Not logged in.

Quick Search - Contribution

Contribution Details

Type Bachelor's Thesis
Scope Discipline-based scholarship
Title Risikoprofilierung bei Robo-Advisors und Banken im Vergleich
Organization Unit
Authors
  • Ardi Imeri
Supervisors
  • Thorsten Hens
Language
  • German
Institution University of Zurich
Faculty Faculty of Business, Economics and Informatics
Number of Pages 62
Date 2018
Zusammenfassung Die Schweizer Banken, welche rund einen Viertel des weltweiten Vermögens verwalten, zeigen höchste Qualität in der Vermögensverwaltung auf. Andere Finanzplätze insbesondere Asien sind jedoch mit einer erheblichen Wachstumsrate auf der Überholspur. Der langfristige Erfolg der Schweizer Banken wird durch die anhaltenden Herausforderungen gefährdet. Die Rede ist von den Negativzinsen, der Währungsstärke, Steuerabkommen usw. Zusätzlich werden die Bedürfnisse der Kunden komplexer, denn sie verlangen mehr Transparenz und Angebote auf dem neusten Stand der Techno- logie. Darüber hinaus sind viele Banken in der Schweiz mit der Einhaltung und Umsetzung der regulatorischen Anforderungen beschäftigt, wie bspw. dem Anlegerschutz, welche wiederum höhere Kosten produzieren. Als ob das nicht schon genug wäre, schreitet die unübersehbare Digitalisierung in allen Bereichen der Wirtschaft fort (SwissBanking (2015a)). Es sind die Robo-Advisors, die den Wettbewerbsdruck in der Finanzwelt ansteigen lassen. Die automatisierten, auf Algorithmen beruhenden Vermögensverwalter sind im Vormarsch und erzwingen die Digitali- sierung der Geschäftsmodelle der Banken. Auf der Online Plattform der Robo-Advisors kann durch wenige Klicks ein Konto eröffnet und das Risiko- profil bestimmt werden. Daraus lässt sich schliesslich kostengünstig eine Anlagestrategie ableiten. Ob dieser Trend lange anhält, bezwei- felt die Schweizerische Bankiervereininigung, denn die Anleger haben zu wenig Zuversicht in Roboter (SwissBanking (2015b)). Zielsetzung Joachim Klement aus der CFA Institute Research Foundation ist der Auffassung, dass die aktuelle Praxis der Risikoprofilierung anhand von Frage- bogen eine überschauliche Zuverlässigkeit auf- weist (Klement (2018)). Die vorliegende Arbeit ergründet daher, inwiefern sich die Risikopro- filierung bei den Robo-Advisors und den Banken differenziert. Daraus lässt sich die Hypothese ableiten: Robo-Advisors können das Risikoprofil eines Anlegers besser erfassen als die Kunden- berater einer Bank. Vorgehen In einem ersten Teil wird die Konzeption des Robo-Advisors erläutert und der strukturierte Beratungsprozess in die Einzelschritte zerlegt. Ausserdem werden die Vor- und Nachteile sowie die Gebühren geschildert und ein Ausblick der beiden Untersuchungsgruppen vorgenommen. Danach wird die Risikoprofilierung an sich unter die Lupe genom- men, indem auf die unterschiedlichen Methoden und die regulatorischen Anforderungen – die MiFID II und die FIDLEG – eingegangen wird. Der verhaltensorientierten Finanzmarkttheorie – der Behavioral Finance – wird dabei grosse Bedeutung zugeschrieben, da sie das Fundament der Anlage- beratung schafft (Hens (2012)). Der empirische Teil dieser Arbeit beschäftigt sich mit der Bewertung der Fragebogen von insgesamt 20 Robo-Advisors und Banken. Basierend auf wissen- schaftlichen Studien und wissenschaftlicher Literatur wurden zehn Hauptkriterien aufgestellt, die eine zuverlässige Risikoprofilierung zeichnen. Dabei wurden den Probanden dieser Analyse pro Hauptkriterium Punkte zwischen null und fünf, proportional zu den erreichten Unterkriterien gutgeschrieben. Schliesslich wurden alle Hauptkriterien nach deren Dring- lichkeit in der Risikoprofilierung gewichtet und zu einer Gesamtpunktzahl aufaddiert, um Vergleiche zwischen den Finanzdienstleistern vornehmen zu können. Theoretische Unterlagen Grundlage dieser Arbeit bildet der aktuelle Stand der Forschung, welche durch verschiedene Quellen sichergestellt wird. Insbesondere war das Buch von Bachmann, De Giorgi und Hens, «Behavioral Finance for Private Banking», welches dieses Jahr erschienen ist, von grossem Nutzen. Das Buch «Risikoprofilierung mit Anlegern» von den Herausgebern Everling und Müller (2018) wird durch interessante Beiträgen gestützt und war bei der Erfassung der Arbeit sehr behilflich. Darüber hinaus stellten das Paper von Bachmann, Hens und Stössel (2017), «Which Measures Predict Risk Taking in a Multi-Stage Controlled Decision Process?» und das Discussion Paper von Linciano und Soccorso (2012), «Assessing investors’ risk tolerance through a questionnaire» sowie weitere Literatur die Voraussetzungen für die Theorie und die Empirie. Resultate Über alle zehn Kriterien hinweg betrachtet, gewinnen viermal die Robo-Advisors, dreimal die Banken und bei drei Kriterien erzielen die Konkurrenten die gleichen Durchschnittswerte. Aus der Analyse geht hervor, dass die Robo-Advisors die Fragen sehr verständlich formulieren. In dieser Kategorie konnten sie einen Durchschnitts-wert von 3.47 Punkten erreichen und waren um 1.08 Punkte besser als die Banken. Besonders auf- fallend sind die schlechten Durchschnittswerte der zwei Untersuchungsgruppen bei der Ermittlung der Erfahrungen und Kenntnisse der Anleger, obwohl diese in der MiFID II und in der FIDLEG grosse Relevanz zeigen (Hens und Sethe (2017)). Gleichermassen schlecht waren die Finanzdienst- leister in der Ermittlung der Risikotoleranz der Anleger. Die Robo-Advisors und die Banken erzielten jeweils einen Durchschnittswert von 1.7 Punkten und 1.9 Punkten. Als einziger Riskpro- filer in der gesamten Untersuchung versucht die Aargauische Kantonalbank die Verlustaversion der Anleger zu ermitteln. Viele Studien in der Behavioral Finance bringen die Vorhersagekraft der Lotteriefragen aus der Prospect-Theorie von Kahneman und Tversky zur Geltung (Bachmann, Hens und Stössel (2017)). Insgesamt gehen die Robo-Advisors mit einem Durchschnittswert von 1.78 Punkten als Sieger aus der Analyse und sind um 0.13 Punkte besser als die Banken. Die anfangs gestellte Forschungsfrage konnte im Rahmen dieser Arbeit beantwortet werden. Es sind die Robo-Advisors, die das Risikoprofil der Anleger im Schnitt knapp besser als die Banken erfassen. Allerdings erreicht die Bank Vontobel die höchste Punktzahl – 2.6 Punkte – in der ganzen Unter- suchung.
Export BibTeX