2. Kohorte

Der Schwerpunkt Grundlagen digitaler Innovationen in der Finanzwirtschaft adressiert die digitale Transformation der Finanzbranche. Technologien wie Blockchain, Anwendungen Künstlicher Intelligenz sowie die weitverbreitete Nutzung alternativer Finanzierungsformen gehen mit neuen Finanzdienstleistungen, Geschäftsmodellen, Organisationspraktiken und einem neuem Konsumentenverhalten einher. Traditionelle und neue Marktteilnehmer stehen vor der Herausforderung: Welche Finanzdienstleistungen sollen zukünftig entwickelt werden? Welche Dienstleistungen sollen vom Markt zugekauft werden und welche im Unternehmen selbst angeboten werden? Welche Dienstleistungen bietet die Organisation im B2B und B2C Geschäft an? Diesen Fragen widmet sich der Schwerpunkt und setzt sie in konkreten Forschungsprojekten um. Der konzeptionelle Rahmen ist das Konzept der digitalen Innovation, das besagt, dass digitale Technologien Organisationen durch und durch verändern (Barrett et al. 2015; Nambisan et al. 2017; Yoo et al. 2010), weswegen auch neue theoretische Frameworks nötig sind, um die Auswirkungen der Digitalisierung von Finanzdienstleistungen auf Organisations- und Kundenseite zu verstehen (Wessel et al. 2020; Yoo 2013). Solche Frameworks sind bisher aber kaum entwickelt worden, weswegen der Schwerpunkt den Kontext digitaler Finanzinnovationen nutzen wird, um mittels qualitativer und quantitativer Methoden theoretische Frameworks zu entwickeln und zu testen.

2021

Finance Seminar (Skema Business School Paris) • Sustainable Finance Research Seminar (University of Zurich) • FinTech and cryptofinance Webinar (Sorbonne Université) • Ringvorlesung Universelle Eigenschaften des Entscheidens (Univesität Bremen) • ITM (Information Technology Management) Distinguished Speaker Series (Scheller College of Business - Georgia Tech) • Data Science Forum (Univesität Bremen) • Field Day in Field Experients (Univesität Bremen) • Volkswirtschaftliches Forschungskolloquium (Universität Regensburg) • Finance Research Seminar (TU München) • IFABS Conference (Oxford University) • European Alternative Finance Research Conference (Utrecht University)

2020

Herbsttagung Frankfurter Institut für Risikomanagement und Regulierung (FIRM) (House of Finance, Goethe Universität) • Danish Finance Institute Seminar (University of Southern Denmark) • Digitalisierung der Finanzdienstleistung (Verbraucherzentrale Bundesverband) • AI in Finance: Privacy and Data Protection Sectoral Dialogue (Singapore Management Univesity) • Determinants of Non-cash Transactions Conference (Hochschule Bremen)

• Cumming, Douglas, Lars Hornuf, Moein Karami und Denis Schweizer (2021): Disentangling Crowdfunding from Fraudfunding, Journal of Business Ethics, im Erscheinen. SSRN.
• Cumming, Douglas und Lars Hornuf (2021): Marketplace Lending of SMEs, Strategic Entrepreneurship Journal, im Erscheinen.  SSRN.
• Hornuf, Lars, Eliza Stenzhorn und Tim Vintis (2021): Are Sustainability-Oriented Investors Different? Evidence from Equity Crowdfunding, im Erscheinen. Journal of Technology Transfer. SSRN.
• Hornuf, Lars, Tobias Schilling und Armin Schwienbacher (2021): The Relevance of Investor Rights in Crowdinvesting, Journal of Corporate Finance, im Erscheinen. Download..
• Göthner, Maximilian, Lars Hornuf und Tobias Regner (2021): Protecting Investors in Equity Crowdfunding: An Empirical Analysis of the Small Investor Protection Act, Technological Forecasting and Social Change, im Erscheinen. Download.
• Brandl, Barbara und Lars Hornuf (2020): Where Did FinTechs Come from, and Where Do They Go? The Transformation of the Financial Industry in Germany after Digitalization, Frontiers in Artificial Intelligence (Artificial Intelligence in Finance). Download. 

Smarte, resilente und technologisch-fortgeschrittene Logistiksysteme sind die treibenden Faktoren für den zukünftigen Erfolg von Unternehmen. Der unternehmerische Entscheidungsprozess kann dabei bereits heute auf Big Data, Künstliche Intelligenz und Machine-Learning zurückgreifen. Das Projekt befasst sich mit der Gestaltung, Verwendung und Implementierung von Entscheidungsunterstützungssystemen für das globale Supply Chain und Operationsmanagement, wobei auf unstrukturierten Big-Data-Prozessen zurückgegriffen wird.  Fragestellungen betreffen u.a. wie kann ein Entscheidungsprozess im Kontext globaler Lieferketten automatisiert und bedienerfreundlich gestaltet werden? Welche Kontextfaktoren spielen eine Rolle und beeinflussen die Entwicklung von Big-Data und KI-Fähigkeiten im Bereich des globalen Supply Chain Management?

„Selbstquantifizierung” oder “Selbstvermessung” (auch unter Schlagworten wie „personal analytics“, „quantified self“ oder „self tracking“ bekannt) ist mittlerweile seit einigen Jahren ein ungebrochener Trend. Die Begrifflichkeiten umschreiben die Aktivität, bei der sich Menschen freiwillig und autonom selbst überwachen und bestimmte Ereignisse ihres Lebens mit Hilfe digitaler Technologien aufzeichnen. Dabei werden Daten generiert und analysiert, um z.B. Statistiken o.ä. für den Nutzer zu erstellen.

Die Forschung hat sich bereits mit verschiedenen Aspekten rund um das Thema Selbstvermessung beschäftigt, z. B. mit der Frage, welche Faktoren dazu führen, dass Nutzer „wearables“ akzeptieren und nutzen. Dabei wird davon ausgegangen, dass hauptsächlich positive Effekte auf das Nutzerverhalten entstehen, z. B. mehr Bewegung, um bestimmte Ziele zu erreichen, oder die Identifikation von schlechten Angewohnheiten und ungesunden Ernährungsweisen. Nichtsdestotrotz gehen diese positiven Effekte mit vielerlei Bedenken und potenziell negativen Effekten einher: Datenschützer warnen vor permanenter Überwachung und vor der Preisgabe sensibler Daten, die durch das Teilen über soziale Netzwerke auch dritten Parteien wie Krankenkassen und Unternehmen wie Pharmaherstellern zugänglich gemacht werden. Es können aber auch negative Effekte direkt auf Nutzerseite entstehen: Das ständige Nachverfolgen von Aktivitäten oder dem eigenen Essverhalten z. B. kann zur Obsession werden.

Mit dem Projekt soll u.a. untersucht werden, was die zugrundeliegenden Motivationen für die Nutzung von „consumer-technology interfaces“ sind und welche kurz- und langfristigen Effekte des Nutzens von „consumer-technology interfaces“ sich identifizieren lassen. Darüber hinaus sollen Datenschutzbedenken von Nutzern von „consumer-technology interfaces“ beleuchtet werden.

Der Schwerpunkt untersucht die Eignung von Verfahren des maschinellen Lernens an der Schnittstelle von Rechnungswesen und Finanzwirtschaft. Im Fokus stehen hierbei die Schnittstellen „Macro-Accounting“ und „Accounting for the Anomaly Zoo“. „Macro-Accounting“ beschäftigt sich mit dem Erklärungsgehalt von Größen der Rechnungslegung (insb. Unternehmensperformance) für makroökonomische Größen wie das Wachstum des Bruttoinlandsprodukts oder die Rendite von Aktienmärkten. „Accounting for the Anomaly Zoo“ beschäftigt sich mit dem Erklärungsgehalt von Größen des Rechnungswesens und der Finanzwirtschaft für die zukünftige Rendite und das zukünftige Risiko von Assets. „Anomaly Zoo“ beschreibt hier den Umstand, dass in der Literatur eine kaum noch zu überblickende Vielzahl an wertrelevanten Größen des Rechnungswesens und der Finanzwirtschaft identifiziert wurde. Bislang kommen hierbei nur vereinzelt Verfahren des maschinellen Lernens zum Einsatz. Diese Forschungslücke ist vor dem Hintergrund der großen Anzahl an Features und der zu unterstellenden Nichtlinearitäten überraschend und soll in diesem Schwerpunkt geschlossen werden. Den Ausgangspunkt der Arbeiten im Schwerpunkt bilden die Beiträge von Kalay et al. (2018) („Macro-Accounting“) und Gu et al. (2020) („Accounting for the Anomaly Zoo“).

Gu, S., Kelly, B., & Xiu, D. (2020). Empirical asset pricing via machine learning. Forthcoming in the Review of Financial Studies.

Kalay, A., Nallareddy, S., & Sadka, G. (2018). Uncertainty and sectoral shifts: The interaction between firm-level and aggregate-level shocks, and macroeconomic activity. Management Science, 64(1), 198-214.

• Fieberg, Christian, Kerstin Lopatta , Thomas Tammen und Sebastian A. Tideman (forthcoming): Political affinity and investors’ response to the acquisition premium in cross-border M&A transactions – A moderation analysis. Strategic Management Journal. Download.
• Pakhchanyan, Suren, Christian Fieberg ,  Daniel Metkound Thomas Kaspereit (forthcoming): Machine learning for categorization of operational risk events using textual description. Journal of Operational Risk.
• Bassen, Alexander, Christian Fieberg, Othar Kordsachia , Kerstin Lopatta  und Bastian Nendza (2021):Sustainable Development Investing: Creating a scalable SDI-aligned index. Financing for Sustainable Development Office (FSDO) of the United Nations, in its capacity as Secretariat of the Global Investors for Sustainable Development (GISD) Alliance. Download.
• Tubbenhauer, Tobias,Christian Fieberg  und Thorsten Poddig (2021): Multi-Agent-Based VaR Forecasting. Journal of Economic Dynamics and Control, Vol. 131, 2021. Download.