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...
Alle sollen diversifizieren. Doch warum lohnt es sich eigentlich zu diversifizieren? Wird lediglich das Risiko gesenkt oder gar auch die Rendite verbessert? Wie hoch sind die Kosten unzureichender Diversifikation? Die Kurzantworten: Die Kosten unzureichender Diversifikation sind in Simulationsstudien im Mittel nach 10 Jahren: in Bezug auf Rendite: ca. 3% weniger Rendite pro Jahr. in Bezug auf Risiko: ca. 12% mehr Risiko pro Jahr. Oder anders gesagt: Unzureichend diversifizierte Portfolios erleiden im Schnitt alle 4 Jahre einen Verlust, während für breit diversifizierte Portfolios Verluste unwahrscheinlich sind. in Bezug auf Sharpe-Ratio: ca. 8 mal weniger pro Jahr . Für eine reale Anlegerin auf dem deutschen Aktienmarkt gehen die Ergebnisse in die selbe Richtung.