Hamburg Financial Research Center

Unsere Talents hatten heute die Gelegenheit, ihre Excel-Kenntnisse in einem exklusiven Workshop mit unserem Corporate Partner Forvis Mazars in Germany zu vertiefen. Im Anschluss bot sich in entspannter Runde bei Pizza und Bier Raum für Networking und anregende Gespräche. Dazu konnten die Talents ihre Fähigkeiten am Kickertisch unter Beweis stellen.

Vielen Dank an Tabea Thönnessen, Torben Hofmayer, Janick Niederberger, Dorian Sievert und Bastian Zeller für einen gelungenen Abend voller fachlicher Weiterbildung und lockerem Austausch! Wir kommen gerne wieder 🙂

Hoch über den Dächern Hamburgs hatten unsere Talents kürzlich die Gelegenheit, einen exklusiven Einblick in die Arbeit und das Geschäftsmodell von ENOVA Power zu erhalten – einem führenden Entwickler, Investor und Betriebsführer von Windparks. Die Veranstaltung fand in der Rooftop-Bar des Cloud One Hotels statt, die ENOVA Power exklusiv für unsere Talents angemietet hatte.

Bei Snacks, Drinks und der einen oder anderen Partie Tischtennis erklärten die Vertreter von ENOVA Power unseren Talents die Strukturierung und Finanzierung von Windparkprojekten und stellten Einstiegs- und Karrieremöglichkeiten im Unternehmen vor.

Vielen Dank an ENOVA Power für dieses tolle Event!

Zum Start des neuen Semesters luden wir unsere HFRC Finance Talents erneut zu unserem beliebten Stammtisch ein — eine wertvolle Gelegenheit, in entspannter Atmosphäre neue Kontakte zu knüpfen. Dieses Mal fand der Stammtisch gemeinsam mit unserem Corporate Partner zeb Consulting, einer in Hamburg ansässigen Strategie- und Managementberatung, statt.

Im Rahmen unseres halbjährlichen Stammtisches bringen wir unsere Talents mit Wissenschaftlern des HFRC und Industry Experts zusammen.

Der Stammtisch ist zugleich der Auftakt zu unserem umfangreichen Workshop-Programm, das wir auch in diesem Semester wieder für unsere Talents organisiert haben.

Diese Woche konnten unsere Talents beim Fintech Day 2024 in der Hafencity exklusive Einblicke in die pulsierende Hamburger Fintech-Szene gewinnen.

Ein besonderes Highlight war die Q&A-Runde mit Fintech-Gründer Jes Hennig, der interessante Erfahrungen mit unseren Talents teilte.

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

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