Wissenschaftliche Arbeit zur Erklärung von Renditeanomalien ausgezeichnet

In zweijährigem Turnus zeichnet unser Institut exzellente Forschungsarbeiten aus dem Gebiet der Kapitalmarktforschung aus.

Die Preisträger

Forschungspreis 2020

IQAM Research, das Private Institut für quantitative Kapitalmarktforschung der DekaBank, hat im Rahmen der Wissenschaftsförderung zum dritten Mal einen Forschungspreis für innovative Forschung aus dem Bereich der Kapitalmärkte verliehen.

1. Preis

Mit dem ersten Preis wurde die wissenschaftliche Arbeit „The effect of innovation similarity on asset prices and M&A deals: Evidence from patents’ Big Data“ von Ron Bekkerman, Eliezer M. Fich und Natalya Khimicha von der Drexel University, Philadelphia ausgezeichnet. Die Wissenschaftler nutzen maschinelle Textanalyse um Similaritäten zwischen Unternehmen zu erkennen. Diese werden einerseits verwendet um Abhängigkeiten der Renditen zu erklären, andererseits um Wahrscheinlichkeiten von Unternehmenszusammenschlüssen und Übernahmen zu schätzen.

2. Preis

Den zweiten Preis erzielte die Arbeit „Estimating The Anomaly Base Rate“ von Alex Chinco, Andreas Neuhierl und Michael Weber von den Universitäten Chicago und Illinois. Die Autoren begutachten kritisch die Vielzahl an Faktoren, die im Asset Priicing vorgeschlagen wurden und diskutieren ob Forscher bei ihren Asset Pricing Studien die richtigen Signifikanztests verwenden. Es wird ein Verfahren zur Schätzung der „Anomaly Base Rate“ entwickelt um mögliche Trugschlüsse bei der Interpretation der Ergebnisse zu vermeiden.

3. Preis

Den dritten Preis erhielten Doron Avramov, Si Cheng, and Lior Metzker von der IDC Herzliya in Israel für Ihre Arbeit „Machine Learning versus Economic Restrictions: Evidence from Stock Return Predictability.“ Die Autoren analysieren Aktienselektion mit Neuralen Netzen (NN) und Generative Adversarial Networks (GAN) mit realistischen Investment Restriktionen (Transaktionskosten, Ausschluss von „distressed firms“ und „Microcaps“) . Sie finden, dass realistische Investment Restriktionen die Profitabilität von Machine Learning Strategien stark reduzieren.