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...
Amel-Zadeh und Serafeim (2018) haben eine interessante Gruppierung vorgenommen, wie Institutionen die Entscheidung treffen, in nachhaltige Anlagen (nachfolgend: ESG-Anlagen) zu investieren. ESG-Investorinnen beachten die Dimensionen Umwelt (Enviroment), Soziales (Social) und Unternehmensführung (Governance) bei der Auswahl von Investments. Aus meiner Sicht lässt sich diese Gruppierung auch auf private Investorinnen übertragen. Bei der Auswahl von ESG-Anlagen lassen sich vier Handlungsstrategien identifizieren. Die erste Strategie beingaltet die sog. Screenings, mit den eine Einschränkung des Anlageuniversums vorgenommen wird. Das Screening kann auf drei Arten erfolgen: Negatives Screening: Das Herausfiltern von unerünschten Anlagen ist vermutlich der direkteste Weg, ESG-Ziele zu erreichen. Dabei werden Anlagen aus dem Anlageuniversum ausgeschlossen bzw. aussortiert, die aus bestimmten Branchen (z.B. Gambling, Tabak, Waffen) oder Regionen (z.B. Südafrika während des A...