Lade Inhalt...

Die Verarbeitung von Analystenprognosen: Determinanten der Analystenprognosefähigkeit

Hausarbeit (Hauptseminar) 2010 24 Seiten

BWL - Allgemeines

Leseprobe

Inhaltsverzeichnis

Abbildungsverzeichnis

Abkürzungsverzeichnis

1 Einleitung
1.1 Zielsetzung und Aufbau der Arbeit
1.2 Analysten als Informationsintermediäre

2 Hauptaspekte der Analysetätigkeit
2.1 Datenquellen und Analystenrankings
2.2 Messung der Genauigkeit von Gewinnprognosen
2.3 Bestimmung der Profitabilität von Handelsempfehlungen

3 Determinanten der Prognosequalität
3.1 Schwerpunktsetzung und Auslassungen
3.2 Analystenspezifische Faktoren
3.3 Brokerspezifische Faktoren
3.4 Interessenkonflikte und Prinzipal-Agent Probleme
3.5 Gruppenspezifische Faktoren
3.6 Institutionelle und regulatorische Faktoren

4 Schlussfolgerungen und Ansatzpunkte weiterer F orschung

Anhang

Literaturverzeichnis

Abbildungsverzeichnis

Abb. 1: Aufbau der Arbeit (eig. Darstellung)

Abb. 2: Beziehungsstruktur von Finanzmarktakteuren

Anhang

Anlage 1: Determinanten der Prognosequalität (eig. Darstellung) 16

Anlage 2: Tabellarische Literaturübersicht (eig. Darstellung) 17

Abkürzungsverzeichnis

Abbildung in dieser Leseprobe nicht enthalten

1 Einleitung

1.1 Zielsetzung und Aufbau der Arbeit

Das Ziel dieser Arbeit ist es, wesentliche Determinanten der Prognosefähigkeit von Aktienanalysten zu identifizieren und auf ihre Wirkung hin zu analysieren. Dabei werden hauptsächlich Gewinnprognosen sowie ergänzend Handelsempfehlungen untersucht. Zielkursprognosen werden nicht berücksichtigt.

Um einen möglichst umfassenden Überblick über das Themenfeld zu erhalten, werden 19 Studien betrachtet, die zwischen 1990 und 2009 veröffentlicht wurden. Die vergleichende Detailanalyse beschränkt sich auf sechs zentrale Untersuchungen, da ansonsten der Rahmen der Seminararbeit gesprengt würde.1 Einzelne Studien werden dazu nicht deskriptiv wiedergegeben. Stattdessen wird eine Querschnittanalyse gewählt, um Studien auf Methodik- und Datenebene (Kapitel 2) sowie auf Ergebnisebene (Kapitel 3) unter übergeordneten Analysepunkten gegenüberzustellen. Dabei werden die folgenden Forschungsfragen untersucht: (I) Welches sind die wesentlichen Einflussgrößen der Qualität von Gewinnprognosen (Genauigkeit) und Handelsempfehlungen (Profitabilität) auf individueller und aggregierter Ebene? (II) Wie lässt sich diese Qualität valide messen und vergleichen? (III) Welche weiteren Aspekte und Methoden sollten in der zukünftigen Forschung berücksichtigt werden?

Abbildung in dieser Leseprobe nicht enthalten

Abb. 1: Aufbau der Arbeit (eig. Darstellung)

1.2 Analysten als Informationsintermediäre

Aktienanalysten spielen in ihrer Funktion als Informationsintermediäre auf nationalen wie internationalen Finanzmärkten eine zentrale Rolle. Sie sind das Bindeglied zwischen einer Vielzahl von Emittenten und einer noch größeren Anzahl von privaten und institutionellen Investoren. Um profitable Investitionsentscheidungen zu treffen, sind präzise Informationen nötig, deren Beschaffung mit einem hohen Kosten- und Zeitaufwand verbunden ist und zudem spezifischer Branchen- und Methodenkenntnis sowie Unternehmenskontakten bedarf (Kap. 3.2). Analysten übernehmen diese Aufgabe teilweise für die Investoren. Da sie sich in der Regel nicht ausschließlich dem objektiven und unverzerrten Research im Sinne der Investoren widmen und meist keine vertragliche Bindung zwischen beiden existiert, entstehen Konfliktpotentiale aufgrund divergenter Interessen (Kap. 3.4).2

Aktienanalysten unterscheiden sich nicht nur durch die Qualität ihrer Prognosen, sondern auch rein institutionell. Sell-Side Analysten sind in der Regel Mitarbeiter von (Investment-) Banken oder Brokerhäusern. Sie erstellen Analysen im Auftrag des Arbeitgebers für externe Adressaten (private und institutionelle Investoren). Dabei geben sie Informationen entweder direkt an potentielle Investoren weiter (wobei häufig bestehende Kunden der Bank zeitlich bevorzugt werden) oder an einen zweiten Intermediär (z.B. Finanzjournalisten, Informationsdienste oder sekundär Researchabteilungen von Banken).3 Gutes Research als Basis guter Prognosen ist teuer. Da Analystenprognosen in der Regel kostenlos publiziert werden, erhalten Analyseabteilungen somit keine direkten Erlöse. Jedoch generieren sie indirekt Umsatz für andere Abteilungen des jeweiligen Hauses.4 Regelmäßig tragen sie zur Aktivität von Investment Banking Tätigkeiten oder Corporate Finance Beratungsaufträgen bei. Beispielsweise in der Form, dass ein (Lead-) Underwriting mit dem analysierten Unternehmen besteht und IPO bzw. SEO Vorgänge betreut werden wodurch sich Umsätze in Form von Provisionen generieren lassen.5

Der Nutzen von Analystenprognosen für Investoren wird zwar in der Literatur kritisch diskutiert (manche Autoren argumentieren sogar, dass Prognosen nicht besser als zufällig seien).6 Gleichwohl werden Analystenreports durchweg stark nachgefragt, und es zeigen sich deutliche Kapitalmarktreaktionen insbesondere auf Prognosekorrekturen. Trotz mehrerer Skandale tragen die Prognosen oder Empfehlungen angesehener Brokerhäuser und populärer einzelner Analysten stark zur Meinungs- und Erwartungsbildung auf den Märkten bei. Es stellt sich daher die Frage, ob Analysten über die (indirekte) Lenkung von Investitionsströmen die Markt- bzw. Allokationseffizienz steigern können.7 Dazu müssten sie über einen Informationsvorsprung gegenüber regulären Anlegern verfügen.8 Im Folgenden werden wir uns aufbauend auf diesen einleitenden Gedanken der Frage widmen, welche Möglichkeiten es gibt, qualitätsbestimmende Faktoren zu identifizieren und empirisch zu testen.

2 Hauptaspekte der Analysetätigkeit

2.1 Datenquellen und Analystenrankings

Viele Studien zur Prognosefähigkeiten von Aktienanalysten beziehen sich auf Analystenrankings. Das jährlich veröffentlichte AllStar Ranking des WSJ ist dabei eines der wichtigsten. Analysten werden innerhalb von 44 Industriezweigen anhand der Performance ihrer Empfehlung in eine Rangfolge gebracht.9 Die jeweils besten fünf Analysten erhalten den Titel All-Star Analyst. Der Auswahl- und Evaluationsprozess basiert dabei auf strengen objektiven Regeln.10 Die Performancemessung erfolgt auf Renditebasis und beinhaltet sowohl Kurswertänderungen als auch Dividenden. Neben diesem Ranking gibt es zahlreiche weitere wie z.B. die Auswahl der Superstars basierend auf den Ergebnissen des Barron’s Annual Roundtabel sowie auch Ranglisten innerhalb Deutschlands.11 Diese Rankings werden häufig als Unterstützung der These angeführt, dass sich Analysten in der Fähigkeit unterscheiden, Entwicklungen einzelner Aktien zu prognostizieren. Dies würde bedeuten, dass Anleger Überrenditen erzielen könnten, wenn sie sich an den Empfehlungen herausragender Analysten orientierten. Obwohl Analystenrankings eine hohe Aufmerksamkeit in der Finanzbranche (insbesondere in den USA) genießen, ist ihr Aussagegehalt kritisch zu hinterfragen. Teilweise wirken sich Rankingpositionen stark auf die Karriereentwicklung einzelner Analysten aus, was bspw. zu einer kurzfristigen Maximierung der Bekanntheit und daraus folgend der Entlohnung führen kann, langfristig aber nicht im Einklang mit Qualitätsansprüchen stehen muss.12

Die Mehrzahl aktueller Studien bezieht ihre Daten aus Datenbanken der US-Finanzagentur ThomsonReuters/Primark. Dazu zählen insbesondere I/B/E/S, Datastream und First Call. In ersterer sind Finanzdaten für mehr als 45.000 Firmen verfügbar, die teilweise bis in das Jahr 1976 zurückgehen. Besonders relevant ist die Analyst Earnings Estimate History (Detail History), wo individuelle Analystenprognosen seit 1983 erfasst werden. Nützlich ist dabei auch, dass Analysten per Code identifiziert werden, den sie behalten, auch wenn sie das Brokerhaus wechseln. Über diverse Operatoren werden die Daten für den jeweiligen Analysezweck gefiltert und (zeitlich) beschnitten.13

2.2 Messung der Genauigkeit von Gewinnprognosen

Aktienanalysten schätzen den zukünftigen Gewinn pro Aktie von Unternehmen in der Regel mit einer Vorlaufzeit von wenigen Tagen bis hin zu mehreren Monaten. Publizierte Prognosen werden zudem per Schätzungsrevision korrigiert. Je näher eine Prognose zeitlich an der Bekanntgabe von Jahrsabschlussdaten ist, desto mehr Informationen sind verfügbar und desto genauer sollte sie sein. Daher sollte stets für den zeitlichen Horizont einer Prognose (Recency) kontrolliert werden.14 Prognosen stellen eine Orientierungshilfe für Investoren dar, um Entscheidungen über die Aufnahme bzw. das Abstoßen einzelner Titel aus dem Portfolio sowie die relative Gewichtung zu treffen. Der Prognosegegenstand ist der erwartete Gewinn pro Aktie.15

Es existieren verschiedene Ansätze, wie die Genauigkeit (Accuracy) einer Prognose gemessen werden kann. Jacobs et al. (1999) weisen darauf hin, dass traditionelle Fehlermaße in Form von absoluten oder quadrierten Prognosefehlern (teilweise in Relation zum Preis gesetzt) mitunter unzulänglich im zeitlichen oder Branchenvergleich sind.16 Ursachen seien darin zu sehen, dass bspw. Prognosen in Zeiten der Rezession schwieriger sind und Informationen nicht-linear über die Quartale veröffentlicht werden.17 Dieses Problem tritt unter anderem bei Mikhail et al. (1997) auf, da sie den durchschnittlichen absoluten Prognosefehler als Differenz zwischen realisierten Gewinnen und Prognose dividiert durch den Endquartalspreis betrachten.18 Clement (1999) umgeht dieses Problem, in dem er die abhängige Variable definiert als den absoluten Prognosefehler eines Analysten abzüglich des Durchschnittsfehlers dividiert durch den durchschnittlichen Prognosefehler aller Analysten im jeweiligen Zeitraum.19 Liegt der individuelle absolute Prognosefehler unter dem Durchschnitt, so weist das negative Ergebnis eine Überperformance des jeweiligen Analysten aus. Ertimur et al. (2006) wählen einen ähnlichen Ansatz, bei dem jedoch durch die Multiplikation mit -1 eine vorzeichengleiche Interpretation von individuellem Prognosefehler als Qualitätsmaß möglich ist.20 Als unabhängige Variablen werden je nach Studie bspw. firmenspezifische Erfahrung, Portfoliokomplexität, Entlohnung oder angeborene Fähigkeiten verwendet. Dabei werden teilweise starke Annahmen getroffen, um die Variablenausprägung messbar zu machen. Zudem ist es nötig, Kontrollvariablen einzufügen, um bspw. für Unterschiede zwischen den betrachteten Firmen, dem Alter der Prognose sowie insbesondere Jahreseffekten zu kontrollieren.21

Obwohl die Datenbasis der meisten Studien ähnlich ist, sind die Ergebnisse jedoch vorsichtig zu interpretieren und zu vergleichen, da wie gezeigt die Definitionen von Genauigkeit deutlich variieren. Außerdem wird die Datenbasis vieler Studien beschnitten, indem nur Analysten berücksichtigt werden, die mindestens eine bestimmte Zahl an Quartalen hintereinander berichtet haben. Es ist somit eine Ergebnisverzerrung in Form eines Survivorship Bias denkbar, da nur Analysten berücksichtigt werden, die (bspw. aufgrund guter Performance) weiter mit der Analyse einer bestimmten Firma beauftragt sind.22

2.3 Bestimmung der Profitabilität von Handelsempfehlungen

Neben der Prognose von Gewinnen geben Aktienanalysten auch Handelsempfehlungen für von ihnen gecoverte Titel ab. Die Empfehlungen lassen sich zunächst in Buy, Hold und Sell unterteilen. Teilweise ergibt sich eine feinere Unterteilung, sofern noch nach Strong Buy oder Strong Sell differenziert wird. Im Gegensatz zu relativen Empfehlungen, die Einzeltitel im Vergleich zum Markt bewerten (Outperformer/Underperformer), handelt es sich bei den hier betrachteten Empfehlungen um absolute Aussagen.23 In der Mehrzahl von Studien werden zeitlich verschiedene Portfolios konstruiert (mit einer Laufzeit von wenigen Tagen bis zu einigen Jahren). Die Profitabilität von Handelsempfehlungen wird dann über einen Vergleich der Buy-and-Hold Renditen der einzelnen Analystenportfolios ermittelt. Die Analysten werden anhand der erzielten Rendite kategorisiert.24 Über Handelsstrategien kann ermittelt werden, ob sich durch die Empfehlungen einzelner Analysten Überrenditen erzielen lassen. In der Regel wird dazu eine Strategie eingesetzt, bei der positive Revisionen ursprünglicher Empfehlungen in ein Long-Portfolio und Herabstufung in ein Short- Portfolio aufgenommen werden. Außerdem wird untersucht, ob die Qualität von Handelsempfehlungen über die Zeit persistent ist.25 Teilweise wird auch der Ansatz gewählt, von der Buy-and-Hold Rendite eines Analystenportfolios die gewichtete Rendite des CRSP Portfolio Indexes zu subtrahieren und etwaige Überrenditen zu vergleichen.26 Bei der Interpretation der Ergebnisse ist im Einzelfall zu prüfen, ob bei der Betrachtung Kapitalmarktreaktionen in Form von Kursreaktionen auf Revisionen sowie Transaktionskosten berücksichtigt wurden.27 Zudem stellt sich die Frage, warum es mehr Strong Buy/Buy Empfehlungen gibt als Hold oder Sell. Neben einem etwaigen Überoptimismus (aus opportunistischen Gründen oder kognitiven Verzerrungen) wird von Bankenseite häufig argumentiert, dass generell nur gute Unternehmen gecovert werden, weshalb eine Herabstufung nicht oft nötig sei. Auch dies sollte bei der Auswahl und Interpretation von Prognosen und Handelsempfehlungen hinterfragt werden.

3 Determinanten der Prognosequalität

3.1 Schwerpunktsetzung und Auslassungen

Die nachfolgend analysierten Einflussgrößen beziehen sich sowohl auf (a) Gewinnprognosen als auch auf (b) Handelsempfehlungen, welche im vorangehenden Kapitel kurz voneinander abgegrenzt wurden. Es wird jedoch nicht der Zusammenhang beider untersucht. Im Folgenden werden einzelne Studien unter zentralen Gesichtspunkten gegenübergestellt. Der Fokus liegt dabei auf den Ergebnissen der Untersuchungen. Die Analyse der Auswirkungen von Lernen und Erfahrung sowie die Prinzipal-Agent­Problematik und Brokerspezifika stehen dabei im Vordergrund. Aus Platzgründen sind die Ausführungen zu regulatorischen Themen knapp gehalten. Im Rahmen der folgenden Analyse werden Grenzen bisheriger Untersuchungen identifiziert und in Kapitel 4 als Ansätze weitergehender Forschung vorgeschlagen. In Anlage 1 findet sich eine Systematik von Prognosequalitätsdeterminanten, während Anlage 2 einen Literaturüberblick verschafft.

3.2 Analystenspezifische Faktoren

Die Frage, ob Aktienanalysten durch ihre gesammelte Erfahrung in der Lage sind, bessere Prognosen abzugeben, hängt davon ab, ob sie aus Erfahrung lernen. Denn Erfahrung (als Form impliziten Wissens) stellt nur dann einen positiven Wertbeitrag dar, wenn sie genutzt wird, um einst begangene Fehler zukünftig zu vermeiden und persönliche Schwachstellen zu beseitigen (z.B. in Form von Überinterpretationen positiver Firmenmeldungen).28 Analysten sind als Informationsintermediäre Teil eines komplexen sozio-technischen Systems, dessen Grenzen und Zusammenhänge sich rasch ändern. Es ist daher essentiell, sich anzupassen. Dazu zählen (a) Reaktionen auf Veränderungen externer Rahmenbedingungen (z.B. eine Verschlechterung der Konjunkturlage) und (b) der Umgang mit eigenen Erkenntnissen.

Eine der Hauptursachen, warum die meisten Menschen nicht aus Erfahrung lernen, besteht laut Tversky und Kahnemann (1986) darin, dass Feedback entweder nicht vorhanden, unvollständig oder zu spät ist.29 In der Literatur herrscht keine Einigkeit darüber, ob Analysten durch häufig wiederholte Untersuchungen oder eine lange Unternehmenszugehörigkeit eine spezielle Expertise entwickeln, die sich positiv auf die Prognosequalität auswirkt. Als Unterstützer der These: "Aus Erfahrung lernt man" gelten insbesondere Clement et al. (2007) sowie Mikhail (1997).30 Dem gegenüber stehen Jacob et al. (1999). Letztere sind der Ansicht, Learning by Doing existiere nicht.31 Bolliger et al. (2004) kommen bei einer Betrachtung europäischer Analysten zu einem zweigeteilten Ergebnis. Firmenspezifische Erfahrung und Prognosequalität stehen ihrer Ansicht nach in einem positiven Zusammenhang, während die allgemeine Berufserfahrung keine Auswirkung habe.32 Erfahrung wird in der Literatur durchaus verschieden definiert, weshalb beim Vergleich von Studien Vorsicht geboten ist. Clement et al. (2007) verfolgen einen differenzierten Ansatz und untersuchen aufgabenspezifisches Lernen (task-specific learning). Der gefundene positive Zusammenhang des aufgabenspezifischen Lernens und der Prognosequalität bedeutet konkret, dass ein Analyst, der wiederholt Prognosen im Kontext eines bestimmten unternehmerischen Musters durchführt (z.B. dem Downsizing von Firmen) an spezifischer Erfahrung gewinnt.33 Diese könne er bei der Prognose zukünftiger ähnlicher Zusammenhänge nutzenbringend und qualitätssteigernd einsetzen. Unabhängig von der Diskussion in der Literatur lässt sich dieses Ergebnis relativ einfach plausibilisieren, da es durch die wiederholte Durchführung ähnlicher Tätigkeiten zu Lernkurveneffekten kommt.34

Clement et al. (2007) stellen fest, dass die Genauigkeit einer Prognose sowohl mit der angeborenen Fähigkeit als auch mit der aufgabenspezifischen Erfahrung von Analysten positiv korreliert ist. Es ergeben sich zudem auch noch Hinweise auf einen Moderatoreffekt der angeborenen Fähigkeiten auf die aufgabenspezifische Erfahrung. Je höher die persönliche Grundbegabung ist (gemessen an der Dauer der Zugehörigkeit), desto stärker wirkt sich aufgabenspezifische Erfahrung aus.35 Dies steht im Widerspruch zu Jacob et al. (1999), die keine Auswirkungen von Erfahrungen finden, nachdem für angeborene Fähigkeiten kontrolliert wird. Ebenso wenig finden Hong et al. (2003) einen Beleg für das Lernen aus Erfahrung, nachdem für die grundsätzliche Fähigkeit eines Analysten kontrolliert wird.36 Ein definitorischer Unterschied ergibt sich auch bezüglich der Argumentation von Mikhail et al. (1997). Diese betrachten spezifische Aufgaben (Tasks) des Analysten als wiederholte Untersuchung einer bestimmten Firma. Im Gegensatz dazu verstehen Clement et al. (2007) unter einer Aufgabe die Analyse verschiedener Firmen unter einem spezifischen Gesichtspunkt (Downsizing). Sie ermitteln für jedes Jahr an aufgabenspezifischer Erfahrung eine verbesserte Präzision der Prognose um 8,5%.37

Es sollte jedoch bedacht werden, dass bei Clement et al. (2007) lediglich eine einzige Art von spezifischer Erfahrung (Downsizing) untersucht wird. Um zu verallgemeinerbaren Schlussfolgerungen zu kommen, sollte eine Kategorisierung von Aufgaben (bspw. nach Schwierigkeitsgrad und Häufigkeit) vorgenommen und die Studie differenzierter wiederholt werden. Ebenso ist es problematisch, dass Mikhail et al. (1997) ignorieren, dass sich Unternehmen im Zeitablauf strukturell verändern können (z.B. neue Geschäftssparten akquirieren). Dadurch wird der Parameter „Anzahl der beobachteten Quartale einer Firma“ als Proxy für spezifische Erfahrung verwässert, wenn sich im Zeitablauf durchaus differenzierte Erfahrungen aus sehr unterschiedlichen Aufgaben ergeben.38

3.3 Brokerspezifische Faktoren

Der Tätigkeitsbereich eines Aktienanalysten ist durch Vorgaben und Standards seines Arbeitgebers bestimmt. Zwei wesentliche Aspekte sind hier (a) die Komplexität des betrachteten Portfolios sowie (b) die Ressourcenausstattung des Brokerhauses. Die Komplexität eines analysierten Portfolios lässt sich in die beiden Dimensionen Breite (Anzahl verschiedener Branchen) und Tiefe (Anzahl von Firmen innerhalb einer Branche) unterteilen. In der Literatur gibt es zwei gegensätzliche Ansichten zum Zusammenhang von Komplexität und Prognosequalität. Zum einen bedeutet ein komplexeres Portfolio, dass der Analyst einer einzelnen Firma weniger Aufmerksamkeit widmen kann.

[...]


1 Die Kriterien zur Auswahl der Studien lauten: Aktualität/Neuigkeitswert, wissenschaftliche Bedeutung (Daten und Methodik) gemessen über Zitationsindizes sowie thematischer Bezug/Relevanz.

2 Vgl. Stanzel (2007), S. 14f.

3 Vgl. Michaely/Womack (1999), S.657.

4 Vgl. Mikhail/Walther/Willis (2004).

5 Dem gegenüber stehen Buy-Side Analysten, die meist bei institutionellen Investoren beschäftigt sind und Analysen nur intern publizieren (vgl. dazu auch Stanzel (2007) S. 21ff.).

6 Vgl. O’Brien (1990).

7 Vgl. Stanzel (2007), S. 24ff.

8 Der Nutzenbeitrag von Analysten hängt u.a. davon ab, ob man von schwacher, mittlerer oder starker Informationseffizienz der Märkte ausgeht und von Such- und Transaktionskosten abstrahiert oder nicht.

9 Vgl. WSJ (2009).

10 Analysten müssen Kauf-/Verkaufsempfehlungen für mind. fünf Titel innerhalb einer Branche und bezogen auf mind. drei Quartale abgeben. Analysierte Aktien müssen dabei entweder an der NYSE, Nasdaq Stock Market oder NYSE Amex gehandelt werden und eine Kapitalisierung von mind. 100 Millionen $ aufweisen.

11 Vgl. Handelsblatt (2010).

12 Vgl. Stickel (1992), S.1812.

13 Vgl. Clement (1999), S. 293.

14 Vgl. Sinha/Brown/Das (1997), S. 15.

15 Der Gewinn pro Aktie ergibt sich aus der Division des Jahrsüberschusses durch die Anzahl der Aktien und stellt eine wesentliche Kennzahl zur Beurteilung der Ertragskraft eines Unternehmens dar.

16 Jacob/Lys/Neale (1999), S. 60.

17 Daher teilen Jacob/Lys/Neale (1990) den Quotienten aus absolutem Prognosefehler und Preis in den absoluten Prognosefehler dividiert durch den Gewinn sowie den Gewinn geteilt durch den Preis (S. 62).

18 Vgl. Mikha.il/Wa.1ther/Wi11is (1997), S. 138.

19 Vgl. Clement (1999), S. 291.

20 Vgl. Ertimur/Sunder/Sunder (2006), S. 579.

21 Zur Korrektur für Firmen-/Jahreseffekte können die unabhängigen Variablen entweder über zeitgleiche Durchschnitte angepasst werden, oder es können bspw. Geschäftsjahres-Dummies verwendet werden.

22 Vgl. Stickel (1992), S. 1815.

23 Zudem gibt es Mischformen an Kategorien wie bspw. bei Michaely/Womack (1999), S. 663.

24 Vgl. Mikha.il/Wa.1ther/Wi11is (2003), S. 71.

25 Mikhail/Walther/Willis (2003) zeigen, dass Analysten, die in der Vergangenheit profitablere Empfehlungen abgegeben haben, dies auch in der Zukunft tun, S. 84.

26 Vgl. Ertimur/Sunder/Sunder (2006), S. 579.

27 Vgl. Mikhail/Walther/Willis (2004), S. 86.

28 Vgl. Tversky und Kahneman (1986).

29 Vgl. Tversky und Kahneman (1986).

30 Vgl. Clement/Koonce/Lopez (2007) und Mikhail/Walther/Willis (1997).

31 Vgl. Jacob/Lys/Neale (1999).

32 Vgl. Bolliger (2004).

33 Vgl. Clement/Koonce/Lopez (2007), S. 379.

34 Vgl. Adler/Clark (1991), S. 270ff.

35 Es wird angenommen, dass Analysten, welche lange Zeit in einem Unternehmen angestellt sind, über ausgeprägte Fähigkeiten verfügen, da sie ansonsten ersetzt würden. Vgl. Clement/Koonce/Lopez (2007), S. 380.

36 Vgl. Hong/Kubik (2003).

37 Vgl. Clement/Koonce/Lopez (2007), S. 393.

38 Vgl. Mikha.il/Wa.1ther/Wi11is (1997), S. 139.

Details

Seiten
24
Jahr
2010
ISBN (eBook)
9783640800476
ISBN (Buch)
9783640800414
Dateigröße
521 KB
Sprache
Deutsch
Katalognummer
v164860
Institution / Hochschule
Universität zu Köln – Seminar für Allgemeine Betriebswirtschaftslehre und Unternehmensfinanzen
Note
1,3
Schlagworte
Aktien Prognosen Aktienanalyse EPS Schätzung Target Price Sell-Side Buy-Side Wertpapier Kursprognose Gewinnschätzung Investmentbank Behavioral Finance Aktienresearch Aktienempfehlung Kapitalmarkt Prinzipal-Agent Interessenkonflikt Underwriting Performance Überrendite Optimismus Bias Verzerrung Behavioral Economics Overoptimism IFRS HGB Wirtschaftsethik Corporate Governance Corporate Finance

Autor

Zurück

Titel: Die Verarbeitung von Analystenprognosen: Determinanten der Analystenprognosefähigkeit