Contributions in Merlin

Kann man anhand einer Analyse von Lehman Brothers das Schicksal der Credit Suisse voraussagen? Um diese Frage zu beantworten, werden die beiden Banken in dieser Arbeit erst einzeln analysiert und anschliessend verglichen. Dafür werden die Bereiche Geschäftsfelder, Weltwirtschaft, Regulierungsstandards und Gründe, warum man Lehman scheitern liess, betrachtet. Zusätzliches werden noch die Aktienkurse und die Bilanzen der beiden Banken analysiert und einander gegenübergestellt. Mittels des Vergleichs soll eine Aussage getroffen werden, ob sich die beiden Banken ähnlich genug sind, als dass durch das Scheitern der einen Bank auch das Scheitern der anderen vorhergesagt werden kann. Meine Untersuchungen zeigen, dass sich die zwei Banken nur im Punkt Regulierungsstandards gleichen. In allen anderen Bereichen findet man deutliche Unterschiede und nur wenige Gemeinsamkeiten. Auch die Gründe, warum man Lehman scheitern liess, lassen sich nicht auf die Credit Suisse übertragen. Dadurch lässt sich der Schluss ziehen, dass man nicht durch das Schicksal von Lehman Brothers jenes der Credit Suisse vorhersagen kann. Diese Arbeit bringt insoweit einen neuen Beitrag zur Forschung, als dass es sich bei der Credit Suisse um ein sehr aktuelles Thema handelt und somit zu heutigem Stand auch keine wissenschaftliche Arbeit existiert, welche diese zwei Banken in dieser Art und Weise direkt gegenüberstellt.

Since artificial intelligence (AI) has already penetrated large parts of our daily lives and is likely to become even more prominent in the future, it is not surprising that AIs are also increasingly used in movies, books, series, video games, and so on. This work focuses specifically on media for children because, on the one hand, they can be influenced by the media, and on the other hand, there is little known about the depiction of AIs in this media. Still, at the same time, there is a chance to give children a differentiated and critical image of AIs at an early age. For this purpose, a total of 13 media were analyzed using a framework created and mappings were assembled that also included currently used AIs from the industry in order to compare them with each other. Through this analysis, the following categories of AI characters in children's media could be identified: "Side-Kick", "Big Bad Evil", "Virtual Assistant" and "Alternative Human".

This thesis introduces and evaluates a novel platform that uses Open-source intelligence (OSINT) to identify a primary subject and an associated event using publicly accessible data. As a starting point, the platform utilizes LoRa (Long Range) datasets. This novel tool will make use of web scraping techniques, the power of OpenAI's large language model GPT-3.5, and a custom matching score algorithm. The objective is to collect a comprehensive image of the primary subject and infer potential participants of the specific location and time covered by the LoRa dataset. Evaluating our approach demonstrates its effectiveness in identifying 14 out of 16 actual participants, showcasing its ability to create a relevant dataset of potential participants. Looking at the accuracy, the model manages to achieve a precision score of 0.75, while the recall score of 0.46 indicates some true positives were not captured. The results reflect the difficulty in identifying participants in a private event with a limited public presence. Despite the challenging scenario, this tool represents an innovative approach to merging OSINT techniques with LoRa data. Future work will focus on enhancing the tool's robustness, expanding its coverage to additional social media platforms, improving adaptability across diverse scenarios, and exploring advanced language models.

null

Der New Yorker Börsencrash von 1929 stellt eines der bedeutendsten Ereignisse in der amerikanischen Wirtschaftsgeschichte dar und markierte das Ende eines Jahrzehntes von Wachstum und Prosperität. Die Ursachen für den Crash sind bis heute nicht vollumfänglich geklärt. Diese Arbeit analysiert die verschiedenen Erklärungsansätze und erkennt neben weiteren Faktoren das Volumen bei Maklerdarlehen, die Entwicklung bei Margin-Anforderungen und das Handeln der Zentralbank als plausible Ursachen des Crashs. Zudem wird gezeigt, dass nicht gesichert ist, dass Aktien 1929 einer Überbewertung unterlagen. Die Ergebnisse deuten schlussendlich darauf hin, dass der Crash auf das Zusammenspiel einer Reihe von Faktoren zurückzuführen ist.

Diese Bachelorarbeit untersucht die Güte der Risikomasse Volatilität und Maximum Drawdown. Dazu werden die Renditen der Aktien im S&P 500 auf deren Risikokennzahlen regressiert. Es kann festgestellt werden, dass die Renditen positiv mit der Volatilität korrelieren, bzw. negativ mit dem Maximum Drawdown. Aus dieser Erkenntnis heraus wurde eine Reward-Risk-Momentum-Anlagestrategie entwickelt, die Aktien mit hoher (tiefer) Volatilität bei gleichzeitig tiefem (hohem) Maximum Drawdown kauft (verkauft). Die Anlagestrategie konnte jedoch keine risikoadjustierte Überrendite über den Zeitraum von 2001 bis Ende 2021 erzielen.

Diese Arbeit untersucht Branchen-Momentum-Strategien im Euro STOXX 600. Dabei werden die vergangenen Gewinner- und Verlierer-Branchen gekauft bzw. verkauft. Mithilfe eines Backtesting-Verfahrens wird der Zeitraum von 2003 bis Ende 2022 analysiert, um mögliche Überrenditen zu untersuchen. Es konnte festgestellt werden, dass eine (12/1) Gewinner-Strategie eine jährliche Überrendite von bis zu 1.1920% erzielen kann, ohne überproportionale Risiken einzugehen. Gewinner-Verlierer-Strategien konnten keine Überrenditen erzielen. Obwohl alle Gewinner-Portfolios eine Überrendite aufweisen, sind diese jedoch nicht annähernd so groß wie bei vergleichbaren Strategien in anderen Studien.

In order to evaluate the social dimension of the ESG domain in Sustainable Finance, this thesis focuses on using deep learning models, specifically the use of a new BERT adaptation model called SocialBERT. By creating a model that is responsive to socially relevant texts, it addresses a significant research gap and makes it more effective at comprehending and assessing these elements. Social aspects are now playing a major part in determining the sustainability of financial investments, revolutionizing the financial industry with the rise of ESG investing. However, because of the richness and diversity of texts that are socially relevant, it is often difficult to quantify these social variables. Therefore, it is noticeable that we require sophisticated technologies to interpret and comprehend these texts. The SocialBERT model has been created to better understand the nuances and context of social aspects than conventional models because it has been pre-trained on a huge corpus of texts with a social focus. The model is assessed for its capabilities and performance, and the results show that it is more effective than conventional models at understanding social texts. Additionally, the thesis emphasizes the shortage of study in this field and the necessity of larger-scale investigations to promote a better understanding and integration of social factors into sustainable finance. This research builds on the development of deep learning techniques, the success of big language models like BERT and GPT, and growing trends in the application of Natural Language Processing (NLP) in finance. In conclusion, the SocialBERT model has the potential to improve sustainable finance decisionmaking by facilitating a more sophisticated understanding of social aspects. The results of this thesis not only to expand the pool of knowledge in the area but also open up fresh possibilities for investigation and advancement in the use of cutting-edge NLP technologies for ESG analysis. II

This study aims to determine whether it is possible for corporate insiders to generate abnormal returns and to test if the Efficient Market Hypothesis is valid for the Swiss Stock market and to which degree it can be applied. For this purpose, an event study for insider trades between January 2020 and January 2023 was conducted. The results suggest that corporate insiders can generate statistically significant abnormal returns and therefore reject the strong form of the Efficient Market Hypothesis in the Swiss stock market.

Based on the data of S&P 500 index from 2008-04-01 to 2022-12-30, four different models, namely Black-Scholes, Variance-Gamma (VG), GARCH, and COMFORT-GARCH models are employed to make options pricing, and the pricing quality of these models are compared. The results show that the COMFORT-GARCH model combines GARCH-type dynamics with an SV structure, it can better capture the volatility characteristics of S&P 500 index, yields a more stable price change with a smaller magnitude. The research confirms the applicability of COMFORT-GARCH model in the multivariate setting for potentially large numbers of assets.