance & Accounting, 34(1-2), 331-348.

     

    Daten:

Bachelorarbeiten im Bereich Risikomanagement

  • Vorhersage von Realized Volatility mit Methoden des maschinellen Lernens

    Theoretischer Teil der Aufgabenstellung:

    • Führen Sie allgemein in die Rolle von Volatilität an Finanzmärkten ein.
    • Erläutern Sie das Konzept der Realized Volatility und geben Sie eine Übersicht traditioneller ökonometrischer Vorhersagemodelle, etwa über das Heterogenous Autoregressive (HAR) Modell von Corsi (2008).
    • Erläutern Sie ausgewählte Verfahren des maschinellen Lernens und ihre Schätzverfahren im Kontext von Realized Volatiltiy Vorhersagen.

     

    Empirischer Teil der Aufgabenstellung:

    • Evaluieren Sie die Vorhersagegüte ausgewählter Verfahren des maschinellen Lernens auf Basis eines gewählten Datensatzes, etwa täglicher Realized Volatility des S&P 500.
    • Vergleichen Sie Ihre Ergebnisse mit denen ausgewählter traditioneller ökonometrischer Modelle und diskutieren Sie Ihre Ergebnisse.

     

    Basisliteratur:

    • Corsi, F. (2008): A Simple Approximate Long-Memory Model of Realized Volatility. Journal of Financial Econometrics, 7(2), 174–196.
    • Bucci, A. (2020): Realized Volatility Forecasting with Neural Networks. Journal of Financial Econometrics, 18(3), 502–531.
    • Christensen, K., Siggaard, M. und Veliyev, B. (2022): A Machine Learning Approach to Volatility Forecasting. Journal of Financial Econometrics.
    • James, G., Witten, D., Hastie, T. und Tibshirani, R. (2013): An introduction to statistical learning: with applications in R. 2nd Edition, Springer.

     

     Daten:

    • Refinitiv Datastream
    • Oxford Realized Library
  • Ausfallprognose von Privatkrediten

    Theoretischer Teil der Aufgabenstellung:

    • Geben Sie einen Überblick über die relevante Literatur zur Prognose von Kreditausfällen bei Unternehmen und Privatpersonen. Gehen Sie insbesondere auf sogenannte P2P Kredite ein.
    • Identifizieren Sie relevante Charakteristika von Privatschuldnern, die sich potenziell auf das Risiko eines Kreditausfalls auswirken.
    • Erläutern Sie die Logit-Regression und gehen Sie auf die marginalen Effekte sowie das ROC-Verfahren ein.
    • Stellen Sie ein Logit-Modell zur Schätzung der Ausfallwahrscheinlichkeit von Privatkrediten auf.

     

    Empirischer Teil der Aufgabenstellung:

    • Analysieren Sie den Lending Club Datensatz und stellen Sie die Charakteristika der dort vergebenen Kredite dar.
    • Schätzen Sie das aufgestellte Logit-Modell anhand der Daten, lassen sich Ausfälle prognostizieren?

     

    Basisliteratur:

    • Emekter, R., Tu, Y., Jirasakuldech, B. und Lu, M. (2015): Evaluating credit risk and loan performance in online Peer-to-Peer (P2P) lending. Applied Economics, 47(1), 54-70.
    • Hull, J. (2018): Risk management and financial institutions. Hoboken, New Jersey: Wiley & Sons.
    • Brooks, C. (2014): Introductory econometrics for finance. Cambridge: Cambridge University Press. 

     

    Daten:

Bachelorarbeiten im Bereich Asset Pricing

  • Momentum Crashes

    Theoretischer Teil der Aufgabenstellung:

    • Beschreiben Sie die Momentum-Anomalie und erläutern Sie die Portfoliokonstruktion.
    • Beschreiben Sie Vor- und Nachteile der Momentum-Strategie. Nehmen Sie dabei insbesondere Bezug auf Momentum Crashes.
    • Erläutern Sie die Strategien zur Verminderung von Momentum Crashes gemäß Barosso und Santa-Clara (2015) und Dierkes und Krupski (2022).

     

    Empirischer Teil der Aufgabenstellung:

    • Berechnen Sie die Rendite der Momentum-Strategie für den US-Markt im Zeitraum von 1926-2022.
    • Replizieren Sie die Strategien von Barosso und Santa-Clara (2015) und Dierkes und Krupski (2022).
    • Untersuchen und erläutern Sie Vor- und Nachteile der Strategien.

     

    Basisliteratur:

    • Barroso, P. und Santa-Clara, P. (2015): Momentum has its moments. Journal of Financial Economics, 116(1), 111–120.
    • Cooper, M.J., Gutierrez, R.C. und Hameed, A. (2004): Market States and Momentum. The Journal of Finance, 59(3), 1345–1365.
    • Daniel, K. und Moskowitz, T.J. (2016): Momentum crashes. Journal of Financial Economics, 122(1), 221–247.
    • Dierkes, M. und Krupski, J. (2022): Isolating momentum crashes. Journal of Empirical Finance, 66, 1-22.
    • Jegadeesh, N. und Titman, S. (1993): Returns to Buying Winners and Selling Losers: Implications for Stock Market Efficiency. The Journal of Finance, 48(1), 65–91.

     

    Daten:

  • Multifaktormodelle

    Theoretischer Teil der Aufgabenstellung:

    • Leiten Sie das CAPM her und erläutern Sie, weshalb die Verwendung von zusätzlichen Faktoren eine sinnvolle Erweiterung sein kann.
    • Erläutern Sie das Drei-Faktoren-Modell von Fama und French (1993).
    • Erklären Sie den Value-Effekt und den Size-Effekt, die dem Drei-Faktoren-Modell zu Grunde liegen.

     

    Empirischer Teil der Aufgabenstellung:

    • Berechnen Sie die Risikofaktoren anhand monatlicher Daten selbständig.
    • Untersuchen Sie, inwiefern die Erklärung von Renditen durch die Verwendung von Multifaktormodellen verbessert werden kann.
    • Stellen Sie einen Performancevergleich mit dem CAPM auf.
    • Welchen Effekt haben Value und Size auf die Rendite? Entsprechen diese Ihren Erwartungen?

     

    Basisliteratur:

    • Fama, E. F. und French, K. R. (1993): Common risk factors in the returns on stocks and bonds. Journal of Financial Economics, 33(1), 3–56.
    • Fama, E. F. und French, K. R. (1992): The cross-section of expected stock returns. Journal of Finance, 47(2), 427–465.
    • Fama, E. F. und French, K. R. (2015): A five-factor asset pricing model. Journal of Financial Economics, 116(1), 1–22.

     

    Daten:

  • Idiosynkratisches Volatilitätspuzzle

    Theoretischer Teil der Aufgabenstellung:

    • Empirische Forschungen zeigen einen stark negativen Zusammenhang zwischen Rendite und idiosynkratischer Volatilität.
    • Leiten Sie her, warum in der neoklassischen Kapitalmarkttheorie idiosynkratische Volatilität keinen Einfluss auf Renditen haben sollte.
    • Führen Sie in das sog. idiosynkratische Volatilitäts-Puzzle ein und geben Sie einen Überblick über die relevante Literatur. Stellen Sie mögliche Erklärungsansätze dar.

     

    Empirischer Teil der Aufgabenstellung:

    • Eigenständige Berechnung und empirische Analyse der idiosynkratischen Volatilität.
    • Evaluation von Bepreisungseffekten der idiosynkratischen Volatilität anhand von Portfoliobildung und Untersuchung, ob diese signifikant sind.

     

    Basisliteratur:

    • Ang, A., Hodrick, R. J., Xing, Y. und Zhang, X. (2006): The cross‐section of volatility and expected returns. Journal of Finance, 61(1), 259-299.
    • Ang, A., Hodrick, R. J., Xing, Y. und Zhang, X. (2009): High idiosyncratic volatility and low returns: International and further US evidence. Journal of Financial Economics, 91(1), 1-23.
    • Bali, T. G. und Cakici, N. (2008): Idiosyncratic volatility and the cross section of expected returns. Journal of Financial and Quantitative Analysis, 43(01), 29-58.

     

    Daten:

    • CRSP
    • Refinitiv Workspace
  • Short-Term Reversal

    Theoretischer Teil der Aufgabenstellung:

    • Short-Term Reversal ist eine der prägnantesten Anomalien am Kapitalmarkt. Erläutern Sie den (Short-Term) Reversal Effekt und stellen Sie dar, warum dieser Effekt die schwache Markteffizienzhypothese konterkariert.
    • Führen Sie in die relevante Literatur ein.
    • Geben Sie einen Überblick über die verschiedenen Erklärungsansätze.

     

    Empirischer Teil der Aufgabenstellung:

    • Empirische Analyse des Short-Term Reversal Effekts durch lineare Regression und Portfoliobildung.
    • Untersuchung, ob der Short-Term Reversal Effekt durch Kapitalmarktmodelle erklärt werden kann (z.B. CAPM, Fama-French-Drei-Faktoren-Modell).

     

    Basisliteratur:

    • Jegadeesh, N. (1990): Evidence of predictable behavior of security returns. Journal of Finance, 45(3), 881-898.
    • Jegadeesh, N. und Titman, S. (1995): Short-horizon return reversals and the bid-ask spread. Journal of Financial Intermediation, 4(2), 116-132.
    • Campbell, J. Y., Grossman, S. J. und Wang, J. (1993): Trading volume and serial correlation in stock returns. Quarterly Journal of Economics, 108, 905–939.
    • Kelly, B., Moskowitz, T. und Pruitt, S. (2021): Understanding Momentum and Reversal. Journal of Financial Economics, 140(3), 726-743.

     

    Daten:

  • Unsicherheit und Aktienrenditen

    Theoretischer Teil der Aufgabenstellung:

    • Führen Sie in die Thematik der wirtschaftlichen Unsicherheit ein und grenzen Sie dieses Konzept von anderen finanzwirtschaftlich relevanten Konzepten wie dem Risiko und der Investorenstimmung ab.
    • Führen Sie in die Literatur zur Unsicherheitsmessung ein und erläutern Sie die unterschiedlichen methodischen Ansätze. Erklären Sie in diesem Zusammenhang die Herleitung zweier ausgewählter Maße ausführlich.
    • Erläutern Sie warum wirtschaftliche Unsicherheit einen theoretischen Einfluss auf die Real- und Finanzwirtschaft haben kann.  Stellen Sie in diesem Zusammenhang empirische Literatur vor, welche den Zusammenhang zwischen Unsicherheit und Finanzmärkten untersucht.

     

    Empirischer Teil der Aufgabenstellung:

    • Führen Sie eine deskriptive Analyse der ausgewählten Unsicherheitsmaße durch.
    • Analysieren Sie den Zusammenhang zwischen den ausgewählten Unsicherheitsmaßen und Aktienrenditen anhand von Regressionsmodellen.

     

    Basisliteratur:

    • Bloom, N. (2014): Fluctuations in Uncertainty. Journal of Economic Perspectives, 28(2), 153-176.
    • Brogaard, J. und Detzel, A. (2015): The Asset-Pricing Implications of Government Economic Policy Uncertainty. Management Science, 61(1), 3-18.
    • Jurado, K., Ludvigson, S. C. und Serena, N. (2015): Measuring Uncertainty. American Economic Review, 105(3), 1177-1216.
    • Knight, F.H. (1921): Risk, Uncertainty and Profit. Houghton Mifflin Company, Boston, 682-690.

     

    Daten:

Bachelorarbeiten im Bereich Corporate Finance

  • Implizite Kapitalkostenermittlung

    Theoretischer Teil der Aufgabenstellung:

    • Kapitalkosten bilden einen zentralen Aspekt bei der Bewertung von Unternehmen (z.B. bei Unternehmensverkäufen oder -fusionen).
    • Standardverfahren zur Kapitalkostenermittlung nutzen realisierte Renditen als Approximation für erwartete zukünftige Rendite. Implizite Kapitalkosten bieten eine Alternative, bei der sich der Schätzer für Kapitalkosten implizit und ex ante aus einem Bewertungsmodell ergibt.
    • Führen Sie in die Grundlagen der Bewertung ein. Zeigen Sie, warum die adäquate Wahl des Kapitalkostensatzes von hoher Relevanz ist.
    • Leiten Sie das Kapitalkostenmodell nach Ohlson und Juettner-Nauroth (2005) her.
    • Das Kapitalkostenmodell benötigt Gewinnprognosen. Erläutern Sie, wie Gewinne mit dem Modell von Hou et al. (2012) geschätzt werden können. Gehen Sie zusätzlich auf Vor- und Nachteile im Vergleich zu Analystenschätzungen ein.

     

    Empirischer Teil der Aufgabenstellung:

    • Empirische Evaluierung impliziter Kapitalkosten auf Firmen- und Marktebene für den deutschen (europäischen) Aktienmarkt.
    • Statistischer Vergleich zwischen impliziten Kapitalkosten, die sich mit Analystenprognosen bzw. mit den Gewinnprognosen durch das Modell nach Hou et al. (2012) ergeben.

     

    Basisliteratur:

    • Hou, K., Van Dijk, M. A. und Zhang, Y. (2012): The implied cost of capital: A new approach. Journal of Accounting and Economics, 53(3), 504–526.
    • Ohlson, J. A. und Juettner-Nauroth, B. E. (2005): Expected eps and eps growth as determinants of value. Review of accounting studies, 10(2), 349–365.

     

    Daten:

    • CDAX/STOXX Europe 600 (aus dem Refinitiv Workspace)
    • I/B/E/S Estimates

Masterarbeiten

Anmeldeverfahren und organisatorischer Ablauf

Am Institut für Banken und Finanzierung können fortwährend Masterarbeiten geschrieben werden. Feste Anmeldefristen existieren nicht. Dennoch ist eine Vorlaufzeit zur Themenfindung und –absprache notwendig, weshalb Ihre Kontaktaufnahme mindestens 4 Wochen vor dem angestrebten Anmeldungstermin erfolgen sollte.

Bitte wenden Sie sich mit folgenden Angaben per E-Mail an Brian von Knoblauch.

  • Zwei Themenpräferenzen aus den unten aufgeführten Themenbereichen oder ein eigener Themenvorschlag
  • Kurze Darlegung Ihrer Motivation
  • Nennung des angestrebten Anmeldungstermins
  • Beifügung eines aktuellen Notenspiegels

Anschließend erhalten Sie eine E-Mail von Ihrem Betreuer (abhängig vom Themenbereich), welcher mit Ihnen einen Sprechstundentermin vereinbart. In diesem Termin definieren wir gemeinsam mit Ihnen die Fragestellung, auf deren Grundlage Sie ein Exposé erarbeiten.

Exposé

Sobald Sie Ihr Thema erhalten haben, beginnt die rund dreiwöchige Frist für die Erstellung eines Exposés (bitte kalkulieren Sie Zeit für Korrekturen ein!). Ihr Exposé behandelt auf maximal drei Seiten im Fließtext die folgenden Aspekte:

  • Problemstellung sowie Zielsetzung
  • Methoden, Verfahren, theoretische oder konzeptionelle Ansätze
  • Notwendige Daten und Quellen zur Datenbeschaffung
  • Erwartete Erkenntnisgewinne für Forschung und/oder Praxis
  • Basisliteratur (aus internationalen, referierten Journals)

Nach Annahme Ihres Exposés kann die Masterarbeit umgehend angemeldet werden.

Themenbereiche

  • Investorenstimmung

    Kurzbeschreibung des Themenbereichs

    Investorenstimmung ist ein wichtiger Bestandteil der Behavioral Finance. Es gibt zahlreiche Studien, welche die Auswirkungen von Investorenstimmung auf Wertpapierpreise analysieren. Neben der Messung der Investorenstimmung sind insbesondere deren Auswirkungen auf individuelle und aggregierte Wertpapierpreise interessante und nicht abschließend geklärte Forschungsfelder.

     

    Themenbeispiele

    1. Messung von Investorenstimmung: Alternativen zum Stimmungsmaß von Baker & Wurgler (2006)
    2. Investorenstimmung und Aktienrenditen
    3. Investorenstimmung und der Trade-Off zwischen Risiko und Rendite
    4. Auswirkungen von Investorenstimmung auf Kapitalmarktanomalien

     

    Basisliteratur

    • De Long, B.J., Shleifer, A., Summers, L.H. und Waldman, R.J. (1990): Noise Trader Risk in Financial Markets. Journal of Political Economy, 98(4), 703–738.
    • Baker, M. und Wurgler, J. (2006): Investor sentiment and the cross-section of stock returns. The Journal of Finance, 61(1), 1645–1680.
    • Kozak, S., Nagel, S. und Shrihari, S. (2018): Interpreting Factor Models. The Journal of Finance, 73(3), 1183–1223.
    • Yu, J. und Yuan, Y. (2011): Investor sentiment and the mean–variance relation. Journal of Financial Economics, 100(2), 367–381.
    • Stambaugh, R.F., Yu, J. und Yuan, Y. (2012): The short of it: Investor sentiment and anomalies. Journal of Financial Economics, Special Issue on Investor Sentiment, 104(2), 288–302.
  • Verhaltensökonomische Entscheidungstheorien

    Kurzbeschreibung des Themenbereichs

    Präferenzen sind ein Ansatz der Behavioral Finance, um die beobachteten Abweichungen des Verhaltens individueller Investoren von den Prognosen der neoklassischen Theorie zu begründen. Als bedeutendste Entscheidungstheorien gelten dabei die (Cumulative) Prospect Theory und die Salience Theory, welche im Rahmen der Masterarbeit näher beleuchtet werden.

     

    Themenbeispiele

    1. Portfoliowertsicherungsstrategien unter Cumulative Prospect Theory und Salience Theory
    2. Der Salience-Effekt am Aktienmarkt
    3. Erwartete Renditen unter der Cumulative Prospect Theory
    4. Schiefepräferenz und Wertpapierpreise

     

    Basisliteratur

    • Bordalo, P., Gennaioli, N. und Shleifer, A. (2012): Salience theory of choice under risk. The Quarterly Journal of Economics, 127(3), 1243-1285.
    • Tversky, A. und Kahneman, D. (1992): Advances in prospect theory: Cumulative representation of uncertainty. Journal of Risk and uncertainty, 5(4), 297-323.
    • Dichtl, H. und Dobritz, W. (2011): Portfolio insurance and prospect theory investors: Popularity and optimal design of capital protected financial products. Journal of Banking & Finance, 35(7), 1683-1697.
    • Cosemans, M. und Frehen, R. (2017): Salience Theory and Stock Prices: Empirical Evidence. Working Paper.
    • Barberis, N. und Huang, M. (2008): Stocks as Lotteries: The Implications of Probability Weighting for Security Prices. American Economic Review, 95(5), 2066-2100.
    • Barberis, N., Mukherjee, A. und Wang, B. (2016): Prospect Theory and Stock Returns: An Empirical Test. Review of Financial Studies, 29(11), 3068-3107.
  • Sustainable Finance

    Kurzbeschreibung des Themenbereichs

    Nachhaltigkeit rückt zunehmend in den Fokus von Anlageentscheidungen. Neben rein monetären Aspekten stellt sich die Frage, welchen Einfluss die Dimensionen Umwelt, Gesellschaft und Governance (ESG) für Unternehmen und Investoren spielen von wie die ESG-Performance eines Unternehmens dessen Rendite beeinflusst. 

    Themenbeispiele

    1. Konstruktion und Analyse eines ESG-Bepreisungsfaktors
    2. Schätzung des ex-ante Greeniums durch implizite Kapitalkosten
    3. Messung von "Climate Change" und Analyse der Risikoprämie von Climate-Change-Betas oder Climate-Change-Risiken
    4. Analyse des Einflusses des Wetters und der Umweltverschmutzung auf Aktienrenditen

    Basisliteratur

    • Pástor, Ľ., Stambaugh, R. und Taylor, L.A. (2021): Sustainable investing in equilibrium. Journal of Financial Economics, 142(2), 550-571.
    • Pástor, Ľ., Stambaugh, R. F. und Taylor, L. A. (2022): Dissecting green returns. Journal of Financial Economics, 146(2), 403-424.
    • Ardia, D., Bluteau, K., Boudt, K., & Inghelbrecht, K. (2023): Climate change concerns and the performance of green vs. brown stocks. Management Science. 
    • Sautner, Z., Van Lent, L., Vilkov, G. & Zhang, R. (2023): Firm-Level Climate Change Exposure. The Journal of Finance, 78(3), 1449-1498.
    • Sautner, Z., Van Lent, L., Vilkov, G. & Zhang, R. (2023): Pricing Climate Change Exposure. Management Science, 0(0), 1-22.
    • Engle, R. F., Giglio, S., Kelly, B., Lee, H. & Stroebel, J. (2020): Hedging Climate Change News. The Review of Financial Studies, 33(3), 1184-1216.
    • Loughran, T. & Schultz, P. (2004): Weather, Stock Returns, and the Impact of Localized Trading Behavior. Journal of Financial and Quantitative Analysis,  39(2), 343-364.
    • Hirshleifer, D. & Shumway, T. (2003): Good Day Sunshine: Stock Returns and the Weather. The Journal of Finance, 58 (3), 1009-1032.
    • Bolton, P. & Kacperczyk, M. (2021): Do Investors Care About Carbon Risk? Journal of Financial Economics, 142(2), 517-54.
  • Kapitalmarktanomalien

    Kurzbeschreibung des Themenbereichs

    Die Literatur liefert zahlreiche empirische Studien, die Widersprüche zu den Vorhersagen der neoklassischen Theorie nachweisen. Neben dem Nachweis der Existenz und Robustheit der Anomalien über Märkte und Marktphasen hinweg, sind insbesondere die verschiedenen Erklärungsansätze spannende Fragestellungen, die im Rahmen der Masterarbeit untersucht werden können.

     

    Themenbeispiele

    1. Out-of-Sample Tests ausgewählter Anomalien (bspw. Momentum, idiosynkratische Volatilität, Betting-against-Beta, Max-Effekt)
    2. Anomalien und Mehrfaktorenmodelle
    3. Interaktion von Anomalien (bspw. Schiefe und Momentum)
    4. Risikomanagement-Strategien und Anomalien
    5. Risikoprämien für Varianz und Schiefe

     

    Basisliteratur

    • Ang, A., Hodrick, R.J., Xing, Y. und Zhang, X. (2006): The cross‐section of volatility and expected returns. Journal of Finance, 61(1), 259-299.
    • Jegadeesh, N. und Titman, S. (1993): Returns to Buying Winners and Selling Losers: Implications for Stock Market Efficiency. The Journal of Finance, 48(1), 65–91.
    • Frazzini, A. und Pedersen, L.H. (2014): Betting against beta. Journal of Financial Economics, 111(1), 1–25.
    • Bali, T.G., Cakici, N. und Whitelaw, R.F. (2011): Maxing out: Stocks as lotteries and the cross-section of expected returns. Journal of Financial Economics, 99(2), 427-446.
    • Hou, K., Mo, H., Xue C. und Zhang, L. (2019): Which Factors? Review of Finance, 23(1), 1-35.
    • Barroso, P., Detzel, A.L. und Maio, P.F (2020): Managing the Risk of the Low-Risk anomaly. Working Paper.
    • Kelly, B. T., Pruitt, S. und Su, Y. (2019): Characteristics are covariances: A unified model of risk and return. Journal of Financial Economics, 134(3): 501–524.
    • Liu, Z. und Faff, R. (2017): Hitting SKEW for SIX. Economic Modelling, (64), 449-464.
    • Bollerslev, T., Tauchen, G. und Zhou, H. (2009): Expected Stock Returns and Variance Risk Premia. The Review of Financial Studies, 22(11), 4463-4492.
    • Carr, P. und Wu, L. (2009): Variance risk premiums. The Review of Financial Studies, 22(3), 1311-1341.
  • Machine-Learning-Methoden im Asset Pricing

    Kurzbeschreibung des Themenbereichs

    Während Machine Learning Algorithmen immer weiter in den Fokus der Öffentlichkeit rücken, sind Anwendungen in der empirischen Kapitalmarktforschung bisher selten. Der Vergleich von neuen Ansätzen mit etablierten Methoden liefert daher zahlreiche mögliche Fragestellungen.

     

    Themenbeispiele

    1. Empirisches Asset Pricing mit Methoden des maschinellen Lernens
    2. Multi-Faktor-Modelle auf Basis künstlicher neuronaler Netze
    3. Optionsbepreisung und Schätzung des Volatility-Surfaces mit neuronalen Netzen

     

    Basisliteratur

    • Hastie, T., Tibshirani, R. und Friedman, J. (2017): The Elements of Statistical Learning 2nd Edition. Springer Verlag.
    • Gu, S., Kelly, B. und Xiu, D. (2020): Empirical asset pricing via machine learning. The Review of Financial Studies, 33(5), 2223-2273.
    • Gu, S., Kelly, B. und Xiu, D. (2021): Autoencoder asset pricing models. Journal of Econometrics, 222(1): 429–450.
    • Gareth, J., Witten, D., Hastie, T. und Tibshirani, R. (2017): An Introductoin to Statistical Learning: With Applicatoins in R. Springer Verlag, New York.
    • Hou, K. und Lee, J. (2018): Nonlinear CAPM Beta. Working Paper.
    • Dimson, E. (1979): Risk measurement when shares are subject to infrequent trading. Journal of Financial Economics, 7(2), 167-226.
    • Bali, T. G., Beckmeyer, H., Moerke, M., & Weigert, F. (2023): Option return predictability with machine learning and big data. The Review of Financial Studies36(9), 3548-3602.
    • Culkin, R., & Das, S. R. (2017): Machine learning in finance: the case of deep learning for option pricing. Journal of Investment Management, 15(4), 92-100.
  • Portfoliowahl

    Kurzbeschreibung des Themenbereichs

    Die Portfoliowahl gehört zu den klassischen Forschungsgebieten der Kapitalmarktforschung. Ergebnisse hängen dabei insbesondere von Investorenpräferenzen, dem datengenerierendem Prozess sowie dem Investitionshorizont ab. Während neoklassisch motivierte Modelle die optimale Portfoliowahl ergründen, untersuchen verhaltensökonomische Analysen unter anderem die Nichtteilnahme vieler Individuen am Aktienmarkt sowie tatsächliche Portfolioentscheidungen.

     

    Themenbeispiele

    1. Die optimale Portfoliowahl unter Ambiguität
    2. Die optimale Portfoliowahl bei langem Investitionshorizont und Vorhersagbarkeit
    3. Der Einfluss von Schätzrisiko auf die optimale Portfoliowahl
    4. Portfoliowahl unter verhaltensökonomischen Entscheidungstheorien

     

    Basisliteratur

    • Garlappi, L., Uppal, R. und Wang, T. (2007): Portfolio Selection with Parameter and Model Uncertainty: A Multi-Prior Approach. The Review of Financial Studies, 20(1), 41-81.
    • DeMiguel, V., Garlappi, L. und Uppal, R. (2009): Optimal Versus Naive Diversification: How Inefficient is the 1/N Portfolio Strategy?. The Review of Financial Studies, 22(5), 1915–1953.

    • Barberis, N. (2000): Investing for the Long Run when Returns Are Predictable. The Journal of Finance, 55, 225-264.
    • Chapman, D.A. und Polkovnichenko, V. (2009): First‐Order Risk Aversion, Heterogeneity, and Asset Market Outcomes. The Journal of Finance, 64, 1863-1887.

    • Brooks, C. (2019): Introductory Econometrics for Finance. Fourth edition. Cambridge, United Kingdom ; New York, NY, Cambridge University Press.
    • Polkovnichenko, V. (2005): Household Portfolio Diversification: A Case for Rank-Dependent Preferences. The Review of Financial Studies, 18(4), 1467–1502.
    • Malmendier, U. und Nagel, S. (2011): Depression Babies: Do Macroeconomic Experiences Affect Risk Taking?. The Quarterly Journal of Economics, 126(1), 373–416.
  • Corporate Finance

    Kurzbeschreibung des Themenbereichs

    Zwar dokumentieren Modigliani und Miller (1958), dass die Kapitalstruktur - unter Annahme eines perfekten Marktes - irrelevant ist, jedoch zeigen zahlreiche Studien, dass dies empirisch nicht belegt werden kann. Neuere Studien, wie bspw. von Baker und Wurgler (2002), belegen, dass Finanzierungsentscheidungen (und somit die Kapitalstruktur) insbesondere vom Market Timing der Unternehmen abhängen.

     

    Themenbeispiele

    1. Empirische Validierung von Theorien zum IPO Underpricing
    2. Langfristige Performance von IPOs
    3. Market Timing von Finanzierungsentscheidungen
    4. Gewinnprognosen und implizite Kapitalkosten

     

    Basisliteratur

    • Ritter, J. R. (1991): The long‐run performance of initial public offerings. The Journal of Finance, 46(1), 3-27.

    • Loughran, T. und Ritter, J. R. (2002): Why don’t issuers get upset about leaving money on the table in IPOs?. The Review of Financial Studies, 15(2), 413-444.
    • Ritter, J. R. und Welch, I. (2002): A review of IPO activity, pricing, and allocations. The Journal of Finance, 57(4), 1795-1828.
    • Green, T. C. und Hwang, B. H. (2012): Initial public offerings as lotteries: Skewness preference and first-day returns. Management Science, 58(2), 432-444.
    • Laeven, L. und Levine, R. (2007): Is there a diversification discount in financial conglomerates?. Journal of Financial Economics, 85(2), 331-367.
    • Baker, M. und Wurgler, J. (2002): Market timing and capital structure. The Journal of Finance57(1), 1-32.
    • Hou, K., Van Dijk, M. A. und Zhang, Y. (2012): The implied cost of capital: A new approach. Journal of Accounting and Economics, 53(3), 504–526.
  • Banking

    Kurzbeschreibung des Themenbereichs

    Privatinvestoren stehen regelmäßig vor der Entscheidung, ihr Guthaben entweder auf Bankkonten als Bankeinlage zu verwahren oder beispielsweise am Aktienmarkt zu investieren. In diesem Sinne stehen Banken und Kapitalmärkte in direktem Wettbewerb miteinander. Verschiedene Studien haben gezeigt, dass Privatinvestoren somit das Potenzial haben, die Höhe der für die Banken verfügbaren Mittel zu verändern, wenn sie ihre Vermögensaufteilung zwischen Aktien und Einlagen ändern. Die Messung der Attraktivität des Aktienmarktes, bzw. die Prognose des Verhaltens von Privatinvestoren ist dabei, neben Maßen der neoklassischen Theorie, auch mit verschiedenen Maßen der verhaltensökonomischen Finanzmarkttheorie möglich.

     

    Themenbeispiele

    1. Der Zusammenhang von Bankeinlagen und Aktienmarktattraktivität

     

    Basisliteratur

    • Huang, T. (2022): Fed VS S&P 500: Stock Market, (Household) Deposit Supply, and Bank Competition. SSRN Electronic Journal.

    • Lin, L. (2020): Bank Deposits and the Stock Market. Review of Financial Studies, 33(6), 2622–2658.

    • Barberis, N., Mukherjee, A. und Wang, B. (2016): Prospect Theory and Stock Returns: An Empirical Test. Review of Financial Studies, 29(11), 3068-3107.

    • Cosemans, M., Frehen, R. (2021): Saliency theory and stock prices: Empirical evidence. Journal of Financial Economics, 140(2), 460-483.

    • Cordes, H., Mohrschladt, H., Nolte, S., and Schneider, J. (2021): The Visual Shape Score: On its Predictability in the Lab, the Aggregated Stock Market, and the Cross-Section of Stock Returns. SSRN Electronic Journal.

    • Gulen, H. und Woeppel, M. (2022): Price-Path Convexity, Extrapolation, and Short-Horizon Return Predictability. SSRN Electronic Journal.

  • Natural Language Processing und Finanzmärkte

    Kurzbeschreibung des Themenbereichs

    Die Nutzung und Analyse von Textdaten rückt immer mehr in den Fokus von Investoren, Unternehmen und Akademikern. So belegen zahlreiche Studien, dass aus Textdaten relevante Informationen gewonnen werden können, die zur Analyse finanzwirtschaftlicher Fragestellungen genutzt werden können. So können Textdaten beispielweise genutzt werden, um Investorenstimmung zu messen oder finanzwirtschaftliche Indikatoren vorherzusagen.

    Themenbeispiele

    1. Messung von Investorenstimmung auf Basis von Textdaten
    2. Vorhersage finanzwirtschaftlicher oder makroökonomischer Indikatoren mit Hilfe von Textdaten
    3. Messung von "Climate Change"-Risiken auf Basis von Nachrichten- oder Unternehmensdaten
    4. Text-basierte Analyse von Geschäftsberichten oder Conference Calls

    Basisliteratur

    • Loughran, T. & McDonald, B. (2011): When Is a Liability Not a Liability? Textual Analysis, Dictionaries, and 10-Ks. The Journal of Finance, 66(1), 35-65.
    • Jiang, F., Lee, J., Martin, X. & Zhou, G. (2019): Manager Sentiment. Journal of Financial Economics, 132(1), 126-149.
    • Uhl, M. (2014): Reuters Sentiment and Stock Returns. Journal of Behavioral Finance, 15(4), 287-298.
    • Manela, A. & Moreira, A. (2017): News Implied Volatility and Disaster Concerns. Journal of Financial Economics, 123(1), 137-162.
    • Bybee, L., Kelly, B., Manela, A. & Xiu, D. (2023): Business News and Business Cycles. The Journal of Finance, Forthcoming.
    • Calomiris, C. W. & Mamaysky, H. (2019): How News and its Context Drive Risk and Returns Around the World. Journal of Financial Economics, 133(2), 299-363.
    • Engle, R. F., Giglio, S., Kelly, B., Lee, H. & Stroebel, J. (2020): Hedging Climate Change News. Review of Financial Studies, 33(3), 1184-1216.
    • Ardia, D., Bluteau, K., Boudt, K., & Inghelbrecht, K. (2023): Climate change concerns and the performance of green vs. brown stocks. Management Science. 
    • Sautner, Z., Van Lent, L., Vilkov, G. & Zhang, R. (2023): Firm-Level Climate Change Exposure. The Journal of Finance, 78(3), 1449-1498.
    • Faccini, R., Martin, R. & Skiadopoulos, G. (2023): Dissecting Climate Risks: Are They Reflected in Stock Prices?. Journal of Banking & Finance, 155.
    • Bellstam, G., Bhagat, S. & Cookson, A. (2022): A Text-Based Analysis of Corporate Innovation. Management Science, 67(7), 4004-4031.
    • Cohen, L., Malloy, C. & Nguyen, Q. (2020): Lazy Prices. The Journal of Finance, 75(3), 1371-1415.
    • Hassan, T., Hollander, S., van Lent, L. & Tahoun, A. (2019): Firm-Level Political Risk: Measurement and Effects. The Quarterly Journal of Economics, 134(4), 2135-2202.

Allgemeine Hinweise für Abschlussarbeiten

Auf den folgenden Seiten finden Sie weitere Informationen zum wissenschaftlichen Arbeiten am Institut für Banken und Finanzierung. Bitte beachten Sie die formalen Hinweise und die Termine zur Einführung in wissenschaftliches Arbeiten.

Kontakt für allgemeine Fragen zu Abschlussarbeiten

M.Sc. Brian Alexander von Knoblauch
Wissenschaftliche Mitarbeiterinnen und Mitarbeiter
M.Sc. Brian Alexander von Knoblauch
Wissenschaftliche Mitarbeiterinnen und Mitarbeiter