In der empirischen Forschung gibt es ein klassisches Problem: Die meisten interessanten Daten sind qualitativ, nicht quantitativ. Reden von Politikern, Geschäftsberichte, Social-Media-Posts, Zeitungsartikel oder historische Dokumente enthalten wertvolle Informationen, aber sie lassen sich schwer in Zahlen übersetzen. Genau hier setzt ein neues Forschungsprojekt an, das im Februar 2026 als NBER Working Paper erschienen ist: „GPT as a Measurement Tool“ von Hemanth Asirvatham, Elliott Mokski und Andrei Shleifer. Die Autoren stellen darin eine Software vor, die dieses Problem lösen soll: GABRIEL. Die Grundidee ist überraschend einfach. Large Language Models wie GPT können Texte verstehen, ähnlich wie ein Mensch. Wenn man sie gezielt einsetzt, können sie daher qualitative Informationen systematisch bewerten und quantifizieren. Zum Beispiel: • Wie innovationsfreundlich ist eine politische Rede? • Wie toxisch ist ein Social-Media-Kommentar? • Wie technisch komplex ist eine neue Tec...
In letzter Zeit habe ich empirische Analysen zum Thema Diversifikationspotenzial von Aktienportfolios durchgeführt. Die Höhe des Diversifikationspotenzials erscheint mir vor allem für das Risikomanagement wichtig. In Zeiten mit hohem Diversifikationspotenzial lässt sich eine Risikosenkung relativ einfach und ohne Derivate erreichen. Dagegen könnte eine Risikosenkung in Zeiten mit niedrigem Diversifikationspotenzial vermutlich nur durch den Kauf von Derivaten erreicht werden. Aus der Sicht von Ökonomen und Finanzwirten stellt sich die Sache relativ einfach dar. Das Diversifikationspotenzial sollte in 'normalen' Zeiten höher als in Krisenzeiten sein. In Krisenzeiten tendieren alle Wertpapiere am Wert zu verlieren. Wenn sich alle Preise in eine Richtung bewegen, kann eine Diversifikation eben nicht erreicht werden, die davon ausgeht, dass sich die Verluste und Gewinne von Wertpapieren ausgleichen. Doch wie sieht der tatsächliche Verlauf des Diversifikationspotenzials aus?