<?xml version="1.0" encoding="UTF-8"?>
<rdf:RDF xmlns:rdf="http://www.w3.org/1999/02/22-rdf-syntax-ns#" xmlns="http://purl.org/rss/1.0/" xmlns:dc="http://purl.org/dc/elements/1.1/">
  <channel rdf:about="https://hdl.handle.net/10419/249977">
    <title>EconStor Collection:</title>
    <link>https://hdl.handle.net/10419/249977</link>
    <description />
    <items>
      <rdf:Seq>
        <rdf:li rdf:resource="https://hdl.handle.net/10419/333709" />
        <rdf:li rdf:resource="https://hdl.handle.net/10419/302920" />
        <rdf:li rdf:resource="https://hdl.handle.net/10419/282196" />
        <rdf:li rdf:resource="https://hdl.handle.net/10419/266564" />
      </rdf:Seq>
    </items>
    <dc:date>2026-05-09T19:00:22Z</dc:date>
  </channel>
  <item rdf:about="https://hdl.handle.net/10419/333709">
    <title>Analyse der Informationseffizienz des amerikanischen Kapitalmarktes im Rüstungssektor mit Methoden der Ökonometrie und des maschinellen Lernens</title>
    <link>https://hdl.handle.net/10419/333709</link>
    <description>Title: Analyse der Informationseffizienz des amerikanischen Kapitalmarktes im Rüstungssektor mit Methoden der Ökonometrie und des maschinellen Lernens
Authors: Döller, Niklas; Lehrbass, Frank
Editors: FOM Hochschule für Oekonomie &amp; Management, ifes Institut für Empirie &amp; Statistik
Abstract: Das Ziel dieser Studie ist es, die Informationseffizienz des amerikanischen Kapitalmarktes kritisch zu analysieren, indem die Aktienkursentwicklung von Lockheed Martin als repräsentativem Unternehmen der Rüstungsbranche untersucht wird. Diese Studie soll zur Klärung beitragen, ob und in welchen Bereichen Defizite in der Informationseffizienz bestehen und wie sich Krisensituationen auf die Reaktion der Aktienmärkte auswirken. Die Ergebnisse sollen nicht nur zur akademischen Forschung beitragen, sondern auch Handlungsempfehlungen für Marktteilnehmer geben, die ihre Investitionsstrategien optimieren möchten. Die zentrale Forschungsfrage lautet: Wie effizient verarbeitet der amerikanische Kapitalmarkt Informationen, vor allem in geopolitischen Krisen, insbesondere im Hinblick auf die Aktienkursentwicklung eines führenden Rüstungskonzerns? Zusammenfassend liegt der Fokus somit darauf, nützliche Erkenntnisse über die Auswirkungen geopolitischer Krisen auf die Renditen im Rüstungssektor zu liefern und Anlegern detaillierte Empfehlungen über die Nutzung dieser Informationen auf die Erwirtschaftung von Renditen zu formulieren. Das soll die Anleger in ihrer Investitionsentscheidung in einem von geopolitischen Krisen geprägten Marktumfeld unterstützen und die Herausforderungen der Kapitalmarkteffizienz verdeutlichen.</description>
    <dc:date>2025-01-01T00:00:00Z</dc:date>
  </item>
  <item rdf:about="https://hdl.handle.net/10419/302920">
    <title>Digitale Transformation im Bankwesen: Welche IT-Investitionen erhöhen die Eigenkapitalrentabilität und Kundenzufriedenheit?</title>
    <link>https://hdl.handle.net/10419/302920</link>
    <description>Title: Digitale Transformation im Bankwesen: Welche IT-Investitionen erhöhen die Eigenkapitalrentabilität und Kundenzufriedenheit?
Authors: Heinrich, Carlo Honoré; Lehrbass, Frank
Editors: FOM Hochschule für Oekonomie &amp; Management, ifes Institut für Empirie &amp; Statistik
Abstract: In einer panel-ökonometrischen Studie von 6 international operierenden Banken über 37 Quartale untersuchen wir vier verschiedene Digitalisierungsmaßnahmen hinsichtlich ihres Effekts auf den Return on Equity. Ein Fixed-Effects-Modell mit einem R² von 36% zeigt auf, dass der RoE bei Vorliegen einer Kreditabwicklung, die komplett online möglich ist, signifikant höher ist. Die übrigen Maßnahmen sind ohne Effekt. Mit Blick auf die Kundenzufriedenheit sind System- und Performance-Updates von zentraler Bedeutung.</description>
    <dc:date>2024-01-01T00:00:00Z</dc:date>
  </item>
  <item rdf:about="https://hdl.handle.net/10419/282196">
    <title>Machine Learning Modelle zur Vorhersage von Zahlungsausfällen im Energiemarkt</title>
    <link>https://hdl.handle.net/10419/282196</link>
    <description>Title: Machine Learning Modelle zur Vorhersage von Zahlungsausfällen im Energiemarkt
Authors: Stecker, Rouven; Lehrbass, Frank
Editors: FOM Hochschule für Oekonomie &amp; Management, ifes Institut für Empirie &amp; Statistik</description>
    <dc:date>2023-01-01T00:00:00Z</dc:date>
  </item>
  <item rdf:about="https://hdl.handle.net/10419/266564">
    <title>Auswirkungen von Sponsorship-Verkündungen auf die Aktienkurse von Sportartikelherstellern</title>
    <link>https://hdl.handle.net/10419/266564</link>
    <description>Title: Auswirkungen von Sponsorship-Verkündungen auf die Aktienkurse von Sportartikelherstellern
Authors: Lehrbass, Frank; Rebeggiani, Luca; Schmidt, Julian-Sebastian
Editors: FOM Hochschule für Oekonomie &amp; Management, ifes Institut für Empirie &amp; Statistik
Abstract: Der Aufsatz untersucht mittels einer panelökonometrischen Analyse die Auswirkungen von Sponsorhip-Verkündungen auf die Aktienkurse fünf großer Sportartikelhersteller. Trotz der Verwendung einer umfangreichen Datenbasis, einer aufwendigen Modellierung mittels eines SURE-Ansatzes und der Berücksichtigung mehrerer möglicher Modellvarianten, zeigen sich keine signifikanten Effekte der Sponsorship-Verkündigungen auf die betrachteten Aktienkurse. Ungeachtet der weiterhin großen Bedeutung des Sportsponsorings sowohl für das Werbebudget der Unternehmen als auch für den Sport als Zahlungsempfänger, scheint somit eine messbare Auswirkung von Sponsoring-Aktivitäten eher auf der unmittelbaren Kundengewinnung als auf das Verhalten rationaler Investoren nachweisbar zu sein.</description>
    <dc:date>2022-01-01T00:00:00Z</dc:date>
  </item>
</rdf:RDF>

