Abschlussarbeiten

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:

• Datenbank von AQR Capital
• Datenbank von Kenneth French
• Refinitiv Datastream

Theoretischer Teil der Aufgabenstellung:

• Beschreiben Sie den Begriff "Investorenstimmung" und erläutern Sie Möglichkeiten zur Messung. Gehen Sie dabei insbesondere auf Methoden zur textbasierten Messung der Investorenstimmung ein, wie LLMs oder wörterbuchbasierte Ansätze.
• Geben Sie einen Überblick über relevante Literatur, welche den Einfluss (textbasierter) Stimmungsmaße auf Aktienmärkte untersucht.

Empirischer Teil der Aufgabenstellung:

• Leiten Sie ein Stimmungsmaß mit Hilfe eines ausgewählten LLMs her.
• Führen Sie eine deskriptive Analyse des Stimmungsmaßes durch und vergleichen Sie dieses mit anderen Maßen für die Investorenstimmung.
• Analysieren den Zusammenhang zwischen Ihrem hergeleiteten Stimmungsmaß und Aktienrenditen anhand von Regressionsmodellen. Vergleichen Sie zudem den Erklärungsgehalt des Stimmungsmaßes für Aktienrenditen mit anderen Maßen für die Investorenstimmung.

Basisliteratur:

• Baker, M. und Wurgler, J. (2006), Investor Sentiment and the Cross-Section of Stock Returns. The Journal of Finance, 61, 1645-1680.
• Devlin, J., Chang, M., Lee, K. und Toutanova, K. (2019): BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies, 1, 4171-4186.
• Huang, A.H., Wang, H. und Yang, Y. (2023), FinBERT: A Large Language Model for Extracting Information from Financial Text. Contemporay Accounting Research, 40, 806-841.
• 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:

• Refinitiv Workspace
• FRED
• Loughran-McDonald Master Dictionary
• Hugging Face
• New York Times Nachrichtenartikel

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

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.

Theoretischer Teil der Aufgabenstellung:

• Erklären Sie das Entscheidungsproblem eines Investors und die Herleitung optimaler Portfoliogewichte
• Was ist der Home Bias? Was sind mögliche Erklärungen und sind diese konsistent mit der Annahme rationaler Entscheider?

Empirischer Teil der Aufgabenstellung:

• Bilden Sie Aktienportfolios für verschiedene Länder, für die Sie die Anteile am Portfolio von Haushalten (in einem ausgewählten Land) kennen
• Schätzen Sie die (Ko-)Varianzen dieser Portfolios
• Für plausibel parametrisierte Erwartungsnutzen-Präferenzen, berechnen und vergleichen Sie die Risikoprämien, die zu beobachteten Haushalts- bzw. Marktgewichten führen

Basisliteratur:

• French, K. R. und Poterba, J. M. (1991). Investor diversification and international equity markets. Working Paper, National Bureau of Economic Research.

• Gaar, E., Scherer, D., und Schiereck, D. (2022). The home bias and the local bias: A survey. Management Review Quarterly, 72(1), 21–57.

• Longin, F. und Solnik, B. (1995). Is the correlation in international equity returns constant: 1960-1990? Journal of International Money and Finance, 14(1), 3–26.

Daten:

• Bundesbank
• Refinitiv Workspace

Theoretischer Teil der Aufgabenstellung:

• Erläutern Sie den Begriff Luftverschmutzung und erklären Sie wie diese gängigerweise in der Literatur gemessen wird.
• Erläutern Sie Kanäle über die Luftverschmutzung einen Einfluss auf Aktienmärkte bzw. das Investorenverhalten haben kann.

Empirischer Teil der Aufgabenstellung:

• Analysieren Sie den Einfluss von Luftverschmutzung auf aktienmarktbezogene Variablen wie z.B. Renditen, Handelsvolumen oder Investorenstimmung.
• Untersuchen Sie den Zusammenhang anhand unterschiedlicher Aspekte, z.B. für unterschiedliche Märkte (z.B. USA, China, Deutschland etc.), für unterschiedliche Zeiträume, in Abhängigkeit des Wechsels von Parketthandel zu elektronischem Handel oder auf lokaler Ebene. 

Basisliteratur:

• Ding, X., Guo, M. und Yang, T. (2021):  Air Pollution, Local Bias and Stock Returns. Finance Research Letters, 39, 101576 .
• Levi, T. und Yagil, J. (2011): Air Pollution and Stock Returns in the US. Journal of Economic Psychology, 32, 374-383.
• Li, Q. und Peng, C. H. (2016): The Stock Market Effect of Air Pollution: Evidence from China. Applied Economics, 48(36), 3442-3461.
• Lepori, G. M. (2016): Air Pollution and Stock Returns: Evidence from a Natural Experiment. Journal of Empirical Finance, 35, 25-42.
• Teng, M. und He, X. (2020): Air Quality Levels, Environmental Awareness and Investor Trading Behavior: Evidence from Stock Market in China. Journal of Cleaner Production, 244. 

Daten:

• EPA AQI Daten
• Refinitiv Workspace
• OpenAQ

Theoretischer Teil der Aufgabenstellung:

• Erläutern Sie warum es einen potentiellen Zusammenhang zwischen Emissionen und  der finanziellen Performance von Unternehmen geben kann.
• Stellen Sie Literatur vor, welche diesen Zusammenhang untersucht und analysieren Sie den Einfluss methodischer Differenzen auf die Ergebnisse unterschiedlicher Studien.

Empirischer Teil der Aufgabenstellung:

• Analysieren Sie den Einfluss von Emissionen auf Aktienrenditen mit Hilfe unterschiedlicher Methoden (z.B. Portfoliobildung, Fama-Macbeth-Regressionen oder Panelregressionen).
• Untersuchen Sie den Einfluss methodischer Abwandlungen auf ihre Ergebnisse. Gehen Sie hier z.B. auf die Wahl des Emissionsproxies, die Wahl des Datenlags oder des Unterschieds zwischen geschätzten und durch das Unternehmen veröffentlichten Emissionen ein. 

Basisliteratur:

• Aswani, J., Raghunandan, A. & Rajgopal, S. (2024): Are Carbon Emissions Associated with Stock Returns? Review of Finance, 28(1), 75-106. 
• Bauer, M. D., Huber, D., Rudebusch, G. D. & Wilms, O. (2022): Where is the Carbon Premium? Global Performance of  Green and Brown Stocks. Journal of Climate Finance, 1. 
• Bolton, P. & Kacperczyk, M. (2021): Do investors care about carbon risk? Journal of Financial Economics, 142(2), 517-549.
• Bolton, P., Halem, Z., & Kacperczyk, M. (2022): The financial cost of carbon. Journal of Applied Corporate Finance, 34(2), 17-29.
• Bolton, P. & Kacperczyk, M. (2023): Global Pricing of Carbon-Transition Risk. Journal of Finance, 78, 3677-3754.
• Zhang, S. (2025): Carbon Returns across the Globe. Journal of Finance, 80, 615-645.

Theoretischer Teil der Aufgabenstellung:

• Definieren Sie Biodiversitätsrisiken und unterscheiden Sie physische Risiken von Transitionsrisiken.
• Stellen Sie besonders die Abgrenzung zu Klimarisiko dar und motivieren Sie die sektorale Heterogenität.
• Aggregiertes Risikomaß: Erläutern Sie den NYT-Biodiversity News Index und die Verwendung von AR(1)-Innovationen als Risikoschocks.
• Motivieren Sie die Konstruktion eines Hedge-Portfolios hinsichtlich der firmspezifischen Abhängigkeit zu Biodiversitäts-News.

Empirischer Teil der Aufgabenstellung:

• Untersuchen Sie den ökonomischen Effekt von höherer firm-/industriespezifischer Abhängigkeit eines Biodiversitätsverlustrisikos anhand geeigneter statistischer Methoden.  Wenden Sie dafür Portfoliosortierungen und/oder Fama & McBeth (1973) Regressionen an.
• Schätzen Sie Korrelationen und einfache Zeitreihenregressionen der sich ergebenden Portfolio-Überschussrenditen auf die AR(1)-Innovationen des Biodiversitäts News Index.
• Optional: Vergleich zu Klimarisiko - Wiederholen Sie die Analyse mit einen Klimanews-Index (z. B. NYT-Climate News) und kontrastieren Sie das resultierende Ergebnis.

Basisliteratur:

• Giglio, S., Kuchler, T., Stroebel, J., Zeng, X. (2025): Biodiversity Risk. Review of Finance.
• Dimson, E., Kacperczyk, M., & Starks, L. (2026). Biodiversity and natural resource finance. Review of Finance, 30(1), 1-9.
• Engle, R. F., Giglio, S., Kelly, B., Lee, H., Stroebel, J. (2020): Hedging Climate Change News. Review of Financial Studies.
• IPBES (2019). Summary for policymakers of the global assessment report on biodiversity and ecosystem services.

Daten:

• biodiversityrisk.org: NYT-Biodiversity News Index und Exponierungsmaße.
• CRSP/Compustat,
• Kenneth French Data Library.
• Optional: Refinitiv Workspace (ESG- und ergänzende Indikatoren).

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 ein. Gehen Sie dabei auf theoretische Argumente sowie empirische Ergebnisse hinsichtlich der Über- oder Unterperformance nachhaltiger Unternehmen 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:

• Halbritter, G. und Dorfleitner, G. (2015): The wages of social responsibility — where are they? A critical review of ESG investing. Review of Financial Economics, 26, 25-35.
• 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.

Daten:

• Datenbank von Kenneth French
• Refinitiv Workspace

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:

• Lending Club Privatkredite, via kaggle.com

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:

• Datenbank von Kenneth French 

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:

• Datenbank von Kenneth French 
• CRSP
• Refinitiv Workspace

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

Theoretischer Teil der Aufgabenstellung:

• Führen Sie in die Thematik der Faktormodelle im Asset Pricing ein und erläutern Sie deren Bedeutung für die Erklärung von Aktienrenditen.
• Diskutieren Sie die Herausforderungen klassischer Faktormodelle, insbesondere im Hinblick auf die zunehmende Anzahl von Faktoren und mögliche Overfitting-Probleme.
• Führen Sie in die Literatur zu dimensionsreduzierende Verfahren ein und stellen Sie verschiedene Methoden vor. Erläutern Sie insbesondere die Funktionsweise von Autoencodern als tiefes neuronales Netz zur Extraktion latenter Faktoren. Diskutieren Sie, inwiefern der durch den Autoencoder gewonnene Faktor theoretisch eine kompakte, aber informative Darstellung der ursprünglichen Fama-French-Faktoren sein könnte. Reflektieren Sie ebenfalls mögliche Nachteile die mit diesem Ansatz einhergehen. 
• Vergleichen Sie klassische Faktormodelle wie das CAPM und das Fama-French-Sechsfaktorenmodell mit dem durch den Autoencoder extrahierten Faktor. Diskutieren Sie potenzielle Vorteile eines solchen "Deep Factor“ für die Erklärung von Renditen und Anomalieportfolios.

Empirischer Teil der Aufgabenstellung:

• Führen Sie eine deskriptive Analyse der relevanten Fama-French-Risikofaktoren durch.
• Analysieren Sie Korrelationen und Redundanzen in den Faktoren, um zu beurteilen, ob eine Komprimierung sinnvoll ist.
• Trainieren Sie einen Autoencoder auf bekannte Risikofaktoren und extrahieren Sie den latenten Faktor aus dem Bottleneck des Netzes. Wenden Sie hierfür geeignete Trainingmethoden aus der Machine Learning Literatur an.
• Vergleichen Sie die Erklärungsleistung des Deep Factors mit klassischen Faktormodellen. Prüfen Sie, ob dieser Faktor parsimonisch eine höhere Erklärungskraft für Anomalieportfolios besitzt als das CAPM oder das Sechsfaktorenmodell. Nutzen Sie hierzu Regressionsmodelle und verschiedene Modellgütemaße.

Basisliteratur:

• Fama, E. F., & 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., & French, K. R. (2018). Choosing factors. Journal of Financial Economics, 128(2), 234–252.
• Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. Cambridge: MIT press.
• Gu, S., Kelly, B. T., & Xiu, D. (2020). Empirical asset pricing via machine learning. Review of Financial Studies, 33(5), 2223–2273.
• Kelly, B. T., Pruitt, S., & Su, Y. (2019). Characteristics are covariances: A unified model of risk and return. Journal of Financial Economics, 134(3), 501–524.

Daten:

• Kenneth French Data Library

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:

• Refinitiv Workspace
• FRED
• Datenbank von Sydney Ludvigson
• EPU Datenbank

Theoretischer Teil der Aufgabenstellung:

• Erklären Sie was Campbell et al. (2008) als "distress anomaly" bezeichnen und fassen Sie andere Arbeiten zur Bepreisung des Insolvenzrisikos in Aktien zusammen
• Fassen Sie theoretische Argumente für die Bepreisung des Ausfallrisikos von Aktien zusammen

Empirischer Teil der Aufgabenstellung:

• Schätzen Sie das Ausfallrisiko für Aktien in einem Paneldatensatz
• Untersuchen Sie, ob Sie die Distress-Anomalie mittels Portfolio Sorts und Zeitreihenregressionen bestätigen können
• Vergleichen Sie Ihre Ergebnisse mit der Literatur und diskutieren Sie, inwieweit diese zu risiko- oder präferenzbasierten Erklärungen passen

Basisliteratur:

• Campbell, J. Y., Hilscher, J., und Szilagyi, J. (2008). In search of distress risk. Journal of Finance, 63(6), 2899–2939.
• Ohlson, J. A. (1980). Financial ratios and the probabilistic prediction of bankruptcy. Journal of Accounting Research, 18(1), 109–131.
• Shumway, T. (2001). Forecasting bankruptcy more accurately: A simple hazard model. Journal of Business, 74(1), 101–124.

Daten:

• CRSP/Compustat
• Refinitiv Workspace
• Data Library von Kenneth French

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

Theoretischer Teil der Aufgabenstellung:

• Führen Sie in die Grundlagen des CAPM ein. Erläutern Sie die Rolle des Beta als Maß für systematisches Risiko und als zentralen Treiber der Eigenkapitalkosten. Zeigen Sie, warum die adäquate Wahl und Schätzung des Beta für WACC und Unternehmensbewertung von hoher Relevanz ist.
• Leiten Sie den OLS-Schätzer für Beta aus der Marktmodell-Regression mit Überschussrenditen her und diskutieren Sie dessen statistische Eigenschaften (Bias, Varianz, Konfidenzintervalle). Gehen Sie auf Einflussfaktoren der Beta-Schätzunsicherheit ein, z. B. Stichprobenlänge, Frequenz (täglich/wöchentlich/monatlich), Marktindex-Wahl, Heteroskedastizität und Autokorrelation. Optional: adressieren Sie Intervalling- und Nicht-Synchronitäts-Effekte bei hochfrequenten Daten.
• Gehen Sie auf zeitvariierende Betas ein (z. B. rollierende Fenster) und die Konsequenzen für die Stabilität des Kapitalkostensatzes.
• Diskutieren Sie praktische Entscheidungen im Bewertungsprozess: Wahl der Marktprämie (ex ante/ex post), Robustheitsanalysen, Governance-Aspekte (z. B. Dokumentation der Betawahl, Konsistenz über Projekte).

Empirischer Teil der Aufgabenstellung:

• Empirische Quantifizierung der Beta-Schätzunsicherheit für europäische oder amerikanische Aktien (bspw. STOXX Europe 600 oder S&P 500). Schätzen Sie unternehmensspezifische OLS-Betas mit unterschiedlichen Fensterlängen und Frequenzen.
• Dokumentieren Sie die Verteilung der Standardfehler/Konfidenzintervalle der Betas und analysieren Sie, ob und wie die Dispersion zwischen unterschiedlichen Beta-Schätzern mit zukünftigen Aktienrenditen zusammenhängt.
• Stellen Sie die praktischen Implikationen für Bewertungsentscheider heraus: Welche Bandbreiten für WACC und Unternehmenswerte sollten kommuniziert werden, und welche Betamethode ist je nach Datenlage empfehlenswert?

Basisliteratur:

• Hollstein, F., Prokopczuk, M., & Simen, C. W. (2020). Beta uncertainty. Journal of Banking & Finance, 116, 105834.
• Armstrong, C. S., Banerjee, S., & Corona, C. (2013). Factor-loading uncertainty and expected returns. The Review of Financial Studies, 26(1), 158-207.
• Biggerstaff, L., Goldie, B. und Kassa, H. (2025), ‘Beta estimation precision and corporate investment efficiency’,
  Journal of Corporate Finance 91, 102728.
• Corhay, A. (1992). The intervalling effect bias in beta: A note. Journal of Banking & Finance, 16(1), 61-73.

Daten:

• LSEG Workspace oder
• CRSP/Compustat merged

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.

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.

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 und Bepreisung von Klimarisiken
4. Analyse des Zusammenhangs von Emissionen bzw. Umweltverschmutzung und Aktienrenditen.
5. Untersuchung von Wetteranomalien.
6. Analyse des Einflusses von Umweltkatastrophen auf die Aktienrenditen lokaler Unternehmen.

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.
• Lioui, A & Tarelli, A. (2022): Chasing the ESG Factor. Journal of Banking and Finance, 139.
• Ardia, D., Bluteau, K., Boudt, K., & Inghelbrecht, K. (2023): Climate change concerns and the performance of green vs. brown stocks. Management Science, 69(12), 7607-7632. 
• 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.
• Faccini, R., Matin, R. & Skiadopoulos, G. (2023): Dissecting climate risks: Are they reflected in stock prices? Journal of Banking and Finance, 155.
• Bolton, P. & Kacperczyk, M. (2021): Do Investors Care About Carbon Risk? Journal of Financial Economics, 142(2), 517-54.
• Bauer, M. D., Huber, D., Rudebusch, G. D. & Wilms, O. (2022): Where is the carbon premium? Global performance of green and brown stocks. Journal of Climate Finance, 1.
• Hsu, P., Li, K. & Tsou, C. (2023): The Pollution Premium. The Journal of Finance, 78(3), 1343-1392.
• 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.
• Bordeau-Brien, M. & Kryzanowski, L. (2017): The impact of natural disasters on the stock returns and volatilities of local firms. The Quarterly Review of Economics and Finance, 63, 259-270.

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.

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. Machine-Learning basierte Schätzung des CAPM Betas
4. Optionsbepreisung und Schätzung des Volatility-Surfaces mit neuronalen Netzen

Basisliteratur

• 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.
• Drobetz, W., Hollstein, F., Otto, T., & Prokopczuk, M. (2025). Estimating stock market betas via machine learning. Journal of Financial and Quantitative Analysis, 60(3), 1074-1110.
• Hastie, T., Tibshirani, R. und Friedman, J. (2017): The Elements of Statistical Learning 2nd Edition. Springer Verlag.
• 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.
• Bali, T. G., Beckmeyer, H., Moerke, M., & Weigert, F. (2023): Option return predictability with machine learning and big data. The Review of Financial Studies, 36(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.

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.

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 Finance, 57(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.

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.