Institutional Money, Ausgabe 2 | 2026

THEORIE & PRAXIS Studien, die die Welt nicht braucht 124 2/2026 | institutional-money.com gibt es keine plausible kausale Erklärung, sodass es sich wahrscheinlich um klassi- sches Data-Mining handelt. Trotzdem hat das Paper allein auf der Plattform SSRN mehr als 7.000 Downloads, wäh- rend andere, erkenntnisreichere Studien mitunter deutlich hinter solchen Aufruf- zahlen zurückbleiben. Ähnlich esoterisch und umstritten sind Untersuchungen zu chinesischen Tierkreiszeichen. Diese wie- derholen sich alle zwölf Jahre und sollen angeblich mit Aktienrenditen zusam- menhängen, wenn man nur lange genug danach sucht („Funds and Zodiac Years: Superstitious or Sophisticated Investors?“). Ein anderes Beispiel ist die Studie „CEO Facial Attractiveness and Stock Price Reactions to Earnings Announcements“. Hier haben die Forscher anhand von Analystenkonferenzen festgestellt, dass attraktivere Chefs stärkere Kursreaktionen auf Gewinnüberraschungen hervorrufen und genauere Updates von Analystenpro- gnosen ermöglichen. Die Erklärung: Äußere Attraktivität zieht Aufmerk- samkeit auf sich, was die Verarbeitung fundamentaler Informationen fördern könnte. Doch in der Realität ist und bleibt Attraktivität subjektiv. Zudem gibt es unzählige Variablen, anhand derer man Attraktivität bewerten kann. Das erhöht den Spielraum, die Variablen so hinzu- ELHJHQ GDVV HWZDV 6LJQLljNDQWHV GDEHL herauskommt (siehe „Geplatzte Rendite- träume“, Institutional Money 3/2022). Bullshit Es gibt noch eine Reihe weiterer Bei- spiele. Eines haben die meisten dieser „Bullshit-Studien“ aber gemeinsam: Sie basieren auf Data-Mining in mehr oder weniger obskuren Bereichen, um auf dem 3DSLHU VWDWLVWLVFK VLJQLljNDQWH =XVDPPHQ - KÌQJH ]X ljQGHQ GLH IĞU GLH 3UD[LV NHLQH Relevanz haben. Schließlich bedeutet eine bestehende Korrelation nicht automatisch auch Kausalität. Außerdem sind institu- tionelle Anleger als Treuhänder in der 3ijLFKW XQG PĞVVHQ VLFK YRU LKUHP$QODJH ausschuss rechtfertigen. Dabei können sie sich wohl kaum auf Mondphasen oder die Schönheit des CEO berufen, um Entschei- dungen zu begründen. Man kann also sagen, dass die akademische Finanzmarkt- forschung an einigen Stellen den Kontakt ]XU 3UD[LV YHUORUHQ KDW Eine Ursache dafür, dass heutzutage mehr unnütze Studien auftauchen als früher, ist die schwache Qualitätskontrolle auf Plattformen wie SSRN, die keinem Peer- Review-Prozess unterliegen. So ziemlich jeder kann dort sein Paper hochladen. Das hat zwar auch Vorteile. So können sich Ideen junger Forscher schneller verbreiten, die sonst nur verzögert Zugang zu einer traditionellen, langwierigen Publikation in einem Journal haben. Zugleich ist es heute aber noch wichtiger, alles kritisch zu hinterfragen und die Reputation der Auto- ren mit zu berücksichtigen. Denn auch die Downloadzahlen sind nicht unbe- dingt objektiv, sondern können künstlich in die Höhe getrieben sein. Ein zusätzli- ches Problem könnten durch KI erzeugte Studien werden. Bislang lassen sich diese UHFKW ]XYHUOÌVVLJ HUNHQQHQ *UDljN Ľ., erkennt KI“). Doch das könnte sich künf- tig ändern. Dabei ist es schon heute nicht immer so leicht wie bei Mondphasen und Tierkreis- zeichen, relevante von nicht relevanten Erkenntnissen zu unterscheiden. So wird zum Beispiel die Studie „Music Senti- ment and Stock Returns Around the :RUOGĺ YRQ $OH[ (GPDQV $GULDQ )HUQ - DQGH] 3HUH] $OH[DQGUH *DUHO XQG ,YDQ Indriawan im Journal of Financial Eco- nomics erscheinen. Handwerklich ist das Paper gut gemacht. Die Forscher brin- gen das Ausmaß an positiver Stimmung in Songs, die Menschen eines Landes auf Spotify hören, darin mit den Aktienrendi- WHQ LQ GHUVHOEHQ XQG GHU GDUDXȬROJHQGHQ :RFKH XQG VRJDU PLW 0LWWHO]XijĞVVHQ in Verbindung. Die Idee des Sentiment- Maßes ist sicherlich charmant. Doch institutionelle Investoren dürften ihre Aktienquoten deswegen kaum nach Strea- ming-Zahlen steuern. 8P GDV 7KHPD 3UD[LVUHOHYDQ] ZHLWHU NUL - tisch zu begleiten, werden wir in den kommendenAusgaben in der Rubrik „Bull- shit-Studien“ aktuelle Beispiele vorstellen, die in dieses Muster passen. MARKO GRÄNITZ KI erkennt KI Klare Unterscheidung von KI-generierten und reviewten Studien Die Grafik zeigt, welche Gesamtbewertung an wissenschaftlicher Qualität ein eigens erstellter KI- Gutachter 380 KI-generierten und 187 Peer-reviewten Studien gab. Dabei erhalten viele KI-gene- rierte Studien sehr niedrige Bewertungen (im Durchschnitt 24 Punkte). Die reviewten Beiträge weisen deutlich höhere Bewertungen auf (im Durchschnitt 70 Punkte) und haben eine viel höhere Streuung. Das bedeutet, dass der KI-Gutachter differenziert urteilt, anstatt alle von Fachleuten ausgewählten Beiträge automatisch als hochwertig einzustufen. Deshalb kann KI nützlich sein, um eine Vorauswahl zu treffen. Quelle: Newton, J. C. S. / Riddiough, S. J (2026), AI Referees in Finance 0 0 20 40 60 80 100 Gesamtbewertung wissenschaftlicher Qualität Anteil in % 2 4 6 8 10 KI-generiert American Finance Association