Hamburg Financial Research Center

Finanzökonomisches Kompetenzzentrum und wissenschaftlicher Partner der Wirtschaft in der Metropolregion Hamburg.

News

Wir informieren fortlaufend zu den Aktivitäten und Neuerungen am HFRC über den Newsfeed unserer Institutsseite auf LinkedIn. Eine Übersicht der letzten Updates bieten wir zudem hier in der Rubrik News auf unserer Internetseite.

Neue Publikation im "Financial Analysts Journal" // HFRC Research

Das HFRC Working Paper “Predicting Corporate Bond Illiquidity via Machine Learning” wurde zur Veröffentlichung im Financial Analysts Journal angenommen. Die Studie, verfasst von Axel Cabrol (TOBAM), Wolfgang Drobetz (Universität Hamburg), Tizian Otto (Universität Hamburg) und Tatjana Xenia Puhan (Swiss Re Management Ltd und Universität Mannheim) untersucht den Nutzen maschineller Lernverfahren für die Schätzung der Illiquidität von US-Unternehmensanleihen. Maschinelle Lernverfahren übertreffen einen auf historischer Illiquidität basierenden Ansatz, der in der Praxis die am meisten verwendete Benchmark darstellt, sowohl aus statistischer als auch aus ökonomischer Sicht. Verfahren mit Regressionsbäumen schneiden dabei besonders gut ab. Auch wenn die historische Illiquidität die wichtigste Vorhersagevariable ist, besitzen zahlreiche fundamentale und rendite- sowie risikobasierte Kennzahlen ebenfalls eine bedeutende Vorhersagekraft für die zukünftige Anleihenilliquidität. Nichtlineare Effekte und Wechselwirkungen zwischen den Vorhersagevariablen sind für die Prognosequalität entscheidend. Für Praktiker hängt die Wahl des geeigneten maschinellen Lernmodells von der jeweiligen Anwendung ab.

Das Paper kann über folgenden Link heruntergeladen werden: https://lnkd.in/exvF8HtN

***

The HFRC Working Paper “Predicting Corporate Bond Illiquidity via Machine Learning” has been accepted for publication in the Financial Analysts Journal. The study, authored by Axel Cabrol (TOBAM), Wolfgang Drobetz (University of Hamburg), Tizian Otto (University of Hamburg), and Tatjana Xenia Puhan (Swiss Re Management Ltd und University of Mannheim) tests the predictive performance of machine learning methods in estimating the illiquidity of US corporate bonds. Machine learning techniques outperform the historical illiquidity-based approach, the most commonly applied benchmark in practice, from both a statistical and an economic perspective. Gradient-boosted regression trees perform particularly well. Historical illiquidity is the most important single predictor variable, but several fundamental and return- as well as risk-based covariates also possess predictive power. Capturing nonlinear effects and interactions among these predictors further enhances forecasting performance. For practitioners, the choice of the appropriate machine learning model depends on the specific application.

The paper can be downloaded via the following link: https://lnkd.in/exvF8HtN

Auf LinkedIn weiterlesen

Neue Publikation im "Journal of Financial and Quantitative Analysis" // HFRC Research

Das HFRC Working Paper "Estimating Stock Market Betas via Machine Learning” wurde zur Veröffentlichung im Journal of Financial and Quantitative Analysis angenommen. Die Studie, verfasst von Wolfgang Drobetz (Universität Hamburg), Fabian Hollstein (Universität des Saarlandes), Tizian Otto (Universität Hamburg) und Marcel Prokopczuk (Leibniz Universität Hannover) zeigt, dass Beta-Faktor-Schätzer, die auf maschinellen Lernverfahren basieren, sowohl statistisch als auch ökonomisch besser abschneiden als traditionelle Betaschätzer. Maschinelle Lernverfahren generieren Aktienmarktbetas mit den geringsten Prognose- und Absicherungsfehlern. Sie helfen außerdem, bessere marktneutrale Anomaliestrategien sowie Portfolios mit minimaler Varianz zu erzeugen. Historische Aktienmarktbetas, Umsatz und Größe eines Unternehmens sind die wichtigsten Prognosevariablen.

Das Paper kann über folgenden Link heruntergeladen werden: https://lnkd.in/evC8cDpr

***

The HFRC Working Paper “Estimating Stock Market Betas via Machine Learning” has been accepted for publication in the Journal of Financial and Quantitative Analysis. The study, authored by Wolfgang Drobetz (University of Hamburg), Fabian Hollstein (Saarland University), Tizian Otto (University of Hamburg), and Marcel Prokopczuk (Leibniz University Hannover) shows that machine learning-based stock market beta estimators outperform established benchmark models both statistically and economically. Machine learning-based estimators produce the lowest forecast and hedging errors, and they also help create better market-neutral anomaly strategies and minimum variance portfolios. Historical stock market betas, turnover, and size are the most important predictors.

The paper can be downloaded via the following link: https://lnkd.in/evC8cDpr

Auf LinkedIn weiterlesen

Neue Publikation im Journal "Entrepreneurship Theory and Practice" // HFRC Research

Das HFRC Working Paper „Token-Based Crowdfunding: Investor Choice and the Optimal Timing of Initial Coin Offerings” wurde zur Veröffentlichung im renommierten Journal „Entrepreneurship Theory and Practice” angenommen. Die Studie, verfasst von Wolfgang Drobetz (Universität Hamburg), Niclas Schermann (Universität Hamburg), Lars Hornuf (Technische Universität Dresden) und Paul P. Momtaz (Technische Universität München), untersucht die operative und finanzielle Performance von Start-up-Unternehmen, die Initial Coin Offerings (ICOs) mit verschiedenen Arten von Investoren und zu unterschiedlichen Zeitpunkten im Unternehmenslebenszyklus durchführen.
Darüber hinaus analysiert die Studie den optimalen Zeitpunkt im Wachstum eines Start-ups, um am externen Kapitalmarkt eine Finanzierung mittels der Emission von Blockchain-Tokens aufzunehmen.

Das Paper kann über folgenden Link heruntergeladen werden: https://lnkd.in/enGP4utW

Auf LinkedIn weiterlesen

Abschluss des Sommersemesters // Finance Talents

Am Donnerstag haben unsere HFRC Finance Talents zusammen mit unserem Corporate Partner, der Hamburger Sparkasse, auf den Abschluss des Sommersemesters angestoßen. Das Wetter war zwar leider alles andere als sommerlich (es hat in Strömen geregnet), aber das hat der Stimmung keinen Abbruch getan!
Nach einer kurzen Vorstellung der Haspa und einer Führung durch die neue Zentrale im Deutschlandhaus, konnten unsere Talents sich bei Drinks und Snacks mit Kamilla Zak und Tilman Pflugbeil über Einstiegsmöglichkeiten, Karrierechancen und Abschlussarbeiten in Kooperation mit der Haspa austauschen.

Vielen Dank an die Haspa für den gelungenen Abend!

Auf LinkedIn weiterlesen

Financial Modeling Workshop // Finance Talents

Diese Woche durften unsere Talents in die Welt des Financial Modelings eintauchen.
Unter Anleitung unseres Corporate Partners Adiuva Capital lösten sie eine Case Study zur Bewertung einer Leveraged-Buyout-Transaktion. Vielen Dank an Adiuva Capital für die interessanten Einblicke in den Arbeitsalltag einer Beteiligungsgesellschaft!

Auf LinkedIn weiterlesen

Portfolio Bidding Workshop // Finance Talents

Vergangene Woche haben unsere HFRC Finance Talents an einem spannenden Portfolio Bidding Workshop bei unserem Corporate Partner EOS Group teilgenommen. Das Gewinnerteam wurde in ein exklusives Mentoringprogramm von EOS aufgenommen.
Vielen Dank an EOS für die interessanten Einblicke in die Welt der Portfolioankäufe und den rundum gelungenen Abend!

Auf LinkedIn weiterlesen

Publikationen

Wir veröffentlichen unsere Forschungsergebnisse regelmäßig in angesehenen internationalen Fachzeitschriften. Eine Übersicht aller Veröffentlichungen sowie der aktuellen Arbeits- und Diskussionpapiere bietet die Rubrik Publikationen.

Token-based crowdfunding: Investor choice and the optimal timing of initial coin offerings (ICOs)

Wolfgang Drobetz, Lars Hornuf, Paul P. Momtaz, Niclas Schermann
Entrepreneurship Theory and Practice | 06/2024
This paper examines the operating and financial performance of venture firms conducting initial coin offerings (ICOs) with different types of investors and at different points along a venture’s life-cycle. Relative to purely crowdfunded ICO ventures, institutional investor-backed ICO ventures exhibit weaker operating performance and fail earlier. However, conditional on survival, these ventures financially outperform their peers that do not receive institutional investor support. The diverging effects of investor backing on financial and operating performance are consistent with our theory of "certification exploitation" through a new form of pump-and-dump scheme. Institutional investors exploit their reputation to drive up ICO valuations and quickly exit the venture post-ICO, with the difference in pre- versus post-certification token prices being their exploitation profit in liquid markets for startups. Our findings further indicate that there is an inverted U-shaped relationship between the financial success of an ICO and the timing along a venture’s life-cycle, with the product piloting phase representing the pivotal point.

Estimating stock market betas via machine learning

Wolfgang Drobetz, Fabian Hollstein, Tizian Otto, Marcel Prokopczuk
Journal of Financial and Quantitative Analysis | 05/2024 | Forthcoming
Machine learning-based market beta estimators outperform established benchmark models both statistically and economically. Analyzing the predictability of time-varying market betas of U.S. stocks, we document that machine learning-based estimators produce the lowest forecast and hedging errors. They also help create better market-neutral anomaly strategies and minimum variance portfolios. Among the various techniques, random foests perform best overall. Model complexity is highly time-varying. Historical stock market betas, turnover, and size are the most important predictors. Compared to linear regressions, allowing for nonlinearity and interactions significantly improves predictive performance.

Predicting corporate bond illiquidity via machine learning

Axel Cabrol, Wolfgang Drobetz, Tizian Otto, Tatjana Xenia Puhan
Financial Analysts Journal | 05/2024 | Forthcoming
This paper tests the predictive performance of machine learning methods in estimating the illiquidity of U.S. corporate bonds. Machine learning techniques outperform the historical illiquidity-based approach, the most commonly applied benchmark in practice, from both a statistical and an economic perspective. Tree-based models and neural networks outperform linear regressions, which incorporate the same set of covariates. Gradient boosted regression trees perform particularly well. Historical illiquidity is the most important single predictor variable, but several fundametal and return- as well as risk-based covariates also possess predictive power. Capturing interactions and nonlinear effects among these predictors further enhances predictive performance.

The sustainability committee and environmental disclosure: International evidence

Hamdi Driss, Wolfgang Drobetz, Sadok El Ghoul, Omrane Guedhami
Journal of Economic Behavior & Organization | 05/2024 | Forthcoming
This paper contributes to the growing debate about the role of board-level sustainability committees, focusing on whether they leverage sustainability expertise for impactful environmental initiatives or purely serve as symbolic actions aimed at greenwashing. Using a large set of firms from 35 countries over the 2010–2017 period, we find that the presence of a sustainability committee is positively associated with higher-quality GHG emissions disclosure. This finding is robust to endogeneity and sample selection bias concerns. The sustainability committee effect is more pronounced when external environmental institutions are too weak to properly monitor corporate environmental disclosure. Our findings suggest that sustainability committees are not a symbolic management tool, but play a crucial role in enhancing corporate environmental disclosure.