Hamburg Financial Research Center

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

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

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!

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!

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!