Institutional Money, Ausgabe 4 | 2025

geht Faber auf sein 2006 vorgestelltes Modell zur taktischen Asset Allocation ein. Dabei erzielt der Ansatz aktienähnli- che Renditen bei zugleich anleihenähnlich niedriger Vola- tilität – ein Ergebnis, das denWert quantitativer Strategien gut erkennen lässt. Direkt dahinter auf demdritten Platz rangiert „Theory of the Firm: Managerial Behavior, Agency Costs and Owner- ship Structure“, das federführend vom imVorjahr verstorbe- nenMichael C. Jensen verfasst wurde. Die Studie verknüpft Elemente der Agency-, Eigentums- und Finanztheorie und entwickelt daraus ein konsistentesModell zur Erklärung der Eigentumsstruktur vonUnternehmen. ImMittelpunkt der Arbeit steht die Frage, wie durch die Trennung von Eigen- tum und Kontrolle Agency-Kosten entstehen und welche Bedeutung interne Kontrollmechanismen dabei haben. Gefragtes Makro-Thema Auf demvierten Platz folgt „Monetary Tightening andU.S. Bank Fragility in 2023: Mark-to-Market Losses and Unin- sured Depositor Runs“ von Erica Xuewei Jiang et al. Das Autorenteamkonnte die Platzierung also – ebenso wie alle Paper aus den Top Five – verteidigen. Eine weitere bemer- kenswerte Arbeit sind die „151 Trading Strategies“ vonZura Kakuschadze, die im Jahresverlauf umganze vier Plätze auf- gestiegen ist. Die Arbeit befand sich vor einiger Zeit bereits LQ GLHVHP5DQNLQJEHUHLFK ijRJ GDQQ DXV GHQ 7RS 7HQ KHU- aus, um sich im laufenden Jahr wieder zurückzukämpfen. VolatileMärkte, Schwarze Schwäne und grobeMakro-Risi- NHQ HUKĆKHQ GLH 1DFKIUDJH QDFK HȬHNWLYHQ DNWLYHQ 7UD- ding-Grundsätzen. Fulminanter Neueinstieg für KI-Paper „Financial Machine Learning“ von Bryan T. Kelly et al. konnte sich im Jahr 2025 deutlich nach vorn schieben und ist in die Top Ten des Rankings aufgestiegen – auf Platz sechs. In den vergangenen zwölf Monaten verzeichnete das Paper über 33.000 Downloads (siehe Tabelle „Die Top-The- men des Jahres 2025“) . Die Arbeit bietet einen umfassenden Überblick über ein rasant wachsendes Forschungsfeld – den Einsatz von Machine Learning in der Analyse der Finanz- märkte. Die Autoren fassen die wichtigsten Entwicklungen dieser Literatur zusammen und zeigen, welche Methoden sich bisher als besonders wirkungsvoll erwiesen haben. Im Mittelpunkt steht die Frage, wie maschinelles Lernen dazu beitragen kann, Marktprozesse besser zu verstehen und ihre Dynamik präziser vorherzusagen. Laut den Autoren ist Machine Learning längst zu einem festen Bestandteil der modernen Finanzforschung gewor- den. Besonders intensiv wird KI den Studienergebnissen zufolge in Bereichen wie Renditeprognosen, Risikomodel- len, stochastischen Diskontfaktoren und in der Portfolio- auswahl eingesetzt. Bemerkenswert ist auch, dass der Ein- satz vonMachine Learning zunehmend über die klassische Asset-Pricing-Forschung hinausgeht und heute ebenso in GHU 8QWHUQHKPHQVljQDQ]LHUXQJ LP(QWUHSUHQHXUVKLS XQG DXI GHQ ,PPRELOLHQPÌUNWHQ $QZHQGXQJ ljQGHW 6RPLW GXUFKDXV DXȬÌOOLJ 8QWHU GHQ IĞQI DP ĆIWHVWHQ heruntergeladenen Papers seit 1994 stehen auf Rang eins Die meistzitierten Ökonomen – historisch Topinstitutionen – historisch Die IM Science Charts zeigen: Die Finanzwissenschaft bleibt fest in amerikanischer Hand. Harvard, Chicago und MIT bilden das intellektuelle Rückgrat der globalen Finanzwissenschaft – hier entstehen Konzepte, die Forschung und Märkte gleichermaßen prägen. Dass neun der zehn meistzitierten Ökonomen an US-Instituten wirken, unterstreicht einmal mehr die Dominanz der amerikanischen Wissenschaftskultur in diesem Feld. *verstorben Quelle: SSRN Rang Autor(en) Wirkungsstätte Anzahl der Zitierungen 1 Andrei Shleifer Harvard 26.271 2 Michael C. Jensen* Harvard 20.099 3 Daron Acemo˘glu MIT 19.179 4 John Y. Campbell Harvard 15.841 5 Robert W. Vishny Chicago 13.505 6 James J. Heckman Chicago 13.308 7 Luigi Zingales Chicago 12.583 8 Rafael La Porta Dartmouth 12.054 9 Florencio López de Silanes SKEMA 12.035 10 Ross Levine Stanford 11.671 Rang Institution Anzahl der Zitierungen 1 University of Chicago – Booth School of Business 146.145 2 NYU – Leonard N. Stern School of Business 94.463 3 Harvard University – Business School (HBS) 93.537 4 University of Pennsylvania – The Wharton School 86.060 5 Columbia University – Columbia Business School 79.230 6 MIT – Sloan School of Management 74.876 7 Stanford Graduate School of Business 59.983 8 Northwestern University – Kellogg School of Management 54.679 9 University of California, Berkeley – Haas School of Business 47.889 10 Yale School of Management 47.192 » Wir empfehlen, alle plausibel relevanten Prädiktoren einzubeziehen und komplexe, nichtlineare Modelle anstelle einfacher linearer Spezifikationen zu verwenden. « Bryan T. Kelly, Co-Autor von „Financial Machine Learning” 88 N o . 4/2025 | institutional-money.com THEORIE & PRAXIS | IM Science Charts FOTO: © YALE SOM