idw – Informationsdienst Wissenschaft

Nachrichten, Termine, Experten

Grafik: idw-Logo
Science Video Project
idw-Abo

idw-News App:

AppStore

Google Play Store



Instance:
Share on: 
06/10/2021 08:40

Wie Fehlverhalten am Kapitalmarkt aufgedeckt werden kann

Pia Barth Public Relations und Kommunikation
Goethe-Universität Frankfurt am Main

    Wirtschaftswissenschaftler der Goethe-Universität entwickeln KI zur Beurteilung der Glaubwürdigkeit von Brokern und Anlageberatern

    Seriös oder unseriös? Wenn Broker und Anlageberater in berufsbezogenen sozialen Netzwerken ihr Profil besonders aufpolieren, neigen sie auch im Berufsalltag eher zu betrügerischem Verhalten. Zu diesem Ergebnis kommt eine Studie von Wirtschaftswissenschaftlern der Goethe-Universität, die Machine-Learning-Modelle entwickelt haben, um die Glaubwürdigkeit sozialer Profile von Brokern und Anlageberatern zu überprüfen. Die Studie wurde von der renommierten Fachzeitschrift „Journal of the Association for Information Systems“ mit dem Best Paper Award des Journals für das Jahr 2020 ausgezeichnet.

    Privatanleger, die auf dem Finanzmarkt aktiv werden wollen, sind meist auf Broker und Anlageberater angewiesen – und darauf, ihnen zu vertrauen. Doch einige dieser Finanzintermediäre stellen ihren Profit über das Interesse ihrer Kunden und verursachen so für Privatkunden jährlich Schäden in Milliardenhöhe. Diese Schäden schwächen zudem das Vertrauen in das Finanzsystem selbst.

    Privatkunden wie Aufsichtsbehörden haben deshalb ein Interesse daran, die Glaubwürdigkeit von Brokern und Anlageberatern genauer zu ermitteln. Zwar müssen sich Broker und Anlageberater bei ihrer Registrierung den Aufsichtsbehörden gegenüber professionell ausweisen, doch bietet dieser Ausweis offenkundig keinen ausreichenden Schutz vor Fehlverhalten und Betrug. Forscher der Goethe-Universität setzen nun bei der Kontrolle der Finanzintermediäre selbst ein: Auf Basis von Daten US-amerikanischer Broker und Anlageberater zeigen die Forscher, dass von Finanzintermediären selbst veröffentlichte Informationen in beruflichen sozialen Netzwerken dafür genutzt werden können, unseriöse Akteure zu identifizieren. Dabei gehen die Forscher von der in der Psychologie theoretisch begründeten Annahme aus, dass sich vertrauenswürdige Personen kohärent verhalten, das heißt: auch in sozialen Netzwerken vertrauenswürdig agieren. Kurz: Sie bluffen nicht - oder weniger.

    Die Wissenschaftler um den Wirtschaftsinformatiker Prof. Dr. Peter Gomber interessierten sich vor allem für berufliche soziale Netzwerke wie etwa LinkedIn oder Xing; dort veröffentlichen Broker und Anlageberater routinemäßig persönliche Informationen – um sich zu profilieren, Kontakte zu pflegen, ihr Netzwerk weiterzuentwickeln, vor allem aber auch, um potenzielle Kunden zu werben. Diese Profile setzen die Wissenschaftler mittels selbstlernender Algorithmen in Korrelation zu Datenbanken aufgedeckter Betrugsfälle, die von der US-Aufsichtsbehörde öffentlich zur Verfügung stehen.

    Die Ergebnisse der Machine-Learning-Modelle ergeben ein klares Muster: Informationen in beruflichen sozialen Netzwerken sind vor allem dann für die Klassifizierung von fehlverhaltenden und nicht fehlverhaltenden Finanzintermediären von Bedeutung, wenn sie durch andere Netzwerkakteure bestätigt werden – vor allem durch Behörden, die Informationen zum vergangenen Verhalten der Intermediäre offenlegen. Informationen, die für die externe Verifizierung der Profilinformationen genutzt werden können, können nämlich nur schwer manipuliert werden und sind somit besonders aussagekräftig bzw. helfen, Unstimmigkeiten zwischen Profilinformationen und behördlichen Informationen aufzudecken.

    Das Ergebnis der Studie ist besonders für Finanzmarktkontrolleure von Bedeutung: Sie können die Erkenntnisse etwa nutzen, um eigene Modelle für die Finanzmarktüberwachung zu trainieren oder bereits vorhandene Modelle zu erweitern und damit effizient zu gestalten. Indem sie unseriöse Broker und Anlageberater früher erkennen bzw. besser kontrollieren, können sie Betrugsfällen und anderem Fehlverhalten – und damit auch finanziellen Schäden - vorbeugen.

    Die Studie der Frankfurter Wirtschaftswissenschaftler wurde im renommierten „Journal of the Association for Information Systems” (JAIS) veröffentlicht und

    mit dem Best Paper Award des Journals für das Jahr 2020 ausgezeichnet. JAIS ist eine führende internationale wissenschaftliche Zeitschrift in Information Systems und im „AIS Senior Scholars’ Basket of Journals“ enthalten, das die weltweit acht Top-Information Systems-Journals umfasst.


    Contact for scientific information:

    Prof. Dr. Peter Gomber
    Professur für e-Finance
    gomber@wiwi.uni-frankfurt.de

    Dr. Benjamin Clapham
    clapham@wiwi.uni-frankfurt.de

    Jens Lausen
    lausen@wiwi.uni-frankfurt.de

    Dr. Michael Siering
    siering@wiwi.uni-frankfurt.de


    Original publication:

    Jens Lausen, Benjamin Clapham, Michael Siering, Peter Gomber (2020), “Who Is the Next "Wolf of Wall Street"? Detection of Financial Intermediary Misconduct”. In: Journal of the Association for Information Systems 21.5, pp. 1153–1190. https://aisel.aisnet.org/jais/vol21/iss5/7.


    Images

    Criteria of this press release:
    Journalists
    Economics / business administration, Information technology, Social studies
    transregional, national
    Research results
    German


     

    Help

    Search / advanced search of the idw archives
    Combination of search terms

    You can combine search terms with and, or and/or not, e.g. Philo not logy.

    Brackets

    You can use brackets to separate combinations from each other, e.g. (Philo not logy) or (Psycho and logy).

    Phrases

    Coherent groups of words will be located as complete phrases if you put them into quotation marks, e.g. “Federal Republic of Germany”.

    Selection criteria

    You can also use the advanced search without entering search terms. It will then follow the criteria you have selected (e.g. country or subject area).

    If you have not selected any criteria in a given category, the entire category will be searched (e.g. all subject areas or all countries).