| dc.contributor.advisor | Spiwoks, Markus Prof. Dr. | |
| dc.contributor.author | Judek, Jan René | |
| dc.date.accessioned | 2023-05-05T14:38:45Z | |
| dc.date.available | 2023-05-12T00:50:11Z | |
| dc.date.issued | 2023-05-05 | |
| dc.identifier.uri | http://resolver.sub.uni-goettingen.de/purl?ediss-11858/14656 | |
| dc.identifier.uri | http://dx.doi.org/10.53846/goediss-9868 | |
| dc.format.extent | XXX Seiten | de |
| dc.language.iso | eng | de |
| dc.rights.uri | http://creativecommons.org/licenses/by/4.0/ | |
| dc.subject.ddc | 330 | de |
| dc.title | Algorithmic Decision-Making, Economic Behavior and Predictability in Financial Markets | de |
| dc.type | cumulativeThesis | de |
| dc.contributor.referee | Bizer, Kilian Prof. Dr. | |
| dc.date.examination | 2023-04-28 | de |
| dc.description.abstractger | Die digitale Transformation bringt immer mehr technische Innovationen hervor, die Auswirkungen auf unser tägliches Leben haben. In einer Vielzahl von Bereichen haben Wirtschaftsakteure zunehmend die Möglichkeit zur Interaktion mit Algorithmen, wie beispielsweise das Angebot von Robo-Advisors zeigt, und damit auch das Geschehen auf den Finanzmärkten zu beeinflussen. Die vorliegende Arbeit hat zum Ziel, das Verhalten von Wirtschaftsakteuren im Umgang mit Algorithmen und deren Bereitschaft zur Nutzung zu untersuchen, um zu einem besseren Verständnis der Algorithm Aversion beizutragen. Die Algorithm Aversion beschreibt die ablehnende Haltung gegenüber dem Einsatz von Algorithmen, welche Wirtschaftsakteure häufig entwickeln, sobald sie erkennen, dass Algorithmen zwar überlegen, aber nicht fehlerfrei sind. Der erste Teil dieser Arbeit umfasst hierzu fünf experimentelle Studien. Der erste Beitrag zeigt, dass die Algorithm Aversion bei wiederholten Aufgaben durch eine zunehmende Erfahrung im Laufe der Zeit teilweise reduziert werden kann. Der zweite Beitrag befasst sich mit der Tragweite einer Entscheidung und zeigt, dass insbesondere in Situationen, die im Fehlerfall schwerwiegende Konsequenzen nach sich ziehen können, häufig auf den Einsatz von Algorithmen verzichtet wird, obwohl deren Nutzung eine höhere Erfolgschance aufweist. Der dritte Beitrag zeigt, dass mögliche Eingriffe eines Nutzers im Prozess der Prognoseerstellung die Algorithm Aversion zuverlässiger reduzieren, wenn diese auf das Prognoseergebnis (Output des Algorithmus), statt auf die Konfiguration (Input eines Algorithmus) gewährt werden. Im vierten Beitrag wird der Einfluss von Stellvertreterentscheidungen auf die Algorithm Aversion untersucht. Das Treffen von Entscheidungen für Dritte führt jedoch nicht zu einer Verringerung des Ausmaßes der Algorithm Aversion. Der fünfte Beitrag zeigt, dass das Entscheidungsverhalten zur Verwendung eines Algorithmus mit der vorherigen Nutzungsrate anderer Wirtschaftsakteure variiert und eine vorherige hohe Akzeptanz eine häufigere Nutzung eines Algorithmus zur Folge hat als eine vorherige schwache Akzeptanz. Gesamtheitlich betrachtet erweist sich die Algorithm Aversion als äußerst robust und kann zu suboptimalen Entscheidungen beitragen. Die Überwindung der Algorithm Aversion ist essenziell, um die großen Potenziale, die technische Innovationen für Prognosen mit sich bringen auszuschöpfen. Zwei weitere Studien bilden den zweiten Teil dieser Arbeit, welche sich in die Literatur zur Güte von Kapitalmarktprognosen einfügen. Während der sechste Beitrag die Güte von Zinsprognosen im lateinamerikanischen Raum untersucht, befasst sich der siebte Beitrag mit Aktienmarktprognosen für drei wichtige Indizes. Insgesamt sind die untersuchten Kapitalmarktprognosen in den meisten Fällen unzureichend. Während die Prognosen im lateinamerikanischen Raum zu einem großen Teil eher die gegenwärtige, statt der zukünftigen Zinsentwicklung widerspiegeln, zeigt sich bei den Aktienindexprognosen, dass Aktienmarktanalysten mehrheitlich die Variabilität der Wirklichkeit unterschätzen und zum Konservatismus neigen. Daher ist es von entscheidender Bedeutung, die Vorhersagemodelle zu verbessern und flexibler auf neue Entwicklungen zu reagieren. | de |
| dc.description.abstracteng | Digital transformation is producing a growing number of technological innovations that have an impact on our daily lives. In a variety of areas, economic agents increasingly have the opportunity to interact with algorithms, as shown, for example, by the offering of robo-advisors, and thus also to influence events on financial markets. This thesis aims to examine the behavior of economic agents when interacting with algorithms and their willingness to use them in order to contribute to a better understanding of Algorithm Aversion. Algorithm Aversion describes the negative attitude towards the use of algorithms that economic agents often exhibit once they realize that algorithms are superior but not error-free. The first part of this thesis consists of five experimental studies in this regard. The first contribution shows that Algorithm Aversion in repeated tasks can be partially reduced by increasing experience over time. The second contribution addresses the scope of a decision and shows that the use of algorithms is often rejected in situations where the consequences of an error are serious, even though their use has a higher chance of success. The third contribution shows that possible user interventions in the prediction generation process reduce Algorithm Aversion more reliably if they are granted on the prediction result (output of the algorithm) instead of on the configuration (input of an algorithm). The fourth contribution examines the impact of proxy decisions on Algorithm Aversion. However, making decisions for third parties does not reduce the extent of Algorithm Aversion. The fifth contribution shows that the decision behavior to use an algorithm varies with the prior adoption rate of other economic agents, and that a prior high adoption rate leads to more frequent use of an algorithm than a prior low adoption rate. Overall, Algorithm Aversion proves to be highly robust and can contribute to suboptimal decisions. Overcoming Algorithm Aversion is essential to exploit the great potential that technological innovation brings to forecasting. The second part of this thesis consists of two more papers that contribute to the literature on the quality of capital market forecasts. While the sixth contribution examines the quality of interest rate forecasts in the Latin American region, the seventh contribution focuses on stock market forecasts for three major indices. Overall, the capital market forecasts examined are in most cases inadequate. While forecasts in the Latin American region largely reflect current rather than future interest rate developments, stock index forecasts show that most stock market analysts underestimate the variability of reality and tend toward conservatism. Therefore, it is crucial to improve forecasting models and to react more flexibly to new developments. | de |
| dc.contributor.coReferee | Spiwoks, Markus Prof. Dr. | |
| dc.contributor.thirdReferee | Rau, Holger A. Prof. Dr. | |
| dc.subject.eng | algorithm aversion | de |
| dc.subject.eng | behavioral economics | de |
| dc.subject.eng | experimental economics | de |
| dc.subject.eng | technology adoption | de |
| dc.subject.eng | automated decision-making | de |
| dc.subject.eng | human-computer-interaction | de |
| dc.subject.eng | overconfidence | de |
| dc.subject.eng | framing | de |
| dc.subject.eng | robo-advisor | de |
| dc.subject.eng | herding behavior | de |
| dc.subject.eng | decision aids | de |
| dc.subject.eng | forecasting | de |
| dc.subject.eng | forecast accuracy | de |
| dc.subject.eng | interest rate forecasts | de |
| dc.subject.eng | stock market forecasts | de |
| dc.identifier.urn | urn:nbn:de:gbv:7-ediss-14656-0 | |
| dc.affiliation.institute | Wirtschaftswissenschaftliche Fakultät | de |
| dc.subject.gokfull | Wirtschaftswissenschaften (PPN621567140) | de |
| dc.description.embargoed | 2023-05-12 | de |
| dc.identifier.ppn | 1844737330 | |
| dc.identifier.orcid | 0000-0002-0593-3139 | de |
| dc.notes.confirmationsent | Confirmation sent 2023-05-05T14:45:01 | de |