🎓 Vortrag Hurricane Helene — Folie für Folie

Albayrak & Dinc · 15.07. · pro Folie: was drauf steht · 🗣️ was ihr sagt · 💡 was ihr damit meint

📖 Der ganze Kurs — von null bis alles verstanden

Lest das von oben nach unten, langsam, zu zweit. Es baut alles Schritt für Schritt auf. Danach versteht ihr wirklich, was ihr gemacht habt.

1. Worum geht es überhaupt?

Stellt euch vor, ein riesiger Sturm trifft ein Land. Häuser werden zerstört, Milliarden an Schaden. Jetzt die Frage, die wir uns gestellt haben: Reagiert die Börse darauf? Also — gehen die Aktienkurse von Firmen hoch oder runter, wenn so ein Sturm kommt?

Und eine tiefere Frage dahinter: Reagieren „dreckige" Firmen (die viel CO₂ ausstoßen) anders als „saubere"? Denn wenn ja, würde das zeigen: Die Börse denkt bei einem Sturm ans Klima und bestraft die Umweltsünder. Das ist unser ganzes Thema. Jetzt bauen wir Stück für Stück auf, wie man so etwas überhaupt misst.

2. Grundlagen: Aktie, Kurs, Rendite

Eine Aktie ist ein winziger Anteil an einer Firma. Wenn du eine Apple-Aktie hast, gehört dir ein winziges Stück von Apple. Der Kurs ist der Preis dieser Aktie — was sie gerade kostet. Der Kurs ändert sich jeden Tag: Kaufen viele die Aktie, steigt der Preis; verkaufen viele, fällt er.

Die Rendite ist einfach die Antwort auf: „Wie viel Prozent hat sich der Kurs an einem Tag verändert?" Ein Beispiel: Eine Aktie kostete gestern 100 €, heute 103 €. Sie ist um 3 € gestiegen. In Prozent sind das 3 von 100 = 3 %. Also ist die Rendite an diesem Tag +3 %.

Die Rechnung dazu ganz ausführlich: Wir nehmen den heutigen Kurs minus den gestrigen Kurs, das ist die Veränderung in Euro (103 − 100 = 3 €). Dann teilen wir durch den gestrigen Kurs, um es in Prozent zu bekommen: 3 ÷ 100 = 0,03. Und 0,03 sind 3 %. Merkt euch: Rendite = wie viel % die Aktie an einem Tag gewonnen oder verloren hat.

3. Das Problem: Kommt die Bewegung wirklich vom Sturm?

Jetzt kommt die Schwierigkeit. Angenommen, am Tag des Sturms steigt eine Aktie um 3 %. Können wir sagen „aha, das kommt vom Sturm"? Nein! Denn vielleicht ist die Aktie einfach gestiegen, weil der ganze Aktienmarkt an dem Tag gut lief (z. B. gute Wirtschaftsnachrichten). Dann hätte die Aktie auch OHNE Sturm zugelegt.

Wir müssen also irgendwie trennen: Wie viel von der Kursbewegung wäre sowieso passiert — und wie viel kommt wirklich vom Sturm? Das ist das zentrale Problem, und die nächsten Schritte lösen genau das.

4. Die Lösung: Erst das „normale" Verhalten lernen

Die Idee: Bevor wir den Sturm anschauen, lernen wir, wie sich jede Aktie normalerweise verhält. Dafür schauen wir uns eine lange Zeit VOR dem Sturm an — bei uns 180 Börsentage (das sind etwa 9 Monate). In dieser Zeit notieren wir jeden Tag zwei Zahlen: die Rendite der Aktie UND die Rendite des Gesamtmarkts.

Der „Gesamtmarkt" ist bei uns der S&P-500-Index — das ist eine einzige Zahl, die zeigt, wie die 500 größten US-Firmen zusammen an dem Tag liefen. Wenn der Index +1 % macht, heißt das: der Markt insgesamt stieg um 1 %.

Jetzt schauen wir: Wie hängt die Aktie mit dem Markt zusammen? Manche Aktien schwingen genau mit dem Markt mit, manche stärker, manche schwächer. Der Computer legt eine Linie durch all die 180 Tage und findet zwei Zahlen heraus, die diese Aktie beschreiben — Alpha und Beta:

  • Beta sagt: Wie stark schwingt die Aktie mit dem Markt mit? Beta = 1 heißt „genau wie der Markt". Beta = 1,2 heißt „1,2-mal so stark" — wenn der Markt +1 % macht, macht die Aktie normal +1,2 %. Beta = 0,8 heißt „schwächer als der Markt".

  • Alpha sagt: Was macht die Aktie, wenn der Markt sich gar nicht bewegt (also 0 %)? Meistens eine winzige Zahl, z. B. 0,02 %.

Zusammen ergeben sie eine einfache Formel für das „normale" Verhalten: Normale Rendite = Alpha + Beta × Markt-Rendite. Nehmen wir für unsere Beispielaktie an: Alpha = 0,02 % und Beta = 1,2.

5. Die „abnormale Rendite" — das Herzstück

Jetzt kommt der Sturmtag. An diesem Tag machte der Markt (der S&P 500) sagen wir +1 %. Was hätte unsere Aktie da normalerweise gemacht? Wir setzen einfach in die Formel ein:

Normale Rendite = 0,02 % + 1,2 × 1 % = 1,22 %

Normal hätte die Aktie also +1,22 % gemacht. Aber jetzt schauen wir, was sie wirklich gemacht hat — sagen wir +3 %. Der Unterschied ist das Entscheidende:

Abnormale Rendite = wirklich − normal = 3 % − 1,22 % = +1,78 %

Diese +1,78 % sind der Teil, der NICHT normal war. Die 1,22 % wären eh passiert (wegen des Marktes) — aber die zusätzlichen 1,78 % sind die Reaktion auf den Sturm. Fachwort: abnormale Rendite (AR). Merkt euch: „abnormal" heißt hier nicht „schlimm", sondern einfach „mehr oder weniger als normal erwartet".

6. Über mehrere Tage summieren: der CAR

Ein Sturm wirkt nicht nur an einem einzigen Tag. Die Reaktion zieht sich oft über mehrere Tage hin. Deshalb schauen wir nicht nur den Sturmtag an, sondern ein Fenster von Tagen: bei uns von 5 Tagen VOR dem Sturm bis 5 Tage NACH dem Sturm. Das schreibt man [−5, +5] — die Null ist der Sturmtag, minus die Tage davor, plus die Tage danach. Das sind zusammen 11 Tage.

Für jeden dieser 11 Tage rechnen wir die abnormale Rendite aus (so wie in Schritt 5). Dann zählen wir alle 11 zusammen. Das Ergebnis ist die gesamte Reaktion dieser einen Aktie über das ganze Fenster. Fachwort: CAR (kumulierte abnormale Rendite — „kumuliert" heißt einfach „zusammengezählt").

Beispiel: Die 11 abnormalen Tagesrenditen einer Ölfirma ergeben zusammen +5,68 %. Dann ist ihr CAR = +5,68 % — so stark hat diese eine Firma über das Fenster auf den Sturm reagiert.

7. Über alle Firmen mitteln: der CAAR

Wir schauen ja nicht nur eine Firma an, sondern viele — bei uns 55 Firmen. Jede hat jetzt ihren eigenen CAR (ihre eigene Reaktion). Um zu sehen, wie „die Börse insgesamt" reagiert hat, bilden wir den Durchschnitt aller CARs.

Das geht ganz simpel: Wir zählen die CARs aller 55 Firmen zusammen und teilen durch 55. Fachwort für diesen Durchschnitt: CAAR (kumulierte DURCHSCHNITTLICHE abnormale Rendite — das zweite A steht für „average" = Durchschnitt).

Bei uns kam CAAR = +2,61 % heraus. Das heißt in einfachen Worten: Die typische Firma legte über das Sturm-Fenster im Schnitt 2,61 % mehr zu, als normal zu erwarten gewesen wäre. Das ist eine der wichtigsten Zahlen der ganzen Arbeit — sie steht auf dem Balkendiagramm (Folie 8).

8. Ist das echt — oder nur Zufall? (Signifikanz)

Jetzt eine kritische Frage: Sind diese +2,61 % wirklich eine echte Reaktion — oder reiner Zufall? Denn vielleicht sind manche der 55 Firmen um +10 % gestiegen, andere um −8 % gefallen, und rein zufällig kommt im Durchschnitt +2,61 % raus. Das müssen wir prüfen.

Dafür gibt es einen Test. Man rechnet eine Zahl aus, die SCAAR heißt. Die Idee: Man teilt den Durchschnitt (2,61 %) durch die Streuung — also durch ein Maß dafür, wie uneinig die Firmen sind. Sind alle Firmen ähnlich gestiegen, ist die Streuung klein und das Ergebnis vertrauenswürdig. Streuen sie wild, ist die Streuung groß und das Ergebnis unsicher.

Bei uns: CAAR = 2,61 %, die Streuung (Fachwort: Standardfehler) war 0,735 %. Also: 2,61 ÷ 0,735 = 3,55. Und jetzt die Faustregel: Ist diese Zahl größer als etwa 1,96, gilt das Ergebnis als „echt" (signifikant). 3,55 ist klar größer → unsere Reaktion ist echt, kein Zufall. Deshalb stehen auf der Folie hinter der Zahl drei Sternchen (***) — die bedeuten „hochsignifikant".

Oft redet man auch vom p-Wert. Der sagt dasselbe von der anderen Seite: Er ist die Wahrscheinlichkeit, dass das Ergebnis Zufall ist. Ein kleiner p-Wert (unter 0,05, also unter 5 %) heißt „sehr wahrscheinlich echt". Ein großer p-Wert (z. B. 0,66, also 66 %) heißt „das könnte gut Zufall sein". Merkt euch: kleiner p = echt, großer p = wohl Zufall.

9. Warum genau das Fenster [−5, +5]?

Warum nehmen wir 5 Tage vor und 5 Tage nach dem Sturm — und nicht nur den Tag selbst oder gleich 30 Tage? Drei Überlegungen:

  • Die Tage danach (0 bis +5) brauchen wir, weil die Reaktion oft nicht am selben Tag komplett ist — die Börse verarbeitet die Nachricht über ein paar Tage.

  • Die Tage davor (−5 bis −1) brauchen wir, um zu prüfen, ob die Börse den Sturm schon geahnt hatte (dann hätte sich schon vorher was getan). Bei uns war da fast nichts — also war der Sturm eine echte Überraschung.

  • Warum nicht länger, z. B. 30 Tage? Weil dann andere Ereignisse reinfunken und das Ergebnis verwässern. Genau das ist uns beim längsten Fenster passiert: Da fiel ein zweiter Hurricane (Milton) rein. Deshalb ist ±5 ein guter Kompromiss — lang genug für die ganze Reaktion, kurz genug, dass nichts anderes stört.

10. Unsere drei Vermutungen (H1, H2, H3)

Bevor man Daten anschaut, stellt man in der Wissenschaft Vermutungen auf, die man dann prüft. Fachwort: Hypothesen. Wir hatten drei:

  H1 — „Der Markt reagiert überhaupt." Also: Gibt es rund um den Sturm eine echte, abnormale Reaktion? Ob rauf oder runter, ließen wir bewusst offen.

  H2 — „Die Branchen reagieren unterschiedlich." Genauer: Bau und Transport reagieren negativer als Öl & Gas. Denn Bau und Transport sitzen fest an einem Ort und werden vom Sturm getroffen, Öl profitiert eher.

  H3 — „Dreckige Firmen werden stärker abgestraft." Also: Je mehr CO₂ eine Firma ausstößt, desto negativer ihre Reaktion — falls die Börse beim Sturm ans Klima denkt.

11. Warum diese Vermutungen? (die Theorie dahinter)

Diese Vermutungen kommen nicht aus dem Nichts, sondern aus zwei Theorien:

Die Salience-Theorie (von den Forschern Bordalo, Gennaioli und Shleifer). „Salient" heißt „auffällig, ins Auge springend". Die Idee: Menschen bewerten Risiken nicht nüchtern nach Wahrscheinlichkeit, sondern sie überbewerten das, was gerade auffällt. Beispiel aus dem Alltag: Nach einem Flugzeugabsturz in den Nachrichten haben viele Menschen Flugangst — obwohl Fliegen genauso sicher ist wie vorher. Es hat sich nur die Aufmerksamkeit geändert, nicht die echte Gefahr. Übertragen auf uns: Ein Hurricane macht Klimarisiko plötzlich sichtbar und auffällig, und deshalb reagieren die Anleger — obwohl sich die echte Wahrscheinlichkeit von Stürmen nicht geändert hat.

Dazu passt eine zweite Studie (von Dessaint und Matray): Sie zeigten, dass solche Reaktionen oft Überreaktionen sind, die sich nach einiger Zeit wieder zurückbilden. Das ist wichtig für uns, weil es erklärt, warum ein einzelner Sturm kein dauerhaftes Umdenken auslöst.

Das Carbon Premium (von den Forschern Bolton und Kacperczyk). Die Idee: Firmen mit viel CO₂ sind riskanter, weil Regierungen in Zukunft strengere Klimagesetze machen könnten (CO₂-Steuern, Auflagen), die dreckige Firmen härter treffen. Fachwort für dieses Risiko: Transitionsrisiko (das Risiko beim Übergang zu einer klimafreundlichen Wirtschaft). Wenn die Börse dieses Risiko ernst nimmt, sollten dreckige Firmen bei einem Klima-Ereignis stärker verlieren. Das ist genau die Idee hinter H3.

12. Welche Firmen und Daten? (und warum genau die)

Wir haben 57 große US-Firmen genommen, aus der Liste der 500 größten (dem S&P 500). Aber nicht irgendwelche, sondern aus drei ganz bestimmten Branchen: Öl & Gas, Bau, und Transport. Warum genau diese drei? Das ist ein kluger Trick:

Alle drei sind „dreckig" (stoßen viel CO₂ aus) — das brauchten wir, um die CO₂-Frage überhaupt testen zu können. Aber sie werden vom Sturm ganz unterschiedlich getroffen: Bau (baut an festen Orten) und Transport (feste Routen, Häfen) leiden — Öl & Gas gewinnt sogar, weil bei einem Sturm die Ölförderung im Golf abgeschaltet wird, das Öl knapp wird und der Ölpreis steigt. Dadurch können wir sauber trennen: Reagiert die Börse auf die CO₂-Menge (dann müssten alle drei gleich reagieren, weil alle dreckig sind) — oder auf die konkrete Betroffenheit (dann reagieren sie verschieden)?

Von jeder Firma brauchten wir zwei Sachen: den Aktienkurs an jedem Tag und die CO₂-Menge. Beides haben wir aus einer großen Finanz-Datenbank namens LSEG geholt (früher „Refinitiv" genannt — sowas wie ein riesiges Google nur für Börsen- und Firmendaten). Für die CO₂-Menge nehmen wir übrigens nicht den reinen Wert, sondern die CO₂-Intensität = CO₂ geteilt durch Umsatz. Warum? Weil große Firmen automatisch mehr CO₂ ausstoßen. Teilt man durch den Umsatz, bekommt man „wie dreckig pro verdientem Euro" — so sind kleine und große Firmen fair vergleichbar.

13. Der CO₂-Test: die Regression

Jetzt zur Schlüsselfrage (H3): Hängt die Reaktion einer Firma von ihrer CO₂-Menge ab? Dafür nutzt man ein Rechenverfahren namens Regression. Ganz einfach gesagt: Die Regression schaut sich alle Firmen zusammen an und findet heraus, welcher Faktor die Reaktion am besten erklärt.

Wir geben ihr für jede Firma vier Informationen mit: ihre Reaktion (den CAR), ihre CO₂-Intensität, ihre Größe, und ob sie zu Bau oder Transport gehört. Der Computer sucht dann die Zahlen, die am besten passen. Für jeden Faktor kommt ein Koeffizient heraus — eine Zahl, die sagt, wie stark dieser Faktor die Reaktion beeinflusst.

Der wichtigste ist der Koeffizient für CO₂. Wäre er deutlich negativ, hieße das: mehr CO₂ → schlechtere Reaktion (H3 stimmt). Bei uns kam aber heraus: −0,0010 — das ist praktisch null. Und der p-Wert war 0,66, also 66 % Zufallswahrscheinlichkeit. Das bedeutet: Die CO₂-Menge hat KEINEN Einfluss auf die Reaktion. Der Koeffizient für die Branche dagegen war klar da (Bau −6,4, Transport −7,0, beide sicher echt) — die Branche erklärt die Reaktion, das CO₂ nicht.

14. Was kam am Ende raus? (alle Ergebnisse zusammen)

  H1 — bestätigt. Der Markt reagierte: die typische Firma +2,61 %, hochsignifikant.

  H2 — bestätigt. Die Reaktion kam fast nur von Öl & Gas (+5,68 %). Bau und Transport reagierten kaum — in der Regression 6 bis 7 Prozentpunkte schwächer als Öl. Wichtig: Bau/Transport sind nicht abgestürzt, sie sind nur im Vergleich zu Öl zurückgeblieben, weil Öl so stark stieg.

  H3 — NICHT bestätigt. Die CO₂-Menge machte keinen Unterschied. Egal ob dreckig oder sauber, die Reaktion war gleich. Es kam nur auf die Branche an.

15. Was heißt das? (die Botschaft)

Die Börse reagiert auf einen Hurricane — aber sie schaut auf die Branche, nicht auf die CO₂-Menge. Der Grund: Ein einzelner Sturm lässt die Anleger kurzfristig an den direkten Schaden denken („welche Firma ist gerade vor Ort betroffen?"), nicht langfristig an das CO₂-Problem („welche Firma wird später von Klimagesetzen getroffen?"). Klimarisiko ist für die Börse also durchaus wichtig — aber der Weg läuft über die konkrete Betroffenheit, nicht über den Emissionswert.

16. Die Grenzen unserer Studie (ehrlich)

  • Das längste Zeitfenster überschneidet sich mit einem zweiten Hurricane (Milton) — deshalb ist unser Hauptergebnis das kürzere, saubere Fenster.

  • Wir haben nur die direkten Emissionen einer Firma (Scope 1), nicht die aus Strom oder Lieferkette. Mit allen Emissionen sähe man vielleicht doch einen CO₂-Effekt.

  • Unsere Stichprobe ist mit 49 Firmen (in der CO₂-Rechnung) recht klein — das macht die Aussage statistisch weniger stark.

Solche Grenzen offen zu nennen ist kein Makel, sondern gehört zu ehrlicher Wissenschaft — und bringt in der Bewertung sogar Punkte.

✅ Wenn ihr bis hier alles gelesen habt, versteht ihr eure ganze Arbeit. Erst JETZT lohnt es sich, in die Sprech-Tabs (② und ③) zu gehen und zu üben, was ihr sagt.

Alles in einfach — die ganze Arbeit als Geschichte

Lest das zuerst zusammen, langsam. Danach ergibt jede Folie Sinn. Fachwort steht drin — aber sofort auf Deutsch erklärt.

1. Was wollten wir überhaupt rausfinden?

Ganz einfach: Wenn ein riesiger Hurricane eine Region trifft — reagiert dann die Börse? Gehen die Aktienkurse hoch oder runter? Und die spannendere Frage: Reagieren „schmutzige" Firmen (die viel CO₂ ausstoßen) anders als „saubere"?

Warum interessiert das? Man will wissen, ob die Börse Klimarisiko ernst nimmt. Wenn dreckige Firmen bei einem Klima-Ereignis stärker abgestraft würden, hieße das: Die Börse achtet auf CO₂.

2. Welche Firmen haben wir angeschaut? (unsere Daten)

Wir haben 57 große US-Firmen genommen — aus dem S&P 500 (= die Liste der 500 größten US-Firmen). Aber nicht irgendwelche, sondern nur aus 3 Branchen, die viel mit Klima/CO₂ zu tun haben:
  🛢️ Öl & Gas (fördern Öl)
  🏗️ Bau (bauen Häuser, Straßen)
  🚚 Transport (LKW, Bahn, Fluglinien)

Von jeder Firma brauchten wir zwei Dinge:
  1. Den Aktienkurs an jedem Tag (was die Aktie wert war)
  2. Wie viel CO₂ die Firma ausstößt

Beides haben wir aus einer großen Finanz-Datenbank geholt: LSEG (früher „Refinitiv" — sowas wie ein riesiges Google für Börsendaten).

3. Wie haben wir gemessen, ob der Sturm was bewirkt? (der Trick)

Das ist der cleverste Teil. Das Problem: Wenn eine Aktie am Sturmtag steigt — kommt das vom Sturm? Oder wäre sie eh gestiegen, weil der ganze Markt gut lief?

Unsere Lösung: Wir haben für jede Aktie erst geschaut, wie sie sich normalerweise verhält. Dafür haben wir 180 Tage VOR dem Sturm angeschaut und gelernt: „Wenn der Gesamtmarkt X macht, macht diese Aktie normalerweise Y."

Dann am Sturmtag vergleichen wir: Was hat die Aktie WIRKLICH gemacht — gegen das, was sie NORMAL gemacht hätte? Der Unterschied ist die Reaktion auf den Sturm. Fachwort dafür: „abnormale Rendite" (= die Kursbewegung, die NICHT normal war, also die vom Sturm kommt).

Mini-Beispiel: Der Markt lief +1 %. Diese Aktie hätte normal +1,2 % gemacht. Sie machte aber +3 %. → Die „abnormalen" +1,8 % sind die Sturm-Reaktion.

4. Was kam raus?

a) Ja, die Börse reagierte. Im Schnitt gingen die Aktien um +2,61 % hoch (mehr als normal). → Das ist unsere Hypothese H1: bestätigt.

b) Aber fast nur bei Öl & Gas (+5,68 %). Warum? Als der Sturm kam, wurden die Ölplattformen im Golf von Mexiko vorsichtshalber abgeschaltet → weniger Öl auf dem Markt → Ölpreis steigt → Ölfirmen werden mehr wert. Bau und Transport reagierten kaum. → H2: bestätigt (die Branchen reagieren verschieden).

c) Die große Frage — schmutzig vs. sauber: KEIN Unterschied. Ob eine Firma viel oder wenig CO₂ ausstößt, hatte keinen Einfluss darauf, wie ihre Aktie reagierte. Es kam nur auf die Branche an, nicht auf CO₂. → H3: NICHT bestätigt.

5. Was heißt das am Ende? (die Botschaft)

Die Börse reagiert auf Hurricanes — aber sie schaut auf die Branche (wer ist konkret vor Ort betroffen), nicht auf die CO₂-Menge. Ein einzelner Sturm bringt die Börse NICHT dazu, „schmutzige" Firmen abzustrafen. Klimarisiko ist für die Börse wichtig — aber der Weg läuft über „welche Branche ist betroffen", nicht über „wie viel CO₂".

📊 Und das Diagramm (Folie 8) — ganz simpel

Es ist ein Balkendiagramm. Unten stehen die 4 Gruppen (Gesamt, Öl&Gas, Bau, Transport). Die Höhe jedes Balkens = wie stark die Gruppe reagiert hat, in Prozent. 
+6% |          ▉ 5,68%   ← Öl&Gas ragt raus
+3% |  ▉        ▉
+1% |  ▉ 2,61%  ▉   ▉ 0,61%
 0% |──▉────────▉───▉──────────
-1% |                    ▉ -0,94% Transport
     Gesamt Öl&Gas Bau Transport
Über der Null-Linie = gestiegen. Unter der Linie = leicht gefallen. Man sieht auf einen Blick: Nur Öl&Gas ragt hoch raus — die ganze Reaktion kommt von dort.

Unsere Überlegungen — warum wir so vorgegangen sind

Das fragt ein Prüfer fast sicher: „Warum habt ihr das so gemacht?" Hier eure Begründung für jede Entscheidung.

🤔 Warum überhaupt Hurricane Helene?

Unser Gedanke: Es ist ein Climate-Finance-Seminar — also brauchten wir ein Klima-Ereignis. Helene war brandaktuell (September 2024), riesig (eines der teuersten je), und — das Wichtigste — es gab noch keine wissenschaftliche Studie dazu. Erst recht keine, die nach CO₂ unterscheidet. Also eine echte Forschungslücke, die wir füllen konnten.

🤔 Warum genau diese 3 Branchen (Öl&Gas, Bau, Transport)?

Unser Gedanke: Wir brauchten zwei Dinge gleichzeitig. Erstens Firmen, die viel CO₂ ausstoßen — sonst könnten wir die CO₂-Frage (H3) gar nicht testen. Zweitens Branchen, die vom Sturm unterschiedlich betroffen sind: Öl profitiert (Angebotsschock), Bau/Transport leiden (örtlich verwundbar). Nur so kann man sauber trennen, ob die Börse auf CO₂ reagiert oder auf die konkrete Betroffenheit.

🤔 Warum der S&P 500?

Unser Gedanke: Das sind die 500 größten US-Firmen. Für die gibt es saubere, vollständige Daten — Kurse und CO₂-Angaben. Bei kleineren Firmen hätten wir überall Datenlücken gehabt. Und Helene traf die USA, also passen US-Firmen.

🤔 Warum das Marktmodell und diese Zeitfenster?

Unser Gedanke: Das Marktmodell ist die Standard-Methode für Ereignisstudien (MacKinlay 1997), und der Lehrstuhl gibt sie so vor. Uns war wichtig, sauber zu zeigen: Die Reaktion kommt vom Sturm, nicht vom Gesamtmarkt. Mehrere Fenster (kurz + lang) nehmen wir, um zu prüfen, ob das Ergebnis stabil ist.

🤔 Warum LSEG als Datenquelle? (wichtige Entscheidung)

Unser Gedanke: Anfangs hatten wir kostenlose Daten (Yahoo Finance, EPA), aber die deckten nur einen Teil der Firmen mit CO₂-Angaben ab. Wir sind auf LSEG Workspace (Profi-Finanzdatenbank) umgestiegen — dadurch vollständigere CO₂-Daten (51 statt weniger Firmen) und der professionelle Umgang mit so einer Datenbank ist Teil der Methodenkompetenz.

🤔 Warum CO₂-Intensität und nicht CO₂ absolut?

Unser Gedanke: Große Firmen stoßen automatisch mehr CO₂ aus — das würde den Vergleich verfälschen. Deshalb teilen wir durch den Umsatz: „wie dreckig pro verdientem Euro". So sind kleine und große Firmen fair vergleichbar.

🤔 Warum framen wir H3 so vorsichtig?

„Vorsichtig framen" heißt: nicht mehr behaupten, als man belegen kann. Wie bei einem Medikament-Test: Wenn es nicht hilft, sagt man nicht „es wirkt definitiv nicht", sondern „in unserem Test fanden wir keine Wirkung". Genau so sagen wir nicht „CO₂ ist definitiv egal", sondern „wir fanden keinen CO₂-Effekt".

Warum so vorsichtig? Drei Gründe:
  1. „Nicht stabil": Wir haben 4 Zeiträume getestet. In 3 davon → gar kein CO₂-Effekt. Wäre CO₂ wirklich wichtig, müsste der Effekt in ALLEN auftauchen.
  2. „Falsche Richtung": Im einzigen Fenster mit Effekt zeigte er das Gegenteil unserer Vermutung — mehr CO₂ ging mit BESSEREN Renditen einher, nicht schlechteren. Ein echter Effekt wechselt nicht das Vorzeichen.
  3. „Milton-verfälscht": Genau dieses eine Fenster [0,+10] enthält den zweiten Hurricane Milton — also nicht mehr sauber Helene zuzuordnen.

„Robust" bedeutet: kommt in allen Rechenvarianten gleich raus. Unser „kein CO₂-Effekt" ist robust (immer, p=0,48–0,81). Der eine Ausreißer ist es nicht.

Warum kein Makel? Ein sauberes „kein Effekt" ist in der Wissenschaft genauso wertvoll wie ein Effekt — es beantwortet die Frage klar: Die Börse achtet beim Hurricane auf die Branche, nicht auf CO₂.

🧵 Der rote Faden — wie wir auf alles kamen

Der komplette Gedankengang der Arbeit, Schritt für Schritt — mit direktem Vergleich zu dem, was ihr geschrieben habt (Kapitel-Verweise + wörtliche Zitate) und allen genauen Zahlen, die ihr gemessen habt.

0. Die Grundidee — wovon alles ausgeht

Ein Hurricane ist ein Salienz-Schock: Er macht Klimarisiko schlagartig sichtbar. Daraus unsere Doppelfrage: Reagiert die Börse überhaupt auf so ein Ereignis — und wenn ja, achtet sie dabei auf die CO₂-Bilanz der Firmen?

📄 So steht es in eurer Arbeit (Kap. 2.5, Absatz 1):„Ein Hurricane löst als Salienz-Schock zunächst eine aggregierte Reaktion aus (H1). Diese fällt je nach sektoraler Betroffenheit unterschiedlich aus (H2). Und sofern ein Transitionsrisiko-Kanal wirkt, hängt sie schließlich mit der Emissionsintensität der Firmen zusammen (H3)."

1. Warum genau DREI Hypothesen? Die Treppe vom Groben zum Feinen

Ihr habt die große Frage in drei Stufen zerlegt — jede baut auf der vorigen auf:

  H1 (die gröbste Frage): Passiert an der Börse ÜBERHAUPT etwas Messbares?

  H2 (eine Stufe feiner): Wenn ja — reagieren die Sektoren UNTERSCHIEDLICH, je nachdem wie sie physisch betroffen sind?

  H3 (die feinste, anspruchsvollste Frage): Und hängt die Reaktion an der CO₂-Intensität — also am Transitionsrisiko?

Das ist der rote Faden: erst „passiert was", dann „wo genau", dann „warum — Sektor oder CO₂".

2. H1 — Reagiert der Markt überhaupt?

Was ihr erwartet habt: Es gibt eine signifikante Reaktion — die Richtung habt ihr bewusst offen gelassen (rauf oder runter).

📄 Eure H1 (Kap. 2.5):„Der Landfall löst signifikante CAARs aus (Vorzeichen a priori offen)."
🔢 Was ihr gemessen habt (Hauptfenster [−5,+5]): Gesamt-CAAR = +2,61 %, hochsignifikant (p < 0,001). Also ja — der Markt reagiert, und zwar im Schnitt positiv.
💡 Was ihr dabei gemerkt habt: Der positive Schnitt ist noch nicht die ganze Wahrheit — er könnte von wenigen Firmen kommen. Genau das prüft die nächste Stufe (H2). → H1 ✓ bestätigt.

3. H2 — Reagieren die Sektoren unterschiedlich?

Was ihr erwartet habt: Bau und Transport reagieren negativer als Öl & Gas — weil sie örtlich gebunden und damit physisch betroffen sind, während Öl vom Angebotsschock profitiert.

📄 Eure H2 (Kap. 2.5, wörtlich):„Construction- und Transportation-Firmen weisen negativere CARs auf als Oil-&-Gas-Firmen." ⚠️ Achtung: relativ formuliert („negativer ALS Öl"), NICHT absolut („fallen ins Minus").
🔢 Was ihr gemessen habt:
• Öl & Gas: CAAR +5,68 % (p < 0,001) — stark positiv
• Construction: nicht signifikant, nahe null
• Transportation: nicht signifikant, nahe null
• In der Regression (relativ zur Öl-Referenz): Construction −6,4 Pp (p < 0,001), Transportation −7,0 Pp (p < 0,001)
💡 Der entscheidende Twist (genau das, was ihr erkannt habt): Die Sektoren unterscheiden sich klar — ABER die Unterschiedlichkeit kommt fast nur daher, dass Öl nach OBEN ausreißt, nicht dass Bau/Transport nach UNTEN fallen. Ihr hattet eine Spreizung nach BEIDEN Seiten erwartet (Öl rauf, Bau/Transport runter). Rausgekommen ist eine Spreizung nur nach EINER Seite (Öl rauf, Rest neutral). Deshalb „modifiziert bestätigt".
📄 Genau so deutet ihr es (Kap. 4.2 und Kap. 5):„H2 ist … nicht als sektorübergreifend negative Reaktion in Construction und Transportation zu verstehen, sondern als signifikante Renditedifferenz dieser beiden Sektoren gegenüber Oil & Gas." — „Die signifikante Differenz … entsteht folglich weniger durch einen absoluten Kurseinbruch … als durch den ausgeprägt positiven Angebotsschock-Effekt bei Öl und Gas, der den Referenzpunkt nach oben schiebt."
💡 Warum bleiben Bau/Transport neutral statt negativ? (euer Kap. 5) Gegenläufige Kräfte heben sich auf: Bei Bau gleicht die Wiederaufbau-Nachfrage den Schaden aus (nach Stürmen volle Auftragsbücher bei Baustoff-/Bauunternehmen). Bei Transport dämpfen überregional diversifizierte Netzwerke den lokalen Einschlag. → H2 ✓ modifiziert bestätigt.

3b. Aber Moment — müsste Bau nicht STEIGEN (Wiederaufbau) und Transport ABSTÜRZEN?

Genau diese Nachfrage kommt wahrscheinlich vom Prüfer — und die Antwort macht euch stark. Zwei Schlüssel: (A) gegenläufige Kräfte heben sich auf und (B) wir schauen große, NATIONALE S&P-500-Konzerne an — keine lokalen Florida-Firmen.

🏗️ Warum steigt Bau NICHT, obwohl Häuser neu gebaut werden müssen?
Zwei Kräfte ziehen gegeneinander:
• Negativ (sofort + sicher): zerstörte Baustellen, verzögerte Projekte, höhere Materialkosten, Stillstand vor Ort.
• Positiv (später + unsicher): die Wiederaufbau-Nachfrage — aber die kommt erst Monate/Jahre später (Versicherung, Genehmigungen, Ausschreibungen). In einem 11-Tage-Fenster preist die Börse einen sicheren Sofort-Schaden anders als einen vagen Gewinn in ferner Zukunft.
• Dazu (B): Die großen börsennotierten Baukonzerne im S&P 500 machen nur einen kleinen Teil ihres Geschäfts in Florida — der lokale Wiederaufbau geht oft an kleinere Regionalfirmen, die gar nicht im Index sind.
→ Sicherer Sofort-Schaden und unsicherer Später-Gewinn heben sich per Saldo ungefähr auf → Bau bleibt neutral.
🚚 Warum stürzt Transport NICHT ab, obwohl Routen/Häfen kaputt sind?
• Negativ: Hub-Schließungen, gesperrte Häfen/Flughäfen, unterbrochene Routen in der Region.
• Dämpfend: Die großen Transportfirmen im S&P 500 (Bahn, Paketdienste, Airlines) sind überregional/national vernetzt. Ein Florida-Sturm trifft nur einen kleinen Teil ihres Netzes; Verkehr wird umgeleitet, Ausfälle nachgeholt, und der Transport von Hilfsgütern schafft sogar Zusatznachfrage.
→ Der lokale Einschlag belastet die Gesamtbewertung nur begrenzt → Transport bleibt nur leicht negativ, nicht katastrophal.
🛢️ Und warum reißt dann ausgerechnet Öl so stark aus?
Weil der Öl-Effekt nicht lokal, sondern global ist: Der Ölpreis ist ein Weltmarktpreis. Plattform-Schließungen im Golf von Mexiko verknappen das Angebot und treiben den Preis für alle Öl-Firmen — egal wo sie sitzen. Das wirkt direkt aufs Kerngeschäft jeder einzelnen Öl-Aktie, sofort und einheitlich. Deshalb ein großer, klarer Ausschlag (+5,68 %) — während die Bau-/Transport-Effekte lokal, gemischt und gedämpft sind.
🔢 Der Kernsatz zum Merken: Öl = globaler Preis-Effekt aufs Kerngeschäft aller Firmen (groß, einheitlich, positiv). Bau/Transport = lokale Schäden bei national diversifizierten Konzernen, teils durch Wiederaufbau/Umleitung ausgeglichen (klein, gemischt, netto neutral). Genau deshalb Spreizung nur nach oben — nicht nach beiden Seiten.

4. H3 — Erklärt die CO₂-Intensität die Reaktion?

Was ihr erwartet habt: Je mehr CO₂, desto negativer die Reaktion — falls der Markt beim Klimaschock zusätzlich ans langfristige Transitionsrisiko denkt. Das war eure anspruchsvollste Hypothese, weil sie einen extra Bewertungskanal voraussetzt.

📄 Eure H3 (Kap. 2.5):„Innerhalb der Stichprobe besteht ein negativer Zusammenhang zwischen CO₂-Intensität und CARs."
🔢 Was ihr gemessen habt (Querschnittsregression, Kap. 4.3):
• Hauptfenster [−5,+5]: CO₂-Koeffizient γ₁ = −0,0010 — praktisch null
• t = −0,44, p = 0,66 → klar nicht signifikant
• Modell-R² = 0,45 (die Erklärungskraft kommt fast nur von den Sektor-Dummies, nicht vom CO₂)
• Kontrolle log(MktCap): γ₂ = −0,91 (p = 0,22, auch nicht signifikant)
• Nur langes Fenster [0,+10]: γ₁ = +0,0040 (p = 0,02) — aber POSITIV (falsche Richtung!) und durch Hurricane Milton kontaminiert
• Robustheitschecks (Winsorisierung, alt. Schätzfenster): durchweg p = 0,48–0,81
💡 Was ihr gemerkt habt: Egal wie ihr rechnet — CO₂ erklärt nichts. Der eine „Treffer" im langen Fenster ist verkehrt herum UND verseucht (Milton). Also: kein robuster Carbon-Premium-Effekt. → H3 ✗ nicht bestätigt.

5. Was ihr im Tagesverlauf gesehen habt (das Detail, das die Story rund macht)

🔢 Der Verlauf Tag für Tag (Kap. 4.2 + Backup-Folie):
• Ereignistag t=0: Gesamt-CAAR fällt zunächst auf −0,63 %, Öl sogar auf −1,39 % — erste Schadens-/Unsicherheitsreaktion
• Tages-AAR an t=0: −0,56 % (SAAR = −2,51, signifikant negativ), getrieben von Öl mit −1,86 % (p < 0,001)
• Ab Tag +1 drehen die Werte ins Positive (Angebotsschock Öl): starke Tage +1, +3, +5, +7 (jeweils p < 0,001)
• Öl klettert bis Tag +7 auf rund +7 %
• Construction die ganze Zeit nahe null, Transportation leicht im Minus
• Stärkster Rücksetzer Tag +8: −1,69 % (p < 0,001) — fällt zeitlich mit der beginnenden Milton-Berichterstattung zusammen
💡 Was das zeigt: Die positive Gesamtreaktion entsteht ERST NACH dem Sturm und konzentriert sich voll auf Öl. Und Tag +8 beweist konkret, warum das lange Fenster [0,+10] unbrauchbar ist — genau da funkt Milton rein. Deshalb ist euer sauberes Hauptfenster das kürzere [−5,+5].

6. Die große Botschaft — worauf alles hinausläuft

Der Markt reagiert auf die physische Betroffenheit (den Sektor), nicht auf die CO₂-Bilanz. Salience läuft über „wer ist gerade vor Ort betroffen" — nicht über „wer ist dreckig". Und ein einzelner Sturm löst kein dauerhaftes Umpreisen nach CO₂ aus — die Reaktion ist eine Überreaktion, die sich zurückbildet (Dessaint & Matray 2017).

📄 Euer Fazit (Kap. 6):„vor allem die Sektorzugehörigkeit erklärt die Variation der CARs, während die CO₂-Intensität keinen eigenständigen, robusten Erklärungsbeitrag leistet. Ein Carbon-Premium-Effekt im Querschnitt lässt sich somit nicht bestätigen."
💡 Die praktische Lehre (euer Flex-Schluss): Physische Klimarisiken sind bewertungsrelevant — aber sie müssen sektorspezifisch analysiert werden. Eine reine CO₂-Kennzahl greift beim akuten physischen Schock zu kurz.

7. Wie ihr die ganze Kette im Vortrag sagt (in 5 Sätzen)

🗣️ Die Kurzfassung fürs Vortragen: „Wir haben die Frage in drei Stufen zerlegt: Reagiert der Markt überhaupt — H1, reagieren die Sektoren unterschiedlich — H2, und erklärt das CO₂ die Reaktion — H3. H1 bestätigt sich: plus 2,61 Prozent, getragen von Öl und Gas mit plus 5,68 Prozent. H2 bestätigt sich modifiziert: Die Sektoren unterscheiden sich um 6 bis 7 Prozentpunkte — aber weil Öl durch den Angebotsschock nach oben ausreißt, nicht weil Bau und Transport fallen. Und H3 lehnen wir ab: Der CO₂-Koeffizient ist mit minus 0,001 und p gleich 0,66 praktisch null. Die Marktreaktion folgt also der physischen Betroffenheit, nicht der Emissionsintensität."
🔥 Der Konter, wenn Roeder bohrt („Sie haben doch negativ prognostiziert — warum sind Bau/Transport dann nicht negativ?"): „Die absolute Nicht-Signifikanz widerspricht der relativen Minderrendite nicht. Bei Bau fängt die Wiederaufbau-Nachfrage den Schaden auf, bei Transport die diversifizierten Netzwerke — deshalb bleiben beide neutral, während die Differenz zu Öl trotzdem hochsignifikant ist. Unsere H2 war relativ formuliert: negativer ALS Öl, nicht absolut ins Minus."

🎤 Vortrags-Skript — die volle Fassung (25 Min)

Identisch mit eurer Vortrags-Skript.tex (zum Ausdrucken). Sprechbar, aber vollständig für die 25-Min-Vorgabe (~12–13 Min pro Person). Ihr wechselt euch Folie für Folie ab — so wie ihr geübt habt. Blau = Yusuf, Ocker = Oguzhan. Pro Folie: was drauf steht + Sprechtext. Unten: vorbereitete Rückfragen. Frei sprechen, nicht ablesen!
Folie 1 · Titel — Yusuf
📊 Auf der Folie: Thema, Namen, Lehrstuhl, Datum
Yusuf: „Einen schönen guten Tag zusammen. Wir sind Yusuf Albayrak und Oguzhan Dinc, und wir stellen Ihnen heute unsere Ereignisstudie zum Landfall von Hurricane Helene vor. Die Grundfrage, die uns dabei umtreibt: Wenn ein schwerer Sturm die Wirtschaft trifft — reagiert die Börse dann darauf, dass eine Firma physisch vor Ort betroffen ist, oder darauf, dass sie viel CO₂ ausstößt? Genau diese zwei Möglichkeiten stellen wir gegeneinander. Ich übernehme die erste Hälfte — Motivation, Theorie und Methodik — und mein Kollege Oguzhan danach die Ergebnisse und die Diskussion."
Folie 2 · Agenda — Oguzhan
📊 Auf der Folie: Gliederung: Motivation, Frage, Theorie, Methodik, Ergebnisse, Diskussion
Oguzhan: „Kurz zum Ablauf, damit Sie wissen, wo die Reise hingeht. Wir starten mit der Motivation und der Forschungslücke, dann kommen unsere Forschungsfrage und drei Hypothesen. Danach der theoretische Rahmen — die Salience-Theorie und das Carbon Premium. Anschließend erkläre ich unsere Daten und wie wir methodisch vorgegangen sind. Der Schwerpunkt liegt dann klar auf unseren eigenen Ergebnissen, gefolgt von der Einordnung, den Grenzen der Studie und einem kurzen Ausblick. Und keine Sorge: Jeden Fachbegriff erklären wir, wenn er das erste Mal fällt."
Folie 3 · Motivation — Yusuf
📊 Auf der Folie: Helene: Kat. 4, 78,7 Mrd. USD Schaden, Salience-Schock, Forschungslücke
Yusuf: „Helene traf am 26. September 2024 als Sturm der Kategorie 4 auf die Big-Bend-Region Floridas — mit rund 78,7 Milliarden Dollar Schaden und über 250 Todesopfern. Damit zählt er zu den teuersten Wetterereignissen der US-Geschichte, und diese Zahlen stammen aus dem offiziellen Bericht des nationalen Hurricane-Zentrums, der NOAA. Warum ist so ein Ereignis für die Finanzforschung überhaupt spannend? Aus zwei Gründen. Erstens kam es weitgehend unerwartet — man kann es also wie ein natürliches Experiment behandeln, bei dem der Schock sauber von außen kommt. Zweitens wirkt es als sogenannter Salienz-Schock: Es macht das Klimarisiko schlagartig greifbar. Vorher war Klima für viele Anleger eine abstrakte Zahl in irgendeinem Bericht, danach ist es plötzlich real — obwohl sich die langfristige Wahrscheinlichkeit für solche Stürme gar nicht geändert hat. Und das Entscheidende für uns: Zu Helene selbst gab es bisher noch keine einzige Ereignisstudie, schon gar keine, die fragt, ob es dabei auf das CO₂ der Firmen ankommt. Genau diese Lücke füllen wir."
Folie 4 · Forschungsfrage & Hypothesen — Oguzhan
📊 Auf der Folie: Frage + H1, H2, H3
Oguzhan: „Daraus ergibt sich unsere Forschungsfrage: Reagieren CO₂-intensive Firmen aus dem S&P 500 mit abnormalen Renditen auf den Landfall von Helene — und lässt sich diese Reaktion durch ihre CO₂-Intensität erklären? Kurz zum Begriff: Eine abnormale Rendite ist die Kursbewegung, die über das Normale hinausgeht, also die echte Reaktion auf den Sturm. Aus dieser Frage haben wir drei Hypothesen abgeleitet, die aufeinander aufbauen — wie eine Treppe vom Groben zum Feinen. H1: Reagiert der Markt überhaupt messbar? Die Richtung — rauf oder runter — lassen wir bewusst offen, weil gegenläufige Kräfte wirken: Der Schaden drückt die Kurse, ein Ölpreis-Effekt treibt sie aber nach oben. H2: Reagieren die Branchen unterschiedlich — konkret, reagieren Bau und Transport negativer als Öl und Gas, weil ihr Geschäft örtlich gebunden ist? Und H3, die anspruchsvollste: Reagieren die Firmen mit mehr CO₂ stärker negativ, und zwar zusätzlich zur Branche? Das setzt voraus, dass der Sturm nicht nur das akute Schadensrisiko, sondern auch das langfristige Klimarisiko neu bewertet. Also der Reihe nach: Passiert überhaupt was, wo genau, und liegt es am CO₂?"
Folie 5 · Theoretischer Rahmen — Yusuf & Oguzhan
📊 Auf der Folie: Salience-Theorie + Carbon Premium
Yusuf: „Theoretisch stützen wir uns auf zwei Ideen. Die erste ist die Salience-Theorie von Bordalo, Gennaioli und Shleifer. Sie besagt: Menschen bewerten Risiken nicht nüchtern nach ihrer Wahrscheinlichkeit, sondern sie überbewerten das, was gerade auffällig ist. Das kennt jeder vom Fliegen — nach einem Flugzeugabsturz in den Nachrichten haben viele Menschen Flugangst, obwohl Fliegen genauso sicher ist wie vorher. Nur die Aufmerksamkeit hat sich geändert, nicht die echte Gefahr. Genauso ist es bei einem Sturm. Und dazu passt eine Studie von Dessaint und Matray: Sie zeigen, dass solche Reaktionen meist Überreaktionen sind, die sich mit der Zeit wieder zurückbilden — ein Punkt, der für unsere Deutung am Ende wichtig wird."
Oguzhan: „Die zweite Idee ist das Carbon Premium von Bolton und Kacperczyk. Der Gedanke: Firmen mit viel CO₂ tragen ein höheres Transitionsrisiko — also das Risiko, dass künftige Klimagesetze wie eine CO₂-Steuer sie härter treffen. Wenn die Börse das ernst nimmt, müssten dreckige Firmen bei einem Klima-Schock stärker verlieren. Unsere Arbeit verbindet beide Stränge, und die eigentliche Frage ist: Aktiviert so ein Salienz-Schock genau diesen CO₂-Kanal — oder nicht?"
Folie 6 · Daten & Stichprobe — Oguzhan
📊 Auf der Folie: LSEG Workspace, S&P-500-Markt, 57 Firmen, CO₂ für 51
Oguzhan: „Zu den Daten. Die stammen vollständig aus der Datenbank LSEG Workspace, abgerufen über eine Python-Schnittstelle — Kurse, CO₂-Emissionen und Firmendaten aus einer einzigen Quelle, das hält alles konsistent. Untersucht haben wir 57 Firmen aus dem S&P 500, aus drei bewusst CO₂-intensiven Branchen: Öl und Gas, Bau, und Transport. Warum genau diese drei? Das ist unser eigentlicher Trick, und darauf sind wir ein bisschen stolz. Alle drei sind dreckig — das brauchen wir, um die CO₂-Frage überhaupt testen zu können. Aber der Sturm trifft sie ganz unterschiedlich. Und genau dadurch können wir später sauber trennen, ob der Markt auf die Branche reagiert oder auf das CO₂. Als Vergleichsmaßstab, an dem wir das normale Verhalten messen, nehmen wir den S&P-500-Index selbst. Beim CO₂ verwenden wir die direkten Emissionen aus 2023, verfügbar für 51 der 57 Firmen; Kursreihen haben wir für 55. Diese Abdeckung begrenzt später die Firmenzahl in der Regression — darauf komme ich bei den Grenzen zurück."
Folie 7 · Methodik — Yusuf
📊 Auf der Folie: Marktmodell, Schätzfenster [−200,−21], 4 Fenster, Regression
Yusuf: „Jetzt zur Methode — das ist das Herzstück, deshalb nehme ich mir hier etwas Zeit. Das Grundproblem jeder Ereignisstudie ist: Wie erkenne ich, ob eine Kursbewegung wirklich vom Sturm kommt, oder ob die Aktie eh gestiegen wäre, weil der ganze Markt gut lief? Dafür nutzen wir das Marktmodell, in vier Schritten. Erster Schritt: Wir schauen uns 180 Handelstage vor dem Sturm an und lernen daraus, wie jede Aktie normalerweise mit dem Gesamtmarkt mitläuft. Ganz wichtig ist, dass dieses Lern-Fenster nicht am Sturmtag endet, sondern 20 Tage davor. Dieser Puffer sorgt dafür, dass mögliche Vorab-Reaktionen — etwa erste Sturmwarnungen — nicht schon in unser Bild vom Normalverhalten einfließen. Sonst wäre der Maßstab verzerrt und wir würden die echte Reaktion unterschätzen. Ein komplizierteres Modell mit mehr Faktoren hätte uns bei so einem kurzen Zeitraum übrigens keinen Vorteil gebracht, eher mehr Unsicherheit. Zweiter Schritt: Die abnormale Rendite. Für jeden Tag rund um den Sturm rechnen wir die Differenz aus dem, was die Aktie tatsächlich gemacht hat, und dem, was normal gewesen wäre. Das ist die reine Reaktion. Dritter Schritt: Wir zählen diese Tages-Reaktionen über ein Fenster zusammen — das ergibt pro Firma den CAR — und mitteln über alle Firmen zum CAAR, also der durchschnittlichen Reaktion. Ob die echt ist oder nur Zufall, prüfen wir mit einer Teststatistik: Liegt sie weit genug am Rand, ist die Reaktion abgesichert. Das machen wir in vier Zeitfenstern: fünf Tage vor dem Sturm, um zu sehen, ob er vorher geahnt wurde; die fünf Tage danach; das Hauptfenster von fünf davor bis fünf danach; und ein langes Fenster bis zehn Tage danach. Und vierter Schritt, für H3: Wir vergleichen alle Firmen im Querschnitt und fragen, ob die Reaktion einer Firma mit ihrem CO₂ zusammenhängt — und zwar nachdem wir die Firmengröße und die Branche schon herausgerechnet haben, mit Öl und Gas als Vergleichsgruppe. Nur so wissen wir, ob wirklich das CO₂ einen eigenen Einfluss hat."
Folie 8 · Ergebnisse I: CAARs — Oguzhan
📊 Auf der Folie: Balkendiagramm, Gesamt +2,61 %, Oil&Gas +5,68 %
Oguzhan: „Kommen wir zu den Ergebnissen, und ich fange mit H1 an — reagiert der Markt überhaupt? Ja, und zwar deutlich. Im Hauptfenster, fünf Tage vor bis fünf nach dem Sturm, liegt die durchschnittliche Reaktion über alle Firmen bei plus 2,61 Prozent, hochsignifikant, mit einer Teststatistik von 3,55 — also klar kein Zufall. Aber — und das ist der eigentlich interessante Teil — dieser Durchschnitt täuscht. Wenn man aufschlüsselt, kommt fast der ganze Effekt von Öl und Gas, mit plus 5,68 Prozent. Bau und Transport dagegen sind gar nicht aussagekräftig, bei ihnen könnte es auch Zufall sein. Warum steigt ausgerechnet Öl bei einer Katastrophe? Das klingt paradox, ist aber logisch: Vor dem Sturm werden die Förderplattformen im Golf von Mexiko vorsorglich geräumt, das Öl wird knapp, der Preis steigt — und mit dem Ölpreis steigen die Öl-Aktien. Ein wichtiges Detail noch zur Sauberkeit: In den Tagen vor dem Sturm passiert praktisch nichts, die Reaktion liegt da bei null. Das heißt, niemand hat den Sturm vorher eingepreist, er kam wirklich als Überraschung. Und genau das macht unser Ergebnis sauber. H1 ist damit bestätigt."
Folie 9 · Ergebnisse II: Sektor (H2) — Yusuf
📊 Auf der Folie: Construction −6,4 Pp, Transport −7,0 Pp, beide p<0,001
Yusuf: „Damit zu H2, den Unterschieden zwischen den Branchen. In unserer Querschnittsregression zeigt sich das ganz klar: Gemessen an Öl und Gas reagieren die Baufirmen rund 6,4 Prozentpunkte und die Transportfirmen rund 7 Prozentpunkte schwächer — beide sehr sicher, mit einem p-Wert unter 0,001. Fast die gesamte Erklärungskraft des Modells, ein Bestimmtheitsmaß von 0,45, kommt allein aus diesen Branchen-Unterschieden. Ein wichtiger Punkt, damit kein Missverständnis entsteht: Das heißt nicht, dass Bau und Transport eingebrochen sind. Prozentpunkte messen den Abstand, nicht einen Absturz. Bau und Transport bleiben eigentlich neutral, sie liegen nur weit unter dem starken Öl-Effekt. Deshalb sagen wir: H2 bestätigt sich, aber in abgewandelter Form — nicht als absoluter Kurseinbruch, sondern als klare Renditedifferenz gegenüber Öl. Warum bleiben Bau und Transport neutral, obwohl sie doch betroffen sind? Bei den Baufirmen gleicht die spätere Wiederaufbau-Nachfrage einen Teil des Schadens wieder aus, und die Transportfirmen sind überregional aufgestellt, sodass ein lokaler Sturm ihre Gesamtbewertung kaum belastet. Die Deutung: Branchen mit örtlich gebundenem Geschäft sind physisch stärker exponiert — und genau das gewichten die Anleger."
Folie 10 · Ergebnisse III: Carbon Premium (H3) — Oguzhan
📊 Auf der Folie: CO₂-Koeffizient p=0,66, nicht signifikant — H3 abgelehnt
Oguzhan: „Und jetzt der zentrale Punkt, H3: Werden die Firmen mit viel CO₂ stärker abgestraft? Die Antwort ist nein. Der Zusammenhang zwischen CO₂ und Reaktion ist im Hauptfenster praktisch null und statistisch bedeutungslos — der p-Wert liegt bei 0,66, also meilenweit weg von aussagekräftig. Ob eine Firma dreckig oder sauber ist, macht für ihre Reaktion keinen Unterschied. Auch in den anderen kurzen Fenstern: kein Effekt. Nur im längsten Fenster, bis zehn Tage nach dem Sturm, wird der Zusammenhang signifikant — aber mit dem falschen Vorzeichen, also entgegen unserer Vermutung, und genau dieses Fenster ist durch einen zweiten Hurricane, Milton, verfälscht, der am 9. und 10. Oktober traf. Zählt also nicht. Und wir haben das gründlich abgesichert: Wenn wir Ausreißer stutzen oder andere Lern-Fenster nehmen, bleibt der Zusammenhang immer bedeutungslos, der p-Wert zwischen 0,48 und 0,81. H3 können wir also nicht bestätigen. Wichtig zur Einordnung: Das widerspricht dem Carbon Premium von Bolton und Kacperczyk nicht. Deren Effekt ist ein langfristiger — wir dagegen messen die kurzfristige Reaktion auf einen einzelnen Schock. Und dass die sich nicht am CO₂ festmacht, passt genau zum Überreaktions-Argument von Dessaint und Matray."
Folie 11 · Diskussion — Yusuf
📊 Auf der Folie: H1 ja, H2 ja, H3 nein; Salience erklärt Sektor
Yusuf: „Ordnen wir das ein. H1 und H2 bestätigen sich, H3 nicht. Was bedeutet das? Der Salienz-Mechanismus wirkt offenbar über die physische Betroffenheit der Geschäftsmodelle — also über die Branche — und nicht über die Emissionsintensität. Beim akuten Sturm fragen sich die Anleger: Wer ist gerade vor Ort betroffen? Und nicht: Wer ist langfristig dreckig? Ein einzelner Wettereinschlag aktualisiert also das akute, standortgebundene Schadensrisiko, lässt aber die langfristige Klimabewertung aus — und genau daran würde das CO₂ ja anknüpfen. Und weil solche Salienz-Reaktionen, wie Dessaint und Matray zeigen, meist Überreaktionen sind, die sich zurückbilden, löst ein einzelner Sturm eben keine dauerhafte Neubewertung der Emissionsprofile aus. Das fügt sich alles zu einem stimmigen Bild."
Folie 12 · Limitationen — Oguzhan
📊 Auf der Folie: Milton-Confounding, nur Scope 1, n=49, 2 Titel ohne Kurse
Oguzhan: „Jetzt ganz ehrlich zu den Grenzen unserer Studie — die gehören dazu. Erstens überlappt unser längstes Fenster mit Hurricane Milton am 9. und 10. Oktober. Das ist eine Störgröße, die wir offen ausweisen — und deshalb ist unser Hauptergebnis bewusst das kürzere, saubere Fenster. Zweitens erfassen wir nur die direkten Emissionen der Firmen; würde man auch den zugekauften Strom und die Lieferkette einbeziehen, ließe sich das Klimarisiko vollständiger abbilden — und vielleicht sähe man dann doch einen Effekt. Drittens, und das ist die wichtigste Grenze: Unsere Regression beruht auf nur 49 Firmen, davon 14 aus dem Bau und 11 aus dem Transport. Bei so wenigen könnten wir einen kleinen CO₂-Effekt schlicht übersehen. Deshalb formulieren wir vorsichtig ‚kein robuster Effekt', und nicht ‚definitiv keiner'. Und viertens fehlten bei zwei Firmen die Kursdaten, sodass die Renditeanalyse auf 55 Firmen läuft. Diese Punkte kippen unser Kernergebnis nicht, aber sie geben ihm den richtigen Rahmen."
Folie 13 · Ausblick — Yusuf
📊 Auf der Folie: Scope 2/3, mehrere Hurricanes poolen, längere Horizonte
Yusuf: „Aus diesen Grenzen ergeben sich direkt die Ansätze für künftige Forschung. Erstens eine breitere CO₂-Datenbasis, die auch Strom und Lieferkette einbezieht, um das Transitionsrisiko vollständiger zu messen. Zweitens mehrere Hurricane-Landfälle zu einer gemeinsamen Studie zusammenzufassen — dann mitteln sich Einzelfälle wie Milton heraus, und man hat mehr Daten, also mehr Aussagekraft. Und drittens ein längerer Beobachtungszeitraum, um sauber zu trennen, ob es sich um eine dauerhafte Neubewertung handelt oder nur um eine vorübergehende Überreaktion. Ergänzend wäre spannend, das Ganze auf europäische Märkte und auf Lieferketten-Effekte zu übertragen, anknüpfend an eine aktuelle Studie von Pankratz und Schiller."
Folie 14 · Fazit — Oguzhan & Yusuf
📊 Auf der Folie: Sektor erklärt, CO₂ nicht; Klimarisiko bewertungsrelevant
Oguzhan: „Fassen wir zusammen. Der Markt reagierte auf Helene ganz unterschiedlich — positiv für Öl und Gas, neutral für Bau und Transport. Was diese Unterschiede erklärt, ist überwiegend die Branchenzugehörigkeit, und nicht die CO₂-Intensität. Einen Carbon-Premium-Effekt können wir für dieses Ereignis nicht bestätigen."
Yusuf: „Und die zentrale Botschaft, die wir Ihnen mitgeben möchten: Physische Klimarisiken sind an der Börse durchaus bewertungsrelevant — aber man muss sie nach Branchen differenziert betrachten, und nicht pauschal an einer einzelnen CO₂-Kennzahl festmachen. Eine reine Emissionszahl greift beim akuten physischen Schock zu kurz. Das ist unser Beitrag zur Debatte um die Bepreisung von Klimarisiken."
Folie 15 · Q&A / Dank — Beide
📊 Auf der Folie: Danke + Fragen
Oguzhan: „Vielen Dank für Ihre Aufmerksamkeit."
Yusuf: „Wir freuen uns sehr auf Ihre Fragen und die Diskussion."

🎯 Häufige Rückfragen — vorbereitete Antworten

Warum genau 20 Handelstage Puffer zwischen Schätz- und Ereignisfenster? Das Lern-Fenster soll das Normalverhalten der Aktie (Alpha, Beta) sauber kalibrieren. Würde es direkt am Sturmtag enden, flössen Vorab-Effekte wie Sturmwarnungen schon mit ein; der Maßstab wäre verzerrt und die gemessene Reaktion zu klein. Der Puffer trennt beides sauber — Standard nach MacKinlay 1997.
Warum das Marktmodell und kein Faktormodell (Fama-French)? Bei einem so kurzen Fenster lassen sich die zusätzlichen Faktoren nicht stabil schätzen — sie bringen keine höhere Genauigkeit, eher mehr Rauschen. Das Marktmodell ist der etablierte, sparsamere Standard.
Warum ist die CAAR-Teststatistik standardnormalverteilt, nicht t-verteilt? Das standardisierte CAAR ist über viele Firmen aggregiert; über den zentralen Grenzwertsatz nähert es sich der Standardnormalverteilung. Die Regressionskoeffizienten testen wir dagegen mit der t-Verteilung, weil dort die Varianz aus einer kleinen Stichprobe geschätzt wird — zwei verschiedene Tests.
Warum ist Öl & Gas die Referenzkategorie? Bei drei Sektoren nimmt man zwei Dummies (Bau, Transport) und lässt einen weg. Wir wählen Öl als Referenz, weil H2 genau die Differenz der anderen beiden zu Öl behauptet — so lesen sich die Koeffizienten direkt als diese Differenz.
Was heißt Transitionsrisiko? Das Risiko aus dem Übergang zur klimafreundlichen Wirtschaft — künftige CO₂-Steuern, Auflagen, Nachfrageverschiebungen. Trifft vor allem dreckige Firmen. Davon zu unterscheiden: das physische Risiko (direkte Wetterschäden).
Ist ein Nullergebnis bei H3 nicht schwach? Nein — es ist robust über alle Spezifikationen und genauso wertvoll wie ein Effekt: Es zeigt, dass der Markt beim akuten Schock die physische Betroffenheit einpreist, nicht die Emissionsmenge. Wegen der kleinen Stichprobe sagen wir vorsichtig „kein robuster Effekt".
Warum ist Bau (+0,6 %) / Transport (−0,9 %) „nicht aussagekräftig", obwohl da was passiert? Es zählt nicht der Wert allein, sondern Wert ÷ Streuung. Die Teststatistik liegt bei ~0,5 (gebraucht: über 1,96), weil die einzelnen Firmen stark und uneinig streuen. Öl dagegen: Teststatistik 5,44 — alle ziehen gleich. Korrekt heißt es nicht „da passiert nichts", sondern „wir können es nicht von null unterscheiden".

🎧 Lern-Dialog — jeder Fachbegriff unterwegs erklärt

Der ganze Stoff als Gespräch, in dem jeder Fachbegriff sofort mit-erklärt wird (p-Wert, Alpha/Beta, CAAR, Winsorisierung …). Zum Lernen und Verinnerlichen. Blau = Yusuf, Ocker = Oguzhan. Unten ein Mini-Glossar mit allen Begriffen.
Yusuf: Fangen wir vorne an. Ende September 2024 trifft Hurricane Helene als Kategorie-4-Sturm auf Florida. Fast 79 Milliarden Dollar Schaden, über 250 Todesopfer. Und unsere Frage als Finance-Leute ist: Reagiert die Börse darauf — und macht es einen Unterschied, wie viel CO₂ eine Firma ausstößt?
Oguzhan: Und um das sauber zu beantworten, machen wir eine sogenannte Ereignisstudie. Erklär mal kurz, was das überhaupt ist.
Yusuf: Eine Ereignisstudie ist eine Methode, mit der man misst, wie ein einzelnes, klar datierbares Ereignis — hier der Sturm — die Aktienkurse bewegt. Der Trick ist, dass wir ein präzises Datum haben, den 26. September 2024, und dann die Kurse rund um dieses Datum unter die Lupe nehmen.
Oguzhan: Und das zentrale Wort, das dabei immer fällt, ist „abnormale Rendite". Was heißt das?
Yusuf: Rendite ist erstmal nur, wie viel Prozent eine Aktie an einem Tag gewinnt oder verliert. „Abnormal" heißt: der Teil der Bewegung, der über das Normale hinausgeht. Also nicht die Bewegung, die die Aktie sowieso gemacht hätte, weil der ganze Markt stieg — sondern die echte, zusätzliche Reaktion auf den Sturm. Das ist die Kernzahl der ganzen Arbeit.
Oguzhan: Bevor wir zu den Ergebnissen kommen — warum sollte die Börse überhaupt reagieren? Ein Investor in Frankfurt ist von einem Sturm in Florida doch gar nicht betroffen.
Yusuf: Genau da kommt unsere erste Theorie ins Spiel, die Salience-Theorie von Bordalo, Gennaioli und Shleifer aus 2012. Salience heißt Auffälligkeit. Die Idee: Menschen bewerten Risiken nicht nüchtern nach Wahrscheinlichkeit, sondern übergewichten das, was gerade auffällt. Wie beim Fliegen — nach einem Absturz in den Nachrichten haben viele Flugangst, obwohl Fliegen genauso sicher ist wie vorher. Nur die Aufmerksamkeit hat sich geändert, nicht die echte Gefahr.
Oguzhan: Und die zweite Theorie ist das Carbon Premium von Bolton und Kacperczyk, 2021. Da geht es um das Transitionsrisiko — das ist das Risiko, dass eine dreckige Firma von künftigen Klimagesetzen wie einer CO₂-Steuer härter getroffen wird. Wenn die Börse das ernst nimmt, müssten Firmen mit viel CO₂ beim Klimaschock stärker verlieren. Genau das ist unsere Hypothese H3.
Yusuf: Apropos Hypothesen — wir haben drei, aufgebaut wie eine Treppe. H1: Reagiert der Markt überhaupt? H2: Reagieren die Branchen unterschiedlich? H3: Hängt die Reaktion an der CO₂-Menge? Kurz: Passiert was, wo, und warum.
Oguzhan: Und noch ein Wort zu „Hypothese", damit das jeder hat: Eine Hypothese ist einfach eine Vermutung, die man vorher aufstellt und dann mit den Daten überprüft. Am Ende sagt man bei jeder: bestätigt oder nicht.
Yusuf: Kommen wir zu den Daten. Wir haben 57 große US-Firmen aus dem S&P 500 genommen, aus drei CO₂-intensiven Branchen: Öl und Gas, Bau, Transport. Die Einteilung läuft über NAICS — das ist einfach ein offizielles Nummernsystem für Branchen, damit die Zuordnung objektiv ist und nicht von uns willkürlich.
Oguzhan: Und beim CO₂ nehmen wir die Scope-1-Emissionen. Kurz erklärt: Scope 1 ist das CO₂, das die Firma direkt selbst ausstößt. Scope 2 wäre das aus zugekauftem Strom, Scope 3 das aus der ganzen Lieferkette. Wir haben nur Scope 1 — das ist später eine unserer Grenzen.
Yusuf: Jetzt die Methode, das Herzstück. Das Grundproblem: Wie weiß ich, ob eine Kursbewegung wirklich vom Sturm kommt oder eh passiert wäre? Die Lösung ist das Marktmodell, ein Standard nach MacKinlay, 1997. Wir lernen erst, wie sich jede Aktie normal verhält, und dafür brauchen wir zwei Kennzahlen: Alpha und Beta.
Oguzhan: Erklär die zwei mal ganz einfach.
Yusuf: Beta sagt, wie stark eine Aktie normalerweise mit dem Gesamtmarkt mitschwingt. Beta gleich 1 heißt: genau wie der Markt. Beta 1,2 heißt: 1,2-mal so stark. Alpha ist das, was die Aktie macht, wenn der Markt sich gar nicht bewegt — meist eine winzige Zahl. Diese zwei Werte lernen wir aus einem Schätzfenster von 180 Handelstagen vor dem Sturm.
Oguzhan: Und „Schätzfenster" heißt einfach: der Zeitraum vorher, aus dem wir das normale Verhalten ableiten. Davon getrennt ist das Ereignisfenster — die Tage direkt rund um den Sturm, die wir dann untersuchen. Unser Hauptfenster ist minus fünf bis plus fünf Tage.
Yusuf: Genau. Und dann rechnen wir für jeden Tag im Ereignisfenster: tatsächliche Rendite minus erwartete, normale Rendite — das ergibt die abnormale Rendite. Die summieren wir über die Tage zum CAR, der kumulierten abnormalen Rendite einer Firma. Und wenn wir über alle Firmen mitteln, kriegen wir den CAAR, die kumulierte durchschnittliche abnormale Rendite.
Oguzhan: Jetzt kommt das wichtigste Werkzeug, um zu beurteilen, ob ein Ergebnis überhaupt zählt: der p-Wert. Den müssen wir gut erklären.
Yusuf: Unbedingt. Der p-Wert sagt: Wie wahrscheinlich ist es, dass ein Ergebnis reiner Zufall ist? Die Faustregel: Liegt der p-Wert unter 0,05 — also unter fünf Prozent — dann gilt das Ergebnis als signifikant. Das heißt so viel wie: echt, verlässlich, kein Zufall. Alles gut. Liegt der p-Wert dagegen über 0,05, ist das Ergebnis nicht signifikant — dann könnte es genauso gut Zufall sein, und wir dürfen uns nicht darauf verlassen.
Oguzhan: Und es gibt noch feinere Stufen, oder? Diese Sternchen in den Tabellen.
Yusuf: Genau. Ein Sternchen heißt p unter 0,10, zwei Sternchen p unter 0,05, drei Sternchen p unter 0,01. Drei Sternchen bedeuten also hochsignifikant — die Wahrscheinlichkeit für Zufall liegt unter einem Prozent. Merke: kleiner p-Wert ist gut, großer p-Wert ist schlecht.
Oguzhan: Perfekt, dann zu den Ergebnissen. H1 — reagiert der Markt? Ja. Insgesamt plus 2,61 Prozent im Hauptfenster, mit drei Sternchen, also hochsignifikant. Der p-Wert liegt unter 0,001 — praktisch ausgeschlossen, dass das Zufall ist.
Yusuf: Aber der Durchschnitt allein täuscht. Wenn man aufschlüsselt, kommt fast der ganze Effekt von Öl und Gas: plus 5,68 Prozent, ebenfalls hochsignifikant. Bau und Transport sind dagegen nicht signifikant — ihr p-Wert ist zu hoch, wir können also nicht sagen, dass da überhaupt etwas Echtes passiert ist.
Oguzhan: Und warum steigen die Öl-Aktien bei einer Katastrophe? Das klingt erstmal paradox.
Yusuf: Ist es aber nicht. Das ist ein Angebotsschock: Vor dem Sturm werden die Förderplattformen im Golf von Mexiko geräumt, das Öl wird knapp, der Preis steigt — und mit dem Ölpreis steigen die Öl-Aktien. Das deckt sich mit Lanfear, Lioui und Siebert, 2019, die genau das für Hurricanes zeigen.
Oguzhan: Wichtig ist auch: In den fünf Tagen vor dem Sturm liegt die Reaktion bei null. Das heißt, die Börse hat den Sturm nicht vorher eingepreist — er kam als Überraschung. Das macht unser Ergebnis sauber.
Yusuf: Weiter zu H2, den Branchen-Unterschieden. In der Querschnittsregression — das ist ein Rechenverfahren, das über alle Firmen hinweg schaut, welcher Faktor die Reaktion erklärt — sehen wir: Bau reagiert rund 6,4 Prozentpunkte schwächer als Öl, Transport 7,0 Prozentpunkte, beide mit p unter 0,001, also hochsignifikant.
Oguzhan: Und jetzt Achtung, ein häufiges Missverständnis: Prozentpunkte sind nicht dasselbe wie Prozent. Prozentpunkte messen den Abstand zwischen zwei Werten. Bau ist nicht um 6,4 Prozent gefallen — Bau liegt nur 6,4 Punkte unter dem starken Öl-Effekt. Bau und Transport bleiben absolut gesehen neutral.
Yusuf: Genau, deshalb sagen wir: H2 bestätigt sich in modifizierter Form. Nicht, weil Bau und Transport abstürzen, sondern weil Öl so stark nach oben ausreißt und den Vergleichspunkt hochschiebt. Man könnte fragen: Müssten Baufirmen wegen des Wiederaufbaus nicht sogar steigen? Aber der Schaden ist sofort und sicher, die Wiederaufbau-Aufträge kommen erst später und unsicher — das hebt sich im kurzen Fenster auf.
Oguzhan: Und jetzt die Hauptfrage, H3: Straft die Börse die CO₂-Sünder ab? Wir testen das über den CO₂-Koeffizienten in der Regression. Der Koeffizient ist einfach eine Zahl, die sagt, wie stark ein Faktor — hier das CO₂ — die Reaktion beeinflusst.
Yusuf: Und das Ergebnis?
Oguzhan: Der Koeffizient liegt bei minus 0,0010 — praktisch null — mit einem p-Wert von 0,66. Und jetzt erinnern wir uns an die Faustregel: 0,66 ist weit über 0,05, also überhaupt nicht signifikant. Im Klartext: Ob eine Firma dreckig oder sauber ist, macht für ihre Kursreaktion keinen Unterschied. H3 lässt sich nicht bestätigen.
Yusuf: Und wie stellt ihr sicher, dass dieses Nullergebnis nicht an ein paar Ausreißern liegt?
Oguzhan: Mit zwei Robustheitschecks. Der erste ist die Winsorisierung. Das heißt: Man kappt die extremsten Werte an den Rändern, damit ein einzelner Ausreißer das Ergebnis nicht verzerrt. Man wirft sie nicht weg, sondern zieht sie auf ein vernünftiges Maß zurück. Der zweite Check: Wir haben das Schätzfenster variiert. In allen Varianten bleibt der CO₂-Effekt insignifikant — die p-Werte immer zwischen 0,48 und 0,81, alle weit über 0,05. Das Nullergebnis ist also robust, es hält jedem Stresstest stand.
Yusuf: Fassen wir zusammen: H1 bestätigt, H2 modifiziert bestätigt, H3 abgelehnt. Und die theoretische Deutung: Die Börse reagiert auf die physische Betroffenheit — also die Branche — und nicht auf die CO₂-Bilanz. Beim akuten Sturm fragen Anleger „wer ist gerade vor Ort betroffen", nicht „wer ist langfristig dreckig".
Oguzhan: Und das passt zur Überreaktions-Logik von Dessaint und Matray, 2017: Auf ein auffälliges Einzelereignis reagieren die Leute zunächst stark, aber die Reaktion bildet sich zurück, weil sich das objektive Risiko nicht ändert. Ein einzelner Sturm löst also kein dauerhaftes Umdenken aus.
Yusuf: Wichtig ist auch, dass das kein Widerspruch zu Bolton und Kacperczyk ist. Deren Carbon Premium ist ein langfristiger Risikoaufschlag. Wir messen einen kurzfristigen Schock. Andere Zeithorizonte — kein Widerspruch.
Oguzhan: Zu den Grenzen, ganz ehrlich: Erstens überlappt das lange Fenster mit einem zweiten Hurricane, Milton — das nennt man Confounding, also eine Störgröße, die das Ergebnis verfälscht. Zweitens nur Scope-1-Daten. Drittens nur 49 Firmen in der Regression, davon 14 Bau und 11 Transport — das ist wenig, die statistische Power ist also begrenzt. Power heißt: die Fähigkeit, einen echten Effekt überhaupt zu entdecken. Und viertens fehlten bei zwei Firmen die Kursdaten.
Yusuf: Und aus jeder Grenze wird ein Ausblick: breitere CO₂-Daten mit Scope 2 und 3, mehrere Hurricanes zusammen untersuchen, länger beobachten, und schauen, ob das Ganze auch für Europa und über Lieferketten gilt — da knüpfen wir an Pankratz und Schiller, 2024, an.
Oguzhan: Und das Fazit in einem Satz?
Yusuf: Der Markt reagierte gespalten auf Helene — positiv für Öl, neutral für Bau und Transport. Was die Unterschiede erklärt, ist die Branche, nicht das CO₂. Die Lehre: Klimarisiko ist an der Börse ein Thema, aber man muss es pro Branche analysieren. Eine reine CO₂-Kennzahl greift beim akuten physischen Schock zu kurz.
Oguzhan: Und wer die Zahlen nochmal will: plus 2,61 Prozent gesamt, plus 5,68 Prozent Öl, minus 6,4 und minus 7,0 Prozentpunkte für Bau und Transport, und der CO₂-Koeffizient minus 0,0010 mit p gleich 0,66 — also nicht signifikant. Merke bei allem: p unter 0,05 heißt echt, p darüber heißt Vorsicht, könnte Zufall sein.

📖 Mini-Glossar — alle Begriffe auf einen Blick

Ereignisstudie: Methode, um zu messen, wie ein einzelnes Ereignis die Aktienkurse bewegt.
Rendite: Wie viel Prozent eine Aktie an einem Tag gewinnt oder verliert.
Abnormale Rendite (AR): Der Teil der Kursbewegung, der über das Normale hinausgeht — die echte Reaktion aufs Ereignis.
Alpha: Was eine Aktie macht, wenn der Markt stillsteht.
Beta: Wie stark eine Aktie normal mit dem Markt mitschwingt (Beta 1 = wie der Markt).
Schätzfenster: Zeitraum vor dem Ereignis (180 Tage), aus dem das normale Verhalten gelernt wird.
Ereignisfenster: Die Tage rund um das Ereignis (Hauptfenster: −5 bis +5).
CAR: Kumulierte abnormale Rendite — die aufsummierte Reaktion einer Firma über das Fenster.
CAAR: Kumulierte durchschnittliche abnormale Rendite — der Durchschnitt der CARs über alle Firmen.
p-Wert: Wahrscheinlichkeit, dass ein Ergebnis Zufall ist. Unter 0,05 = signifikant (echt, okay). Über 0,05 = nicht signifikant (Vorsicht, könnte Zufall sein).
Sternchen: * = p<0,10, ** = p<0,05, *** = p<0,01 (hochsignifikant).
Koeffizient: Zahl aus der Regression, die sagt, wie stark ein Faktor die Reaktion beeinflusst.
Querschnittsregression: Rechenverfahren, das über alle Firmen prüft, welcher Faktor die Reaktion erklärt.
Prozentpunkte: Der Abstand zwischen zwei Prozentzahlen — nicht dasselbe wie ein prozentualer Rückgang.
Winsorisierung: Extremwerte an den Rändern kappen (nicht wegwerfen), damit Ausreißer nicht verzerren.
Robustheit / robust: Ein Ergebnis, das gleich bleibt, egal wie man rechnet.
Power: Fähigkeit einer Statistik, einen echten Effekt zu entdecken (sinkt bei kleiner Stichprobe).
Salience: Auffälligkeit — Menschen übergewichten, was gerade auffällt (Bordalo et al. 2012).
Carbon Premium: Risikoaufschlag für Firmen mit viel CO₂ (Bolton & Kacperczyk 2021).
Transitionsrisiko: Risiko, von künftigen Klimagesetzen getroffen zu werden.
Scope 1/2/3: Direkte Emissionen (1), aus Strom (2), aus der Lieferkette (3). Wir nutzen nur Scope 1.
Angebotsschock: Plötzliche Verknappung (hier: Öl), die den Preis nach oben treibt.
Confounding: Störgröße, die ein Ergebnis verfälscht (hier: der zweite Hurricane Milton).
NAICS: Offizielles Nummernsystem zur Einteilung von Branchen.

🃏 Karteikarten + Skript — mit eingebauten Antworten

Pro Folie: links Stichpunkte (auf die echte Karte), rechts der Sprechtext (schon mit Extra-Wissen, das nicht auf der Folie steht), unten „🎯 Falls nachgefragt" — die wahrscheinlichen Prüferfragen mit fertiger Antwort, direkt bei der Folie. So braucht ihr kein separates Q&A. Yusuf / Oguzhan.
Folie 1 · Titel & EinstiegYusuf
Karte
  • Begrüßung + beide Namen
  • Titel: Klima-Salience & Aktienrenditen — Helene
  • Hook: Kat 4, ~79 Mrd $, 250 Tote
  • Doppelfrage: reagiert Börse? + zählt CO₂?
Sprechtext
„Guten Tag, wir sind Yusuf Albayrak und Oguzhan Dinc. Ende September 2024 trifft Hurricane Helene als Kategorie-4-Sturm auf Florida — fast 79 Milliarden Dollar Schaden, über 250 Tote. Unsere Frage: Reagiert die Börse auf so ein Ereignis — und macht es einen Unterschied, wie viel CO₂ eine Firma ausstößt?"
🎯 Falls nachgefragt
Warum ist das ein Thema für Climate Finance? Weil es zwei Felder verbindet: Behavioral Finance (Salience, also Psychologie der Anleger) und die Bepreisung von Klimarisiken am Kapitalmarkt.
Folie 2 · AgendaOguzhan
Karte
  • Motivation → Frage/Hypothesen
  • Theorie → Daten/Methodik
  • Ergebnisse → Diskussion/Ausblick
Sprechtext
„Kurz zum Ablauf: erst Motivation und Forschungsfrage, dann die Theorie, danach Daten und Methodik — Schwerpunkt sind unsere Ergebnisse, gefolgt von Diskussion und Ausblick. Fachbegriffe erklären wir sofort, wenn sie fallen."
Folie 3 · MotivationYusuf
Karte
  • 26.09.2024, Kat 4, Big-Bend Florida
  • 78,7 Mrd $, 250+ Tote (NOAA-Bericht)
  • Salience-Schock = Klima plötzlich greifbar
  • Investoren aktualisieren Risiko-Einschätzung
  • Forschungslücke: keine Studie zu Helene, keine nach CO₂
Sprechtext
„Helene traf am 26. September als Kategorie-4-Sturm auf die Big-Bend-Region Floridas — 78,7 Milliarden Schaden, über 250 Tote, laut offiziellem NOAA-Bericht. Solche Ereignisse wirken als Salience-Schock: Sie machen physisches Klimarisiko schlagartig greifbar, und Investoren aktualisieren daraufhin ihre Einschätzung künftiger Risiken. Zu Helene gab es bisher keine Ereignisstudie, schon gar keine, die nach CO₂-Intensität differenziert — genau da setzen wir an."
🎯 Falls nachgefragt
Warum ausgerechnet Helene und kein anderer Sturm? Weil er extrem groß, medial sehr präsent und damit maximal „salient" war — und weil er noch unerforscht war. Ideales natürliches Experiment.
Physisches vs. Transitionsrisiko? Physisch = direkte Sturmschäden. Transition = Risiko durch künftige Klimagesetze (CO₂-Steuern). Helene macht beides präsent — daher die CO₂-Frage.
Folie 4 · Frage & HypothesenOguzhan
Karte
  • Abnormale Rendite = echte Reaktion (über normal)
  • H1: reagiert Markt überhaupt? (Richtung offen)
  • H2: Bau/Transport negativer als Öl
  • H3: mehr CO₂ → negativer
  • Treppe: was → wo → warum
Sprechtext
„Eine abnormale Rendite ist die Kursbewegung über das Normale hinaus — die echte Reaktion auf den Sturm. Daraus drei Hypothesen wie eine Treppe: H1 — löst der Landfall überhaupt eine signifikante Reaktion aus, Richtung offen. H2 — reagieren Bau und Transport negativer als Öl? H3 — geht höhere CO₂-Intensität mit negativeren Renditen einher? Also: passiert etwas, wo genau, und warum — Sektor oder CO₂."
🎯 Falls nachgefragt
Warum bei H1 die Richtung offen? Weil es in beide Richtungen gehen kann — Schaden drückt Kurse, aber Öl profitiert. Ergebnisoffen zu testen ist wissenschaftlich sauberer (zweiseitiger Test).
Was heißt „Hypothese"? Eine vorab aufgestellte Vermutung, die man mit Daten prüft — am Ende bestätigt oder nicht.
Folie 5 · TheorieYusuf
Karte
  • Salience (Bordalo, Gennaioli, Shleifer 2012)
  • = Auffälliges übergewichtet → Flugzeug-Beispiel
  • Dessaint & Matray 2017 = Überreaktion, bildet sich zurück
  • Carbon Premium (Bolton & Kacperczyk 2021) = Transitionsrisiko
  • Choi, Gao, Jiang 2020 = Klima-Aufmerksamkeit wirkt auf Renditen
Sprechtext
„Zwei Theorien. Erstens Salience von Bordalo, Gennaioli und Shleifer, 2012: Menschen übergewichten, was gerade auffällt, statt nüchtern mit Wahrscheinlichkeiten zu rechnen — wie Flugangst nach einem Absturz, obwohl Fliegen gleich sicher bleibt. Dessaint und Matray zeigen: solche Reaktionen sind Überreaktionen, die sich zurückbilden. Zweitens das Carbon Premium von Bolton und Kacperczyk, 2021: Firmen mit mehr Emissionen tragen höheres Transitionsrisiko. Aus der Verbindung entsteht H3."
🎯 Falls nachgefragt
Was ist Salience nochmal genau? Aus der Entscheidungstheorie: nicht die Wahrscheinlichkeit zählt, sondern wie stark ein Ausgang aus dem Kontext heraussticht. Das verzerrt die Bewertung.
Ist Salience nicht ein Widerspruch zum Carbon Premium? Nein — wir prüfen ja genau, ob die salienzgetriebene Reaktion über den Sektor läuft oder über CO₂. Am Ende: über den Sektor.
Folie 6 · DatenOguzhan
Karte
  • 57 S&P-500-Firmen (26 Öl, 19 Bau, 12 Transp.)
  • 3 dreckige, aber physisch verschieden getroffene Branchen
  • Quelle: LSEG Workspace (Python)
  • CO₂ = Scope 1, für 51 Firmen
  • CO₂-Intensität = Emissionen ÷ Umsatz
Sprechtext
„57 S&P-500-Firmen aus drei CO₂-intensiven Branchen: 26 Öl und Gas, 19 Bau, 12 Transport. Alle dreckig — das brauchen wir für die CO₂-Frage — aber physisch unterschiedlich getroffen, so trennen wir Branche und CO₂. Daten aus LSEG per Python, Benchmark ist der S&P-500-Index. Fürs CO₂ nehmen wir die Scope-1-Direktemissionen, geteilt durch den Umsatz — die CO₂-Intensität, damit große und kleine Firmen vergleichbar sind."
🎯 Falls nachgefragt
Warum CO₂-Intensität statt absolute Emissionen? Große Firmen stoßen automatisch mehr aus. Durch Umsatz teilen macht „wie dreckig pro Dollar" — fair vergleichbar.
Warum nur Scope 1? Nur die waren verlässlich verfügbar. Scope 2 und 3 (Strom, Lieferkette) sind eine unserer Limitationen — damit sähe man das Transitionsrisiko vollständiger.
Warum nur USA / S&P 500? Helene traf die USA, und der S&P 500 liefert saubere, liquide Kursdaten. Übertragbarkeit auf Europa ist ein Ausblick-Punkt.
Wie kam die Branchen-Zuordnung? Über die offizielle GICS-zu-NAICS-Konkordanz, Stand Ereignistag — kein Look-ahead-Bias.
Folie 7 · MethodikYusuf
Karte
  • Marktmodell (MacKinlay 1997)
  • Schätzfenster [−200,−21] = 180 Tage, 20 Puffer
  • Alpha/Beta → erwartete Rendite
  • abnormal = tatsächlich − erwartet
  • CAR (über Tage) → CAAR (über Firmen), Test ~N(0,1)
  • 4 Fenster, Haupt = [−5,+5]; Regression für H3
Sprechtext
„Wir nutzen das Marktmodell nach MacKinlay. Aus 180 Handelstagen vor dem Sturm — mit 20 Tagen Puffer — schätzen wir für jede Aktie Alpha und Beta, also wie sie normal mit dem Markt läuft. Die abnormale Rendite ist dann tatsächlich minus erwartet. Die summieren wir über die Tage zum CAR und mitteln über die Firmen zum CAAR; die Teststatistik ist standardnormalverteilt. Wir betrachten vier Fenster, Hauptfenster minus fünf bis plus fünf, und für H3 eine Querschnittsregression."
🎯 Falls nachgefragt
Warum Marktmodell und nicht CAPM oder Fama-French? Das Marktmodell ist der etablierte Standard für Ereignisstudien (MacKinlay 1997) — robust und sparsam. Faktormodelle bringen bei kurzen Fenstern kaum Mehrwert.
Warum 20 Tage Puffer? Damit Vorlauf-Unruhe kurz vor dem Sturm die Normal-Schätzung nicht verzerrt.
Was steht in der Regression? CAR erklärt durch CO₂-Intensität, log(Marktkapitalisierung) und zwei Sektor-Dummies, Öl als Referenz. Log, damit ein Riese wie ExxonMobil die Schätzung nicht dominiert.
Warum vier Fenster? Um Vorab-Antizipation [−5,−1], Sofortreaktion [0,+5], Gesamtbild [−5,+5] und Nachlauf [0,+10] zu trennen.
Folie 8 · Ergebnisse I — CAARsOguzhan
Karte
  • H1 ✓: Gesamt +2,61 % ***
  • fast alles von Öl: +5,68 % ***
  • Bau/Transport: nicht signifikant
  • Öl = Angebotsschock (Golf-Plattformen, WTI ↑)
  • Vorfenster ≈ 0 → keine Antizipation
Sprechtext
„H1 bestätigt sich: insgesamt plus 2,61 Prozent, hochsignifikant. Aber fast alles kommt von Öl und Gas mit plus 5,68 Prozent — Bau und Transport sind nicht signifikant. Öl steigt durch einen Angebotsschock: Helene zog vor dem Landfall durch den Golf, die Plattformen wurden geräumt, das Öl wurde knapp, der WTI-Preis stieg — und mit ihm die Öl-Aktien. Das deckt sich mit Lanfear, Lioui und Siebert. Und im Vorfenster passiert nichts — der Sturm kam als Überraschung."
🎯 Falls nachgefragt
Und am Ereignistag selbst? Da war die Reaktion zunächst leicht negativ — Gesamt −0,63 %, Öl sogar −1,39 % (erste Schadens-/Unsicherheitsreaktion). Der Öl-Aufschwung kam erst ab Tag +1, bis Tag +7 auf rund +7 %.
Warum profitiert Öl, obwohl es dreckig ist? Weil der Öl-Preiseffekt global aufs Kerngeschäft wirkt — das überwiegt kurzfristig jede Klimasorge. Genau deshalb erklärt der Sektor die Reaktion, nicht das CO₂.
Folie 9 · Ergebnisse II — H2Yusuf
Karte
  • Bau −6,4 Pp, Transport −7,0 Pp vs. Öl (p<0,001)
  • ⚠️ Pp = Abstand, NICHT Absturz
  • Bau/Transport absolut neutral
  • H2 modifiziert bestätigt
  • Öl reißt hoch → schiebt Referenzpunkt
Sprechtext
„Bau reagiert 6,4 Prozentpunkte, Transport 7,0 Prozentpunkte schwächer als Öl, beide hochsignifikant. Wichtig: Das ist ein Abstand, kein Absturz — Bau und Transport bleiben absolut neutral, sie liegen nur unter dem Öl-Boom. Deshalb H2 modifiziert bestätigt: Die Differenz entsteht, weil Öl nach oben ausreißt und den Referenzpunkt hochschiebt, nicht weil die anderen fallen."
🎯 Falls nachgefragt
Sie haben doch negativ prognostiziert — warum sind Bau/Transport dann nicht negativ? H2 war relativ formuliert („negativer ALS Öl"), nicht absolut. Absolut wirken gegenläufige Kräfte: bei Bau die Wiederaufbau-Nachfrage, bei Transport diversifizierte Netzwerke. Die Differenz zu Öl bleibt trotzdem hochsignifikant.
Müsste Bau wegen Wiederaufbau nicht steigen? Der Schaden ist sofort und sicher, die Aufträge kommen erst Monate später und unsicher — und große S&P-500-Baukonzerne machen in Florida nur einen kleinen Geschäftsteil. Netto neutral.
Folie 10 · Ergebnisse III — H3Oguzhan
Karte
  • CO₂-Koeffizient −0,0010, p=0,66 → egal
  • R²=0,45 kommt aus Sektor-Dummies
  • langes Fenster: +, aber Milton-verseucht
  • Robust: Winsor + alt. Fenster, p 0,48–0,81
  • H3 abgelehnt
Sprechtext
„H3: Werden dreckige Firmen abgestraft? Nein. Der CO₂-Koeffizient ist minus 0,0010, p gleich 0,66 — klar nicht signifikant. Dreckig oder sauber macht keinen Unterschied. Die Erklärungskraft des Modells, R-Quadrat 0,45, kommt fast nur aus den Sektor-Dummies. Nur im langen Fenster ein Effekt, aber positiv und durch Milton verfälscht. Unsere Robustheitschecks bleiben alle insignifikant. H3 wird abgelehnt."
🎯 Falls nachgefragt
Ist ein Nullergebnis nicht wertlos? Nein — ein sauberes, robustes „kein Effekt" ist genauso wertvoll: Es beantwortet die Frage klar. Der Markt preist beim Schock physische Betroffenheit ein, nicht die CO₂-Bilanz.
Widerspricht das nicht Bolton & Kacperczyk? Nein. Deren Carbon Premium ist ein langfristiger Risikoaufschlag, unser Ereignis ein kurzfristiger Schock. Andere Zeithorizonte — kein Widerspruch.
Liegt der Nulleffekt vielleicht an Scope 1? Möglich — mit Scope 2/3 sähe man mehr. Das nennen wir offen als Limitation. Aber innerhalb unserer Daten ist der Nulleffekt robust.
Ist die Stichprobe nicht zu klein? 49 Firmen, begrenzte Power, das sagen wir ehrlich. Deshalb formulieren wir vorsichtig „kein robuster Effekt", nicht „CO₂ ist sicher irrelevant".
Folie 11 · DiskussionYusuf
Karte
  • H1 ✓, H2 ✓ modifiziert, H3 ✗
  • Börse = physische Betroffenheit, nicht CO₂
  • „vor Ort betroffen" statt „dreckig"
  • Überreaktion → kein dauerhaftes Repricing
Sprechtext
„Zusammengefasst: H1 bestätigt, H2 modifiziert, H3 abgelehnt. Die Deutung: Die Börse reagiert auf die physische Betroffenheit, also die Branche, nicht auf die CO₂-Bilanz. Anleger fragen ‚wer ist vor Ort betroffen', nicht ‚wer ist dreckig'. Und weil es eine salienzgetriebene Überreaktion ist, im Sinne von Dessaint und Matray, löst ein einzelner Sturm kein dauerhaftes Repricing aus."
🎯 Falls nachgefragt
Was heißt „Repricing"? Eine dauerhafte Neubewertung der Aktien. Die bleibt aus — die Reaktion ist kurzfristig und bildet sich zurück.
Folie 12 · LimitationenOguzhan
Karte
  • Milton verfälscht Fenster [0,+10]
  • nur Scope 1
  • klein: n=49 (14 Bau, 11 Transp.) → Power
  • 2 Firmen ohne Kurse (→ 55)
Sprechtext
„Vier Grenzen, offen benannt: Erstens überlappt das lange Fenster mit Hurricane Milton am 9./10. Oktober — ein Confounding, deshalb ist unser Hauptergebnis das saubere kurze Fenster. Zweitens nur Scope-1-Emissionen. Drittens nur 49 Firmen in der Regression, davon 14 Bau und 11 Transport — begrenzte statistische Power. Und viertens fehlten bei zwei Firmen die Kursdaten, deshalb 55 in der Renditeanalyse."
🎯 Falls nachgefragt
Was ist „Power"? Die Fähigkeit einer Statistik, einen echten Effekt zu entdecken. Bei kleiner Stichprobe sinkt sie — ein schwacher CO₂-Effekt könnte theoretisch übersehen werden.
Welche zwei Firmen fehlen? Coterra und Expeditors — für sie ließ sich keine vollständige Kursreihe abrufen.
Folie 13 · AusblickYusuf
Karte
  • Scope 2 + 3
  • mehrere Hurricanes poolen (Milton mittelt sich raus)
  • länger beobachten: Repricing oder Überreaktion?
  • Europa + Lieferketten (Pankratz & Schiller 2024)
Sprechtext
„Aus jeder Grenze wird ein Ansatz: breitere CO₂-Daten mit Scope 2 und 3, mehrere Hurricanes zusammen untersuchen — dann mitteln sich Einzelfälle wie Milton heraus — länger beobachten, ob es Repricing oder Überreaktion ist, und die Übertragung auf Europa und Lieferketten, nach Pankratz und Schiller."
Folie 14 · FazitOguzhan + Yusuf
Karte
  • heterogen: Öl + / Bau+Transp. neutral
  • Branche erklärt CARs, nicht CO₂
  • kein Carbon Premium
  • Lehre: Klimarisiko sektorspezifisch analysieren
Sprechtext
Oguzhan: „Der Markt reagierte heterogen — positiv für Öl, neutral für Bau und Transport. Was die Variation erklärt, ist die Branche, nicht das CO₂. Kein Carbon-Premium-Effekt." Yusuf: „Die Lehre: Klimarisiko ist bewertungsrelevant, aber man muss es sektorspezifisch analysieren — eine reine CO₂-Kennzahl greift beim akuten Schock zu kurz. Das ist unser Beitrag."
🎯 Falls nachgefragt
Was ist euer wichtigster Beitrag? Erste Ereignisstudie zu Helene — und der Nachweis, dass beim akuten Klimaschock die Sektorbetroffenheit zählt, nicht die Emissionsintensität.
Praktische Implikation? Risikomanager und Investoren sollten Klimarisiko sektorspezifisch bewerten; eine pauschale CO₂-Kennzahl reicht beim physischen Schock nicht.
Was würdet ihr anders machen? Scope 2/3 einbeziehen und mehrere Stürme poolen — dann wäre die Aussage zu H3 noch stärker.
Folie 15 · DankBeide
Karte
  • Danke
  • → Fragen & Diskussion
  • Backup 16 (Tagesverlauf) bereit
Sprechtext
„Vielen Dank für Ihre Aufmerksamkeit — wir freuen uns auf Ihre Fragen und die Diskussion."

Wie man alles ausrechnet — Schritt für Schritt

Mit einer Beispielfirma („Musterfirma AG"). Rechnet einmal mit — dann versteht ihr jede Zahl auf den Folien.

Schritt 1 — Von Kursen zu „Rendite"

Zuerst rechnen wir für jeden Tag die Rendite aus (= wie viel % die Aktie an dem Tag gewann/verlor).

Formel: Rendite = (Kurs heute − Kurs gestern) ÷ Kurs gestern
Beispiel: Musterfirma gestern 100 €, heute 103 € → (103 − 100) ÷ 100 = 0,03 = +3 %.

Schritt 2 — Das „normale" Verhalten lernen (Marktmodell)

Wir nehmen die 180 Tage VOR dem Sturm. Für jeden Tag notieren wir zwei Zahlen: Rendite der Musterfirma UND Rendite des Gesamtmarkts (S&P 500). Dann legen wir eine Gerade durch all diese Punkte (das macht der Computer, „Regression").

Die Gerade sieht so aus: Firmen-Rendite = Alpha + Beta × Markt-Rendite
Sagen wir, für die Musterfirma kommt raus: Alpha = 0,02 % und Beta = 1,2.

  • Alpha (0,02 %) = was die Aktie macht, wenn der Markt stillsteht.
  • Beta (1,2) = wie stark die Aktie mitschwingt. Markt +1 % → Aktie normal +1,2 %. (Beta über 1 = zappeliger als der Markt.)

Schritt 3 — Was wäre am Sturmtag „normal" gewesen?

Am Sturmtag (Tag 0) machte der Markt +1 %. Was hätte die Musterfirma da normal gemacht?

Erwartete Rendite = Alpha + Beta × Markt = 0,02 % + 1,2 × 1 % = 1,22 %
Also: normalerweise +1,22 % an diesem Tag.

Schritt 4 — Die „abnormale Rendite" (AR) = die echte Reaktion

Tatsächlich machte die Musterfirma am Sturmtag +3 %. Der Unterschied zum Normalen ist die Reaktion:

AR = tatsächlich − normal = 3 % − 1,22 % = +1,78 %
Diese +1,78 % sind der Teil, der NICHT normal war → die Reaktion auf den Sturm.

Schritt 5 — CAR: die Reaktion über mehrere Tage (eine Firma)

Wir machen Schritt 4 für jeden Tag im Fenster (−5 bis +5 = 11 Tage). Für jeden Tag ein AR-Wert. Dann alle zusammenzählen:

CAR = AR(−5) + AR(−4) + … + AR(+5)
Beispiel: die 11 AR-Werte der Musterfirma ergeben zusammen +5,68 % → das ist ihr CAR (die gesamte Reaktion dieser einen Firma).

Schritt 6 — CAAR: der Durchschnitt über ALLE Firmen

Jede der 55 Firmen hat jetzt ihr eigenes CAR. Wir bilden den Durchschnitt:

CAAR = (CAR₁ + CAR₂ + … + CAR₅₅) ÷ 55
Beispiel: kommt +2,61 % raus → das ist der CAAR (die typische Reaktion aller Firmen zusammen). Das ist die Zahl auf Folie 8.

Schritt 7 — SCAAR: ist das echt oder Zufall?

Problem: Vielleicht ist +2,61 % nur Zufall (manche Firmen +10 %, manche −8 %, zufällig im Schnitt +2,61 %). Der SCAAR prüft das.

SCAAR = CAAR ÷ Standardfehler
Der Standardfehler misst, wie stark die einzelnen Firmen-CARs streuen (wie „uneinig" sie sind).
Beispiel: CAAR = 2,61 %, Standardfehler = 0,735 % → 2,61 ÷ 0,735 = 3,55.

Faustregel: über 1,96 = echt (signifikant). 3,55 ist klar drüber → die Reaktion ist echt, kein Zufall. Das ist der Wert hinter den *** auf der Folie.

Schritt 8 — Die Regression für H3 (die CO₂-Frage)

Jetzt die entscheidende Frage: Erklärt CO₂ die Reaktion? Wir nehmen für jede Firma vier Dinge: ihr CAR, ihre CO₂-Intensität, ihre Größe, und ob sie Bau/Transport ist. Dann legt der Computer wieder eine Gerade:

CAR = γ₀ + γ₁ × CO₂ + γ₂ × Größe + γ₃ × (Bau?) + γ₄ × (Transport?)

Der Computer sucht die γ-Zahlen, die am besten zu allen Firmen passen. γ₁ ist der wichtige — er sagt, wie stark CAR von CO₂ abhängt.

  • γ₁ = −0,0010 (praktisch null), p = 0,66 → CO₂ hat KEINEN Einfluss (H3 fällt).
  • γ₃ = −6,4 (Bau), γ₄ = −7,0 (Transport) → die Branche hat sehr wohl Einfluss (H2 gilt).

🎯 Die ganze Kette in einem Bild

Kurse → Rendite (Schritt 1) → „normal" lernen (Schritt 2–3) → abnormale Rendite = Reaktion (Schritt 4) → über Tage summieren = CAR (Schritt 5) → über Firmen mitteln = CAAR (Schritt 6) → Echtheits-Check = SCAAR (Schritt 7) → CO₂-Test = Regression (Schritt 8).

Begriffe — zuerst lesen

Wenn ihr diese Wörter kapiert, versteht ihr euren eigenen Vortrag.

Abnormale Rendite (AR)

Wie viel eine Aktie an einem Tag ANDERS lief, als man normal erwartet hätte = die echte Reaktion auf ein Ereignis.
Beispiel: Modell erwartet +1 %, Aktie macht +3 % → die abnormalen +2 % sind die Reaktion.

CAR & CAAR

CAR = die abnormalen Renditen mehrerer Tage zusammengezählt (für 1 Firma). CAAR = der Durchschnitt davon über ALLE Firmen.
CAAR +2,61 %: die typische Firma legte 2,61 % mehr zu als normal.

Signifikant / p-Wert

„Signifikant" = das Ergebnis ist echt, kein Zufall. Der p-Wert ist die Zufallswahrscheinlichkeit: klein (<0,05) = echt, groß = wohl Zufall.
p=0,66 heißt: 66 % Zufall → kein echter Effekt (unser H3).

Prozentpunkte (Pp)

Der Abstand zwischen zwei Prozentzahlen. Nicht dass etwas fiel — sondern der Unterschied zu einer Vergleichsgruppe.
„6,4 Pp negativer als Öl&Gas" = Bau schnitt 6,4 Punkte schlechter ab als Öl — nicht dass Bau abstürzte.

Sektor / NAICS

Eine Branche. NAICS = offizielle Branchen-Nummern. Wir nehmen 3: Öl&Gas (21), Bau (23), Transport (48-49).

Transitionsrisiko

Das Risiko, dass eine „schmutzige" Firma später von strengeren CO₂-Gesetzen/Preisen getroffen wird. Grundlage des „Carbon Premium".

Vortrag Teil 1 — Folien 1–7 (Yusuf)

Pro Folie: erst was WIRKLICH draufsteht → dann jeder Punkt wie einem Kind erklärt → dann was du sagst → dann Flex-Wissen, falls jemand nachfragt.
Folie 1 · TitelYusuf
📊 Genau das steht auf der Folie:
  • Titel: „Klima-Salience und Aktienrenditen"
  • Untertitel: „Eine Ereignisstudie zum Landfall des Hurricanes Helene"
  • Bachelorseminar Climate Finance · Sommersemester 2026
  • Yusuf Albayrak und Oguzhan Dinc
  • Lehrstuhl für Finanzwirtschaft (Prof. Dr. Sebastian Utz) · Betreuung: Raphaela Roeder, M.Sc. · 15. Juli 2026
👶 Jeder Punkt — erklärt wie einem Kind:
„Klima-Salience" → „Salience" heißt „Auffälligkeit". Gemeint ist: Ein Klima-Ereignis wird plötzlich so auffällig, dass alle drauf schauen. Der Titel sagt also: Wir schauen, wie ein auffälliges Klima-Ereignis die Aktienkurse bewegt.
„Aktienrenditen" → „Rendite" = wie viel Prozent eine Aktie an Wert gewinnt oder verliert. Wir schauen also die Kursveränderungen an.
„Ereignisstudie" → eine Methode, um zu messen, wie EIN bestimmtes Ereignis (hier der Sturm) die Kurse beeinflusst.
„Landfall" → der Moment, in dem ein Hurricane vom Meer aufs Land trifft. Das ist unser Ereignistag: 26.09.2024.
🗣️ Was du sagst: „Guten Tag, wir präsentieren unsere Ereignisstudie zum Landfall von Hurricane Helene. Wir untersuchen, wie der Aktienmarkt darauf reagiert — und ob die CO₂-Intensität der Firmen die Reaktion erklärt."
🔥 Flex-Wissen (falls jemand nachfragt):
Das Titelbild-Thema verbindet zwei Forschungsfelder: Behavioral Finance (wie Psychologie die Kurse bewegt — hier Salience) und Climate Finance (wie Klimarisiken in Preise einfließen). Genau diese Verbindung ist der Reiz der Arbeit.
Warum ausgerechnet eine Ereignisstudie? Weil sie die sauberste Methode ist, um eine Ursache-Wirkung zu messen: ein präzise datierbares Ereignis + Kursdaten drumherum. Standardreferenz dafür ist MacKinlay (1997).
Originalfolie 1
👆 Originalfolie 1 — antippen zum Vergrössern
Folie 2 · AgendaYusuf
📊 Genau das steht auf der Folie:
  • Motivation und Forschungslücke
  • Forschungsfrage und Hypothesen
  • Theoretischer Rahmen: Salience und Carbon Premium
  • Daten und Methodik der Ereignisstudie
  • Empirische Ergebnisse: CAARs und Querschnittsregression
  • Diskussion, Limitationen und Ausblick
👶 Jeder Punkt — erklärt wie einem Kind:
„Forschungslücke" → die Stelle, die noch keiner erforscht hat. Wir zeigen gleich, dass zu Helene noch keine Studie existiert.
„Theoretischer Rahmen" → die Ideen/Theorien anderer Forscher, auf die wir unsere Vermutungen stützen.
„Empirische Ergebnisse" → „empirisch" = aus echten Daten gemessen (nicht ausgedacht). Also unsere eigenen Rechenergebnisse.
„CAARs / Querschnittsregression" → die zwei Ergebnis-Blöcke: 1) wie stark die Kurse reagierten (CAAR), 2) welcher Faktor die Reaktion erklärt (Regression).
🗣️ Was du sagst: „Kurz zum Ablauf: Wir starten mit Motivation und Forschungsfrage, dann der theoretische Rahmen, danach Daten und Methodik — und der Schwerpunkt liegt auf unseren eigenen empirischen Ergebnissen. Zum Schluss Diskussion, Grenzen und Ausblick."
🔥 Flex-Wissen (falls jemand nachfragt):
Der Aufbau folgt bewusst dem klassischen Schema einer empirischen Finance-Arbeit: Motivation → Theorie → Hypothesen → Daten/Methodik → Ergebnisse → Diskussion. Das signalisiert dem Lehrstuhl saubere wissenschaftliche Struktur.
Originalfolie 2
👆 Originalfolie 2 — antippen zum Vergrössern
Folie 3 · MotivationYusuf
📊 Genau das steht auf der Folie:
  • 26. September 2024: Helene trifft als Kategorie-4-Sturm auf die Big-Bend-Region Floridas
  • Schäden von rund 78,7 Mrd. USD, über 250 Todesopfer — eines der teuersten Wetterereignisse der US-Geschichte
  • Extreme Wetterereignisse wirken als Salience-Schocks: physisches Klimarisiko wird plötzlich greifbar
  • Investoren aktualisieren ihre Einschätzung künftiger Klima- und Transitionsrisiken
  • Forschungslücke: Zu Helene lag bislang keine Ereignisstudie vor — und keine, die nach CO₂-Intensität differenziert
👶 Jeder Punkt — erklärt wie einem Kind:
„Kategorie-4-Sturm" → Hurricanes werden von 1 (schwach) bis 5 (extrem) eingeteilt. 4 ist die zweitstärkste Stufe — mit Windgeschwindigkeiten über 210 km/h. Also ein Monster-Sturm.
„Big-Bend-Region Floridas" → die Stelle, wo der Küstenbogen Floridas nach Nordwesten abknickt (der „große Bogen"). Da traf der Sturm aufs Land.
„78,7 Mrd. USD Schaden, über 250 Tote" → die Zahlen, die zeigen: Das war riesig. Genau deshalb ist es „salient" (auffällig) — jeder hat davon gehört.
„Salience-Schock: physisches Klimarisiko wird plötzlich greifbar" → Vorher war Klimarisiko nur eine abstrakte Idee im Kopf. Der Sturm führt es allen live vor Augen (zerstörte Häuser, Milliarden). Jetzt ist es real und präsent. „Physisch" = die direkten, anfassbaren Schäden (Wind, Wasser) — im Gegensatz zum „Transitions"-Risiko (siehe unten).
„Investoren aktualisieren ihre Einschätzung künftiger Klima- und Transitionsrisiken" → Die Anleger (die Leute, die Aktien kaufen) denken nach dem Sturm neu über Klimagefahren nach und passen ihre Erwartungen an — das schlägt sich in Kauf/Verkauf und damit in Kursen nieder.
„Forschungslücke, keine nach CO₂-Intensität differenziert" → Zu Helene gab es noch KEINE Studie — und schon gar keine, die fragt, ob dreckige Firmen anders reagieren als saubere. Genau das machen wir. Das ist unser neuer Beitrag.
🗣️ Was du sagst: „Helene traf am 26. September 2024 als Kategorie-4-Sturm auf Florida — mit rund 78,7 Milliarden Dollar Schaden und über 250 Toten, eines der teuersten Wetterereignisse der US-Geschichte. Solche Ereignisse wirken als Salience-Schocks: Sie machen physisches Klimarisiko schlagartig greifbar, und Investoren aktualisieren ihre Einschätzung künftiger Klimarisiken. Für Helene lag bisher keine Ereignisstudie vor, erst recht keine, die nach CO₂-Intensität differenziert — genau hier setzen wir an."
🔥 Flex-Wissen (falls jemand nachfragt):
Man unterscheidet zwei Arten von Klimarisiko: physisches Risiko (direkte Schäden durch Wetter — Wind, Flut) und Transitionsrisiko (Risiko durch den Übergang zur klimafreundlichen Wirtschaft — z. B. neue CO₂-Gesetze, die dreckige Firmen treffen). Helene macht beides gleichzeitig präsent — das ist die Verbindung zu unserer CO₂-Frage.
Die Schadenszahl (78,7 Mrd.) und Todeszahl (~250) stammen aus dem offiziellen NOAA Tropical Cyclone Report (2025) — also einer belastbaren Primärquelle, nicht aus der Presse.
Warum ist so ein Ereignis für die Forschung ein „natürliches Experiment"? Weil es unerwartet kam — die Anleger konnten es nicht Wochen vorher einpreisen. Dadurch ist die Kursreaktion sauber dem Ereignis zuzuordnen. Genau das prüfen wir mit dem Vor-Fenster [-5,-1].
Originalfolie 3
👆 Originalfolie 3 — antippen zum Vergrössern
Folie 4 · Frage & HypothesenYusuf
📊 Genau das steht auf der Folie:
  • Forschungsfrage: „Reagieren Aktienkurse von S&P-500-Firmen aus CO₂-intensiven Sektoren mit abnormalen Renditen auf den Landfall von Helene — und erklärt die CO₂-Intensität die Marktreaktion?"
  • H1 — Marktreaktion: Der Landfall löst signifikante CAARs aus (Vorzeichen a priori offen)
  • H2 — Sektor-Heterogenität: Construction und Transportation reagieren negativer als Oil & Gas
  • H3 — Carbon-Premium-Effekt: Höhere CO₂-Intensität geht mit negativeren CARs einher
👶 Jeder Punkt — erklärt wie einem Kind:
„CO₂-intensive Sektoren" → Branchen, die viel CO₂ ausstoßen (Öl, Bau, Transport). Wir schauen nur solche an, weil wir ja die CO₂-Frage testen wollen.
„abnormale Renditen" → die Kursbewegung, die ÜBER das Normale hinausgeht — also die echte Reaktion auf den Sturm (nicht das, was die Aktie eh gemacht hätte).
H1 — „signifikante CAARs, Vorzeichen offen" → „Passiert überhaupt etwas Messbares an der Börse?" „Signifikant" = echt, kein Zufall. „Vorzeichen offen" = wir legen uns NICHT fest, ob rauf (+) oder runter (−) — wir schauen ergebnisoffen.
H2 — „Sektor-Heterogenität" → „Heterogenität" = Unterschiedlichkeit. Vermutung: Die Branchen reagieren verschieden. Bau und Transport (örtlich vom Sturm getroffen) schlechter als Öl & Gas.
H3 — „Carbon-Premium-Effekt" → die spannendste Frage: Werden die dreckigsten Firmen (viel CO₂) am stärksten abgestraft? Wenn ja, würde die Börse beim Sturm ans CO₂-Problem denken.
🗣️ Was du sagst: „Unsere Forschungsfrage: Reagieren CO₂-intensive S&P-500-Firmen mit abnormalen Renditen auf Helene — und erklärt die CO₂-Intensität diese Reaktion? Daraus leiten wir drei Hypothesen ab. H1: Der Landfall löst eine signifikante Marktreaktion aus, das Vorzeichen lassen wir bewusst offen. H2: Bau und Transport reagieren negativer als Öl und Gas. H3: Höhere CO₂-Intensität geht mit negativeren Renditen einher."
🔥 Flex-Wissen (falls jemand nachfragt):
Warum bei H1 „Vorzeichen a priori offen"? Weil es theoretisch in beide Richtungen gehen kann: Ein Sturm kann Firmen schaden (Kurse runter) ODER manchen nützen (Öl-Firmen rauf, weil das Öl knapp wird). Sich nicht vorher festzulegen ist wissenschaftlich sauberer — man testet zweiseitig.
H2 und H3 testen zwei KONKURRIERENDE Erklärungen: Reagiert der Markt auf die physische Betroffenheit (Sektor, H2) oder auf die Emissionsintensität (CO₂, H3)? Genau dieser Wettstreit ist der Kern der Arbeit — und am Ende gewinnt H2.
„Carbon Premium" heißt: Anleger verlangen für dreckige Aktien eine höhere erwartete Rendite als Ausgleich fürs höhere Risiko. Der Begriff stammt von Bolton & Kacperczyk (2021).
Originalfolie 4
👆 Originalfolie 4 — antippen zum Vergrössern
Folie 5 · Theoretischer RahmenYusuf
📊 Genau das steht auf der Folie:
  • Salience-Theorie (Bordalo, Gennaioli & Shleifer 2012): Entscheider übergewichten auffällige, salient gewordene Ausgänge statt objektiver Wahrscheinlichkeiten
  • Ein Hurricane macht abstraktes Klimarisiko plötzlich greifbar — ohne dass sich die langfristige Risikoverteilung ändert
  • Dessaint & Matray (2017): Manager überreagieren auf salientes Hurricane-Risiko; Effekt ist temporär und bildet sich zurück
  • Carbon Premium (Bolton & Kacperczyk 2021): Firmen mit höheren Emissionen tragen höheres Transitionsrisiko
  • Aufmerksamkeit für Klimathemen wirkt messbar auf Renditen (Choi, Gao & Jiang 2020)
👶 Jeder Punkt — erklärt wie einem Kind:
„übergewichten auffällige Ausgänge statt objektiver Wahrscheinlichkeiten" → Menschen rechnen nicht nüchtern mit echten Wahrscheinlichkeiten, sondern lassen sich vom Auffälligen leiten. Beispiel: Nach einem Flugzeugabsturz in den Nachrichten haben viele Flugangst — obwohl Fliegen genauso sicher ist wie vorher. Nur die Aufmerksamkeit hat sich geändert, nicht die echte Gefahr.
„macht Klimarisiko greifbar, ohne dass sich die Risikoverteilung ändert" → Der Sturm ändert nicht, wie wahrscheinlich Stürme in Zukunft sind — die Statistik ist gleich. Aber im Kopf der Anleger fühlt es sich jetzt viel gefährlicher an. Und genau dieses Gefühl bewegt die Kurse. Das ist der Kern von „Salience".
„Manager überreagieren, Effekt bildet sich zurück" (Dessaint & Matray) → Weil das Ereignis so auffällig ist, reagieren die Leute STÄRKER als vernünftig — und beruhigen sich später wieder. Deshalb löst ein einzelner Sturm keine dauerhafte Neubewertung aus, nur ein kurzes Zucken.
„Carbon Premium / höheres Transitionsrisiko" → Firmen mit viel CO₂ sind riskanter, weil künftige Klimagesetze (CO₂-Steuern, Auflagen) sie härter treffen könnten. „Transition" = der Übergang zur klimafreundlichen Wirtschaft. Wenn die Börse das ernst nimmt, müssten dreckige Firmen beim Klima-Schock stärker verlieren — das testen wir in H3.
„Aufmerksamkeit wirkt messbar auf Renditen" (Choi, Gao & Jiang 2020) → Andere Forscher haben bereits belegt: Wenn Menschen mehr über Klima nachdenken (z. B. bei ungewöhnlich warmem Wetter), bewegt das tatsächlich die Kurse. Das stützt unsere ganze Idee.
🗣️ Was du sagst: „Theoretisch stützen wir uns auf zwei Säulen. Erstens die Salience-Theorie von Bordalo, Gennaioli und Shleifer: Entscheider übergewichten auffällige Ereignisse statt objektiver Wahrscheinlichkeiten. Ein Hurricane macht Klimarisiko greifbar, obwohl sich die langfristige Risikolage nicht ändert. Dessaint und Matray zeigen, dass solche Reaktionen oft Überreaktionen sind, die sich zurückbilden. Zweitens das Carbon Premium von Bolton und Kacperczyk: emissionsintensive Firmen tragen ein höheres Transitionsrisiko. Und Choi, Gao und Jiang belegen, dass Klima-Aufmerksamkeit messbar auf Renditen wirkt."
🔥 Flex-Wissen (falls jemand nachfragt — Roeder liebt Theorie):
Salience-Theorie kommt ursprünglich aus der Entscheidungstheorie und erklärt, warum Menschen von der klassischen Erwartungsnutzen-Theorie abweichen. Der Clou: Nicht die Wahrscheinlichkeit zählt, sondern wie stark ein Ausgang aus dem Kontext heraussticht.
Der spannende Widerspruch in unserer Theorie: Salience sagt „der Markt reagiert (kurzfristig, evtl. über)", Carbon Premium sagt „dreckige Firmen sollten systematisch stärker betroffen sein". Wir prüfen, ob beim EINZELNEN Ereignis die Salience über den Sektor läuft (physische Betroffenheit) oder über CO₂. Antwort: über den Sektor.
Dessaint & Matray (2017) ist die perfekte Vorlage für uns: gleiche Methode (Hurricane als Schock), gleiche Erkenntnis (temporäre Überreaktion). Wir zitieren sie deshalb auch bei der Deutung unseres Nullergebnisses bei H3.
Originalfolie 5
👆 Originalfolie 5 — antippen zum Vergrössern
Folie 6 · DatenYusuf
📊 Genau das steht auf der Folie:
  • 57 S&P-500-Firmen aus drei CO₂-intensiven NAICS-Sektoren (Stand 26.09.2024):
  • – NAICS 21 — Mining, Oil & Gas: 26 Firmen
  • – NAICS 23 — Construction: 19 Firmen
  • – NAICS 48-49 — Transportation & Warehousing: 12 Firmen
  • Datenquelle: LSEG Workspace (Kurse, CO₂, Fundamentaldaten), Abruf via Codebook/Python
  • Markt-Benchmark: S&P-500-Index · CO₂: Scope-1-Direktemissionen (LSEG-ESG, 2023), für 51 der 57 Firmen
  • Kurse für 55 Firmen; Querschnittsregression mit n=49 (Kurs + CO₂ + Marktkap)
👶 Jeder Punkt — erklärt wie einem Kind:
„57 S&P-500-Firmen aus drei Sektoren" → Wir haben aus den 500 größten US-Firmen genau 57 herausgesucht — aus drei dreckigen Branchen: Öl/Bergbau, Bau, Transport.
„NAICS 21 / 23 / 48-49" → NAICS ist ein offizielles Nummernsystem für Branchen (wie eine Postleitzahl für Wirtschaftszweige). 21 = Bergbau/Öl, 23 = Bau, 48-49 = Transport. So ist die Einteilung objektiv und nachprüfbar, nicht von uns willkürlich.
„LSEG Workspace, Abruf via Codebook/Python" → LSEG ist eine riesige Finanz-Datenbank (früher „Refinitiv") — sowas wie Google nur für Börsendaten. „Codebook/Python" = wir haben die Daten per Programmier-Skript automatisch abgerufen, nicht per Hand abgetippt. Das zeigt Methodenkompetenz.
„Markt-Benchmark: S&P-500-Index" → die Vergleichslinie. Um zu sehen, ob eine Aktie „abnormal" reagiert, brauchen wir einen Vergleich: Wie lief der Gesamtmarkt an dem Tag? Das ist der S&P-500-Index.
„Scope-1-Direktemissionen" → das CO₂, das die Firma SELBST direkt ausstößt (aus eigenen Fabriken, Fahrzeugen). Nicht dabei: CO₂ aus zugekauftem Strom (Scope 2) oder der Lieferkette (Scope 3). Wir hatten nur Scope 1 — das ist eine unserer Grenzen.
„für 51 der 57 / n=49" → Bei 6 Firmen fehlten CO₂-Zahlen, bei 2 fehlten Kurse. Für die genaue CO₂-Analyse blieben am Ende 49 Firmen mit allen nötigen Daten übrig.
🗣️ Was du sagst: „Unsere Stichprobe: 57 S&P-500-Firmen aus drei CO₂-intensiven NAICS-Sektoren — 26 aus Oil & Gas, 19 aus Construction, 12 aus Transportation. Die Daten stammen aus LSEG Workspace, abgerufen per Python. Als Markt-Benchmark dient der S&P-500-Index, für CO₂ nutzen wir Scope-1-Direktemissionen, verfügbar für 51 der 57 Firmen. Kurse haben wir für 55 Firmen, die Querschnittsregression läuft mit 49."
🔥 Flex-Wissen (falls jemand nachfragt):
Warum genau diese drei Sektoren? Das ist ein Identifikations-Trick: Alle drei sind CO₂-intensiv (nötig für die CO₂-Frage), werden aber physisch UNTERSCHIEDLICH getroffen. Öl & Gas profitiert sogar (Angebotsschock), Bau/Transport leiden. So kann man Sektor-Effekt und CO₂-Effekt sauber trennen.
Für CO₂ nehmen wir nicht die absolute Menge, sondern die CO₂-Intensität = Emissionen ÷ Umsatz. Grund: Große Firmen stoßen automatisch mehr aus. Erst das Teilen durch den Umsatz macht kleine und große Firmen fair vergleichbar („wie dreckig pro verdientem Dollar").
„Stand 26.09.2024" ist wichtig: Wir nehmen die Sektor-Zugehörigkeit am Ereignistag — nicht heute. So vermeiden wir einen Look-ahead-Bias (dass wir Infos verwenden, die es am Ereignistag noch nicht gab).
Originalfolie 6
👆 Originalfolie 6 — antippen zum Vergrössern
Folie 7 · MethodikYusuf
📊 Genau das steht auf der Folie:
  • Ereignistag t=0: 26. September 2024 (regulärer Handelstag)
  • Schätzfenster [-200, -21] = 180 Handelstage; 20 Tage Puffer zum Ereignis
  • Vier Ereignisfenster: [-5,-1], [0,+5], [-5,+5] (Hauptfenster), [0,+10]
  • Marktmodell: R(i,t) = α_i + β_i · R(M,t) + ε; AR = tatsächliche minus erwartete Rendite
  • Aggregation zu CAR, CAAR; Teststatistik standardnormalverteilt
  • Querschnittsregression: CAR ~ CO₂-Intensität + log(MktCap) + Sektor-Dummies (Referenz: Oil & Gas)
👶 Jeder Punkt — erklärt wie einem Kind:
„Ereignistag t=0" → der Tag des Sturms (26.09.2024) ist unser Nullpunkt. Alle anderen Tage zählen wir davon aus: −1 = Tag davor, +1 = Tag danach.
„Schätzfenster [-200,-21], 180 Tage, 20 Tage Puffer" → In den 180 Börsentagen VOR dem Sturm (aber mit 20 Tagen Abstand, damit nichts vom Sturm reinfunkt) lernen wir, wie sich jede Aktie normal verhält. Das ist die „Normal-Erwartung".
„Vier Ereignisfenster" → Wir schauen die Reaktion in vier verschiedenen Zeiträumen an: nur davor [-5,-1], nur danach [0,+5], drumherum [-5,+5] (das Hauptfenster) und lang [0,+10]. So sehen wir, ob die Börse den Sturm ahnte, sofort reagierte oder nachlief.
„Marktmodell: R = α + β·R(Markt) + ε" → die Formel für „normal". α (Alpha) = was die Aktie macht, wenn der Markt still steht. β (Beta) = wie stark die Aktie mit dem Markt mitschwingt. ε (Epsilon) = der Zufalls-Rest. Zusammen: normale Rendite = Alpha + Beta × Marktrendite.
„AR = tatsächliche minus erwartete Rendite" → AR = abnormale Rendite = was die Aktie WIRKLICH machte minus was sie NORMAL gemacht hätte. Das ist die reine Reaktion auf den Sturm.
„Aggregation zu CAR, CAAR; Teststatistik standardnormalverteilt" → Wir zählen die AR über die Tage zusammen (= CAR, eine Firma) und mitteln über alle Firmen (= CAAR). „Standardnormalverteilt" heißt: Wir haben eine Test-Zahl, mit der wir prüfen, ob das Ergebnis echt ist (Faustregel: größer als ~1,96 = echt).
„Querschnittsregression: CAR ~ CO₂ + log(MktCap) + Sektor-Dummies (Referenz: Oil & Gas)" → der Rechen-Test für H3: Erklärt die CO₂-Intensität die Reaktion (CAR)? Wir rechnen zusätzlich die Firmengröße (log der Marktkapitalisierung) und die Branche mit rein, um sie „herauszurechnen". „Referenz Oil & Gas" = alle Branchen werden mit Öl & Gas verglichen.
🗣️ Was du sagst: „Methodisch ist es eine klassische Ereignisstudie mit dem Marktmodell. Ereignistag ist der 26. September. Im Schätzfenster von 180 Handelstagen — mit 20 Tagen Puffer — schätzen wir je Firma Alpha und Beta, also wie sie normalerweise mit dem Markt mitläuft. Die abnormale Rendite ist dann die tatsächliche minus die erwartete Rendite. Diese aggregieren wir über vier Ereignisfenster zu CAR und CAAR und testen sie. H3 prüfen wir mit einer Querschnittsregression: CAR erklärt durch CO₂-Intensität, Firmengröße und Sektor-Dummies, mit Oil & Gas als Referenz."
🔥 Flex-Wissen (falls jemand nachfragt — hier wird's technisch):
Warum 20 Tage Puffer zwischen Schätz- und Ereignisfenster? Damit die „Vorlauf-Unruhe" kurz vor dem Sturm nicht schon die Normal-Schätzung verfälscht. Das ist Standard nach MacKinlay (1997).
Warum log(Marktkapitalisierung) statt der reinen Zahl? Firmengrößen sind extrem schief verteilt (wenige Riesen, viele Kleine). Der Logarithmus staucht das zusammen, damit ein einzelner Gigant die Regression nicht dominiert.
Was ist ein „Dummy"? Eine 0/1-Variable. Sektor-Dummy Construction = 1, wenn die Firma zum Bau gehört, sonst 0. So kann die Regression den reinen Branchen-Effekt herausrechnen. Die Referenzgruppe (Oil & Gas) bekommt keinen eigenen Dummy — alle anderen werden mit ihr verglichen.
Das ε (Epsilon, „Störterm") ist der Teil der Rendite, den das Modell NICHT erklärt — genau darin steckt die abnormale Reaktion, die uns interessiert.
Originalfolie 7
👆 Originalfolie 7 — antippen zum Vergrössern

Vortrag Teil 2 — Folien 8–15 (Oguzhan)

Das Herzstück: die Ergebnisse. Pro Folie: echter Folientext → jeder Punkt kindgerecht → was du sagst → Flex-Wissen.
Folie 8 · Ergebnisse I — CAARs nach SektorOguzhan
📊 Genau das steht auf der Folie:
  • Titel: „CAARs im Hauptfenster [-5, +5] nach Sektor"
  • Gesamt: +2,61 % ***
  • Effekt fast vollständig von Oil & Gas getragen: +5,68 % ***
  • Construction und Transportation nicht signifikant
  • Erklärung Oil & Gas: Angebotsschock durch Plattformschließungen im Golf von Mexiko
  • [-5,-1] ≈ 0 → keine Vorab-Antizipation
  • (+ Balkendiagramm mit vier Balken: Gesamt, Oil & Gas, Construction, Transportation)
👶 Jeder Punkt — erklärt wie einem Kind:
„CAAR" → die durchschnittliche abnormale Reaktion ALLER Firmen über das Fenster. Kurz: „Wie stark hat die typische Firma reagiert, mehr als normal?"
„Hauptfenster [-5, +5]" → 5 Börsentage vor bis 5 nach dem Sturm (11 Tage). Das ist unser wichtigstes Fenster.
„Gesamt: +2,61 % ***" → Über alle Firmen zusammen stieg der Kurs im Schnitt 2,61 % MEHR als normal. Die drei Sternchen *** heißen: hochsignifikant = ganz sicher kein Zufall.
„fast vollständig von Oil & Gas getragen: +5,68 %" → Diese +2,61 % kommen fast nur von den Öl-Firmen (+5,68 %). Die ziehen den Durchschnitt hoch. Ohne sie wäre kaum was übrig.
„Construction und Transportation nicht signifikant" → Bei Bau und Transport war die Reaktion so klein/unsicher, dass wir nicht sagen können, ob überhaupt was passiert ist. „Nicht signifikant" = könnte auch Zufall sein.
„Angebotsschock durch Plattformschließungen im Golf von Mexiko" → Warum steigen Öl-Aktien bei einem Sturm? Weil im Golf von Mexiko die Ölbohr-Plattformen vor dem Sturm abgeschaltet werden. Dann wird Öl knapp → der Ölpreis steigt → Öl-Firmen verdienen mehr → ihre Aktien steigen. „Angebotsschock" = plötzlich weniger Angebot.
„[-5,-1] ≈ 0 → keine Vorab-Antizipation" → In den 5 Tagen VOR dem Sturm passierte fast nichts (≈ 0). Das heißt: Die Börse hat den Sturm nicht vorher eingepreist — er kam als echte Überraschung. Wichtig, weil es beweist, dass die Reaktion wirklich vom Sturm kommt.
🗣️ Was du sagst: „Im Hauptfenster von minus fünf bis plus fünf Tagen sehen wir eine signifikant positive Gesamtreaktion von plus 2,61 Prozent. Diese wird aber fast vollständig von Oil & Gas getragen — plus 5,68 Prozent, hochsignifikant. Construction und Transportation sind dagegen nicht signifikant. Der Grund für Öl liegt in einem Angebotsschock: Vor dem Sturm werden die Förderplattformen im Golf von Mexiko geschlossen, das Angebot sinkt, der Ölpreis steigt. Wichtig ist auch: Im Vorfenster minus fünf bis minus eins liegt die Reaktion bei null — es gab also keine Vorab-Antizipation, der Sturm kam als Überraschung."
🔢 Das Balkendiagramm erklärt:
Die Achse (senkrecht) → zeigt die CAAR in Prozent. Je höher der Balken, desto stärker die abnormale Reaktion. Die Null-Linie = „reagiert wie normal".
Die vier Balken → Gesamt (+2,61 %), Oil & Gas (hoch, +5,68 %), Construction (fast null), Transportation (fast null). Man SIEHT sofort: nur der Öl-Balken ragt raus.
Was das Diagramm SAGEN will → „Die Marktreaktion ist keine allgemeine Panik — sie ist ein gezielter Öl-Gewinn." Der eine hohe Balken ist die ganze Geschichte.
🔥 Flex-Wissen (falls jemand nachfragt):
Das Vorfenster [-5,-1] ≈ 0 ist mehr als ein Detail: Es ist ein Sauberkeits-Beweis. Hätte die Börse den Sturm vorausgeahnt, wäre die Reaktion schon vorher gekommen und unsere Messung verzerrt. Die Null bestätigt: sauberes „Überraschungs-Ereignis".
Dass Öl bei physischen Klimaschocks GEWINNT, ist ein bekanntes, fast paradoxes Muster: Der kurzfristige Angebotsschock (Preis rauf) überwiegt die langfristige Klimasorge. Genau das ist der Grund, warum am Ende der Sektor und nicht das CO₂ die Reaktion erklärt.
Originalfolie 8
👆 Originalfolie 8 — antippen zum Vergrössern
Folie 9 · Ergebnisse II — Sektor-Heterogenität (H2)Oguzhan
📊 Genau das steht auf der Folie:
  • Oil & Gas reagiert klar positiv — Construction und Transportation nicht
  • Querschnittsregression zeigt signifikante Renditedifferenz zur Oil-&-Gas-Referenz:
  • – Construction rund 6,4 Prozentpunkte negativer (p < 0,001)
  • – Transportation rund 7,0 Prozentpunkte negativer (p < 0,001)
  • H2 bestätigt sich in modifizierter Form: keine isoliert negativen CAARs, aber klare Differenz zu Oil & Gas
  • Deutung: Branchen mit räumlich gebundener Wertschöpfung tragen das physische Klimarisiko stärker
👶 Jeder Punkt — erklärt wie einem Kind:
„Querschnittsregression" → ein Rechen-Verfahren, das über alle Firmen hinweg schaut, welcher Faktor die Reaktion erklärt. „Querschnitt" = ein Blick über alle Firmen zum gleichen Zeitpunkt.
„6,4 Prozentpunkte negativer (p < 0,001)" → WICHTIG richtig zu verstehen: Bau ist NICHT um 6,4 % gefallen! Bau reagierte nur 6,4 Prozentpunkte SCHWÄCHER als Öl. Weil Öl stark stieg (+5,68 %), liegt Bau eben rund 6 Punkte darunter — also ungefähr bei null. „p < 0,001" = die Wahrscheinlichkeit, dass dieser Unterschied Zufall ist, liegt unter 0,1 % → bombensicher echt.
„Prozentpunkte (Pp)" → der ABSTAND zwischen zwei Prozentzahlen. Wenn Öl bei +5,68 % liegt und Bau bei −0,7 %, ist der Abstand ca. 6,4 Punkte. Prozentpunkte sagen „um wie viel auseinander", nicht „um wie viel gefallen".
„H2 bestätigt in modifizierter Form" → Unsere Vermutung war „Bau/Transport reagieren negativer". Ganz stimmt das nicht — sie sind nicht ins Minus gestürzt. Aber im VERGLEICH zu Öl sind sie klar schlechter. Also: Kern der Vermutung stimmt (Branchen unterscheiden sich), aber leicht abgewandelt („modifiziert").
„räumlich gebundene Wertschöpfung" → Bau und Transport arbeiten an festen Orten (Baustellen, Häfen, Routen). Kommt der Sturm, sind sie direkt betroffen — sie können nicht ausweichen. Öl profitiert dagegen vom Preisanstieg. Das erklärt den Unterschied.
🗣️ Was du sagst: „Die Sektor-Unterschiede bestätigen wir in der Querschnittsregression. Gegenüber der Oil-&-Gas-Referenz reagiert Construction rund 6,4 Prozentpunkte negativer, Transportation rund 7,0 Prozentpunkte — beide hochsignifikant mit p unter 0,001. Wichtig: Das heißt nicht, dass Bau und Transport abgestürzt sind — sie liegen nur klar unter dem starken Öl-Effekt. H2 bestätigt sich damit in modifizierter Form: Es gibt keine isoliert negativen Reaktionen, aber eine klare Differenz zu Öl. Unsere Deutung: Branchen mit räumlich gebundener Wertschöpfung tragen das physische Klimarisiko stärker."
🔥 Flex-Wissen (falls jemand nachfragt):
Warum „modifiziert"? Weil unsere ursprüngliche H2 „negativer" hieß und man das als „ins Minus" lesen könnte. Ehrlich gesagt: Die absoluten Reaktionen von Bau/Transport sind nur nicht signifikant von null verschieden. Der SEKTOR-Unterschied zu Öl ist aber knallhart da. Diese Präzision zeigt wissenschaftliche Ehrlichkeit — genau was der Lehrstuhl sehen will.
Die Regression misst den Sektor-Effekt kontrolliert — also nachdem Firmengröße und CO₂ herausgerechnet sind. Das macht die Aussage stark: Der Sektor-Unterschied bleibt bestehen, egal wie groß oder dreckig die Firma ist.
Originalfolie 9
👆 Originalfolie 9 — antippen zum Vergrössern
Folie 10 · Ergebnisse III — Carbon-Premium (H3)Oguzhan
📊 Genau das steht auf der Folie (Titel: „…H3 — nicht bestätigt"):
  • Im Hauptfenster [-5,+5]: CO₂-Koeffizient praktisch Null (-0,0010), nicht signifikant (p = 0,66)
  • Auch in [-5,-1] und [0,+5] kein signifikanter Effekt
  • Nur [0,+10] signifikant — aber POSITIV (+0,004, p = 0,02), entgegen der Hypothese
  • und dieses Fenster ist durch Hurricane Milton kontaminiert
  • Robustheitschecks (Winsorisierung, alt. Schätzfenster): durchweg insignifikant (p = 0,48-0,81)
  • Deutung: Reaktion folgt physischer Betroffenheit (Sektor), nicht der Emissionsintensität
  • Fazit-Kasten: „H3 abgelehnt: kein robuster Carbon-Premium-Effekt. Die Marktreaktion erklärt sich über den Sektor (H2)."
🧠 Folie 10 ganz langsam erklärt — worum geht's hier? Das ist die spannendste Folie. Hier beantworten wir die Kernfrage: Achtet die Börse beim Sturm auf die CO₂-Menge der Firmen? Antwort: NEIN — und wir zeigen, warum das trotzdem ein starkes, sauberes Ergebnis ist.
1️⃣ Was H3 überhaupt behauptet (die Idee): „Firmen mit mehr CO₂ werden beim Klimaschock stärker abgestraft." Warum sollte das so sein? Weil dreckige Firmen ein höheres Transitionsrisiko tragen — künftige Klimagesetze (CO₂-Steuern, Auflagen) treffen sie härter. Wenn ein Hurricane das Klimathema plötzlich präsent macht, könnten Anleger genau dieses Risiko neu bewerten und dreckige Aktien abstoßen.
📚 Woher die Idee kam (eure Quellen, Kap. 2.5):• Bolton & Kacperczyk (2021), „Do Investors Care about Carbon Risk?" → das „Carbon Premium": Firmen mit höheren Emissionen tragen höheres Transitionsrisiko.
• Bordalo, Gennaioli & Shleifer (2012), Salience-Theorie → ein auffälliges Ereignis macht ein Risiko plötzlich greifbar.
Ihr habt beide verknüpft: Salienz-Schock (Hurricane) + Carbon-Premium-Idee → daraus folgt H3.
2️⃣ Wie ihr es getestet habt: Mit einer Querschnittsregression. Für jede Firma prüft sie: Hängt die Reaktion (CAR) mit der CO₂-Intensität zusammen — nachdem Firmengröße und Branche herausgerechnet sind? Die Zahl, die das misst, ist der CO₂-Koeffizient γ₁. Deutlich negativ = H3 stimmt. Nahe null = CO₂ egal.
3️⃣ Was rauskam (die Zahlen): γ₁ = −0,0010 (praktisch null), t = −0,44, p = 0,66 → nicht signifikant. Egal ob dreckig oder sauber: gleiche Reaktion. Alle Robustheits-Varianten (Winsorisierung, anderes Schätzfenster): kein Effekt, p = 0,48–0,81. Der einzige „Treffer" im langen Fenster [0,+10] (+0,0040, p = 0,02) hat das FALSCHE Vorzeichen (positiv) UND ist durch Hurricane Milton verseucht — zählt also nicht.
4️⃣ Was das bedeutet (die Deutung): Beim akuten Sturm denkt der Markt an „wer ist gerade vor Ort betroffen" (= Sektor), nicht an „wer ist langfristig dreckig" (= CO₂). Kein Widerspruch zu Bolton & Kacperczyk: Deren Carbon Premium ist ein langfristiger Risikoaufschlag, unser Ereignis ein kurzfristiger Schock — andere Zeithorizonte. Und Dessaint & Matray (2017) erklären: Solche Salienz-Reaktionen sind kurzfristige Überreaktionen, die sich zurückbilden — deshalb kein dauerhaftes Umpreisen nach CO₂.
👶 Jeder Punkt — erklärt wie einem Kind:
„CO₂-Koeffizient praktisch Null (-0,0010)" → Der „Koeffizient" ist die Zahl, die sagt, wie stark CO₂ die Reaktion beeinflusst. −0,0010 ist so gut wie null → CO₂ macht keinen Unterschied. Egal ob dreckig oder sauber, die Reaktion war gleich.
„nicht signifikant (p = 0,66)" → p = 0,66 heißt: 66 % Wahrscheinlichkeit, dass dieses (winzige) Ergebnis reiner Zufall ist. Viel zu hoch → wir glauben es nicht. (Faustregel: erst unter 0,05 = echt.)
„Nur [0,+10] signifikant — aber POSITIV, entgegen der Hypothese" → In einem einzigen (langen) Fenster gab es doch einen Effekt — aber das FALSCHE Vorzeichen: mehr CO₂ ging mit BESSEREN Renditen einher, nicht schlechteren. Unsere Vermutung war das Gegenteil. Ein echter Effekt würde nicht plötzlich umkippen.
„durch Hurricane Milton kontaminiert" → Genau in diesem langen Fenster steckt ein ZWEITER Sturm (Milton, 9./10. Oktober). Also ist das Ergebnis dort nicht mehr sauber Helene zuzuordnen — es ist „verschmutzt". Zählt daher nicht als Beleg.
„Robustheitschecks … durchweg insignifikant (p = 0,48-0,81)" → Wir haben die Rechnung mehrfach anders gemacht (Ausreißer gestutzt = „Winsorisierung", anderes Schätzfenster). Immer dasselbe: kein CO₂-Effekt. Das heißt, das Nullergebnis ist „robust" = stabil, egal wie man rechnet.
„Winsorisierung" → eine Technik, bei der man extreme Ausreißer-Werte auf ein vernünftiges Maß stutzt, damit einzelne verrückte Firmen das Ergebnis nicht verzerren.
Fazit-Kasten „H3 abgelehnt" → Klartext: Die CO₂-Menge erklärt die Reaktion NICHT. Es kommt allein auf die Branche an (H2).
🗣️ Was du sagst: „Kommen wir zu H3, dem Carbon-Premium-Effekt — und der ließ sich nicht bestätigen. Im Hauptfenster ist der CO₂-Koeffizient praktisch null, minus 0,0010, mit einem p-Wert von 0,66 klar nicht signifikant. Auch in den anderen kurzen Fenstern: kein Effekt. Nur im längsten Fenster null bis plus zehn wird es signifikant — aber positiv, also entgegen unserer Hypothese, und genau dieses Fenster ist durch Hurricane Milton kontaminiert. Unsere Robustheitschecks — Winsorisierung, alternatives Schätzfenster — bleiben durchweg insignifikant. Die Deutung: Die Reaktion folgt der physischen Betroffenheit, also dem Sektor, nicht der Emissionsintensität. H3 wird abgelehnt — die Marktreaktion erklärt sich über den Sektor."
🔥 Flex-Wissen (falls jemand nachfragt — DAS ist die Kernfrage der Arbeit):
„Ist ein Nullergebnis nicht enttäuschend?" Nein — ein sauberes „kein Effekt" ist wissenschaftlich genauso wertvoll wie ein Effekt. Es beantwortet die Frage klar: Beim einzelnen Klimaschock preist der Markt physische Betroffenheit ein, nicht die CO₂-Bilanz.
Warum widerspricht das nicht Bolton & Kacperczyk? Deren Carbon Premium ist ein LANGFRISTIGER, dauerhafter Risikoaufschlag. Unser Ereignis ist ein EINZELNER, kurzfristiger Schock. Salience + Überreaktion (Dessaint & Matray) erklären, warum ein einzelner Landfall eben KEIN dauerhaftes Umpreisen nach CO₂ auslöst. Kein Widerspruch — andere Zeithorizonte.
Der positive Ausreißer in [0,+10] ist didaktisch Gold: Er zeigt, warum man Fenster sauber wählen muss. Ein Milton-verseuchtes Fenster liefert ein Scheinergebnis — genau deshalb ist unser Hauptfenster das kürzere [-5,+5].
Originalfolie 10
👆 Originalfolie 10 — antippen zum Vergrössern
Folie 11 · DiskussionOguzhan
📊 Genau das steht auf der Folie:
  • H1 bestätigt: signifikante, insgesamt positive Marktreaktion (Oil & Gas)
  • H2 bestätigt (modifiziert): signifikante Renditedifferenz der Sektoren zu Oil & Gas
  • H3 NICHT bestätigt: kein robuster Zusammenhang CO₂-Intensität ↔ Kursreaktion
  • Salience knüpft an die physische Betroffenheit (Sektor) an, nicht an die Emissionsintensität
  • Überreaktion (Dessaint & Matray 2017) erklärt, warum ein einzelner Landfall kein dauerhaftes Repricing auslöst
👶 Jeder Punkt — erklärt wie einem Kind:
Die drei Häkchen (H1 ✓, H2 ✓ modifiziert, H3 ✗) → die Zusammenfassung: Markt reagiert (ja), Branchen unterscheiden sich (ja), CO₂ erklärt nichts (nein).
„Salience knüpft an physische Betroffenheit an, nicht an Emissionsintensität" → die Kernbotschaft: Wenn ein Sturm kommt, denken Anleger „Wer ist gerade vor Ort betroffen?" (Sektor) — nicht „Wer stößt viel CO₂ aus?" (Emissionen).
„kein dauerhaftes Repricing" → „Repricing" = eine dauerhafte Neubewertung der Aktien. Ein einzelner Sturm reicht dafür nicht — die Reaktion ist kurz und bildet sich zurück (Überreaktion). Es braucht wohl mehrere Ereignisse für ein echtes Umdenken.
🗣️ Was du sagst: „Fassen wir die Befunde ein. H1 ist bestätigt: eine signifikante, insgesamt positive Marktreaktion, getragen von Öl und Gas. H2 ist in modifizierter Form bestätigt: eine klare, signifikante Renditedifferenz der Sektoren gegenüber Öl. H3 ist nicht bestätigt: Es gibt keinen robusten Zusammenhang zwischen CO₂-Intensität und Kursreaktion. Theoretisch heißt das: Salience knüpft an die physische Betroffenheit an — also den Sektor — nicht an die Emissionsintensität. Und die Überreaktions-Logik von Dessaint und Matray erklärt, warum ein einzelner Landfall kein dauerhaftes Repricing auslöst."
🔥 Flex-Wissen (falls jemand nachfragt):
Die Diskussion verbindet elegant Empirie und Theorie: Unser empirisches Nullergebnis bei H3 wird nicht als Scheitern verkauft, sondern durch die Theorie ERKLÄRT (Salience läuft über physische Betroffenheit + Überreaktion ist temporär). Genau dieses Zurückbinden an die Theorie hebt eine Seminararbeit von einer bloßen Zahlensammlung ab.
Originalfolie 11
👆 Originalfolie 11 — antippen zum Vergrössern
Folie 12 · LimitationenOguzhan
📊 Genau das steht auf der Folie:
  • Fenster [0,+10] überlappt mit Hurricane Milton (9./10.10.2024) → Confounding
  • Nur Scope-1-Emissionen erfasst; Scope 2 + 3 könnten Transitionsexposition vollständiger abbilden
  • n=49 in der Regression → begrenzte Power (Construction 14, Transportation 11 Firmen)
  • 2 Titel ohne Kursreihe → Renditeanalyse auf 55 Firmen
👶 Jeder Punkt — erklärt wie einem Kind:
„Confounding" (Milton-Überlappung) → „Confounding" = eine Störgröße, die das Ergebnis verfälscht. Der zweite Sturm Milton fällt ins lange Fenster — deshalb kann man dort Helene und Milton nicht mehr trennen. Ehrlich benannt.
„Nur Scope-1-Emissionen" → Wir haben nur das direkte CO₂ der Firma (Scope 1), nicht das aus Strom (Scope 2) oder Lieferkette (Scope 3). Mit allen Emissionen sähe man das Klimarisiko vielleicht vollständiger — vielleicht sogar doch einen CO₂-Effekt.
„n=49 → begrenzte Power" → „n" = Anzahl Firmen in der Analyse. 49 ist wenig. „Power" = die Fähigkeit einer Statistik, einen echten Effekt zu entdecken. Bei so wenigen Firmen könnte ein kleiner CO₂-Effekt übersehen werden — auch das sagen wir ehrlich.
„2 Titel ohne Kursreihe" → Bei 2 Firmen fehlten die Kursdaten, deshalb basiert die Renditeanalyse auf 55 statt 57 Firmen. Ein kleines, sauber dokumentiertes Detail.
🗣️ Was du sagst: „Zu den Grenzen unserer Studie, offen benannt. Erstens: Das lange Fenster null bis plus zehn überlappt mit Hurricane Milton — das ist ein Confounding, deshalb ist unser Hauptergebnis das saubere kürzere Fenster. Zweitens: Wir erfassen nur Scope-1-Emissionen; Scope 2 und 3 könnten die Transitionsexposition vollständiger abbilden. Drittens: Mit n gleich 49 in der Regression ist die statistische Power begrenzt — Construction 14, Transportation 11 Firmen. Und viertens fehlten bei zwei Titeln die Kursreihen, sodass die Renditeanalyse auf 55 Firmen basiert."
🔥 Flex-Wissen (falls jemand nachfragt):
Limitationen ehrlich zu nennen ist kein Eingeständnis von Schwäche, sondern Bewertungskriterium. Der Lehrstuhl prüft explizit, ob man die eigenen Grenzen erkennt. Jede Limitation hier hat direkt einen Ausblick-Punkt als „Lösung" (nächste Folie) — das zeigt Reife.
Die begrenzte Power ist auch die vorsichtige Antwort auf „Vielleicht gibt es den CO₂-Effekt doch?": Wir sagen nicht „CO₂ ist sicher irrelevant", sondern „wir finden mit diesen Daten keinen robusten Effekt". Das ist die saubere, nicht-übertreibende Formulierung.
Originalfolie 12
👆 Originalfolie 12 — antippen zum Vergrössern
Folie 13 · AusblickOguzhan
📊 Genau das steht auf der Folie:
  • Breitere Emissionsdatenbasis (Scope 2 + 3) → Transitionsexposition vollständiger abbilden
  • Pooling mehrerer Hurricane-Landfälle zu einer ereignisübergreifenden Studie
  • Längerer Beobachtungshorizont: dauerhaftes Repricing oder temporäre Überreaktion?
  • Übertragbarkeit auf europäische Märkte und Lieferketten-Exposition (Pankratz & Schiller 2024)
👶 Jeder Punkt — erklärt wie einem Kind:
„Breitere Emissionsdatenbasis (Scope 2 + 3)" → Nächstes Mal auch das indirekte CO₂ (Strom + Lieferkette) mitnehmen. Vielleicht zeigt sich damit doch ein CO₂-Effekt. Löst direkt Limitation 2.
„Pooling mehrerer Hurricane-Landfälle" → „Pooling" = mehrere Stürme zusammen untersuchen. Dann mitteln sich Einzelfälle wie Milton heraus, und man hat mehr Daten → verlässlicher.
„Längerer Beobachtungshorizont: Repricing oder Überreaktion?" → Länger beobachten, um zu sehen: Bleibt die Reaktion (echtes Umdenken) oder verschwindet sie wieder (nur Überreaktion)? Das könnten wir mit unserem einen kurzen Fenster nicht klären.
„Übertragbarkeit auf europäische Märkte / Lieferketten (Pankratz & Schiller 2024)" → Gleiche Frage in Europa stellen und schauen, ob sich Klimaschocks über Lieferketten ausbreiten. Verweist auf eine aktuelle Studie, die genau das für Lieferketten zeigt.
🗣️ Was du sagst: „Daraus ergeben sich vier Ansätze für künftige Forschung. Erstens eine breitere Emissionsdatenbasis mit Scope 2 und 3, um die Transitionsexposition vollständiger abzubilden. Zweitens das Pooling mehrerer Hurricane-Landfälle zu einer ereignisübergreifenden Studie. Drittens ein längerer Beobachtungshorizont, um zu klären, ob es sich um dauerhaftes Repricing oder temporäre Überreaktion handelt. Und viertens die Übertragung auf europäische Märkte und die Lieferketten-Exposition, anknüpfend an Pankratz und Schiller."
🔥 Flex-Wissen (falls jemand nachfragt):
Jeder Ausblick-Punkt spiegelt genau eine Limitation — das ist bewusst so gebaut: Scope 2+3 ↔ nur Scope 1; Pooling ↔ Milton-Confounding + kleines n; längerer Horizont ↔ Überreaktions-Frage. So wird aus „Schwächen" ein konstruktiver Forschungspfad.
Originalfolie 13
👆 Originalfolie 13 — antippen zum Vergrössern
Folie 14 · FazitOguzhan
📊 Genau das steht auf der Folie:
  • Der Aktienmarkt reagierte heterogen auf Helene — positiv für Oil & Gas, neutral für Construction/Transportation
  • Die Variation der CARs wird überwiegend durch die Sektorzugehörigkeit erklärt
  • Kein Carbon-Premium-Effekt: die CO₂-Intensität liefert keinen robusten Erklärungsbeitrag
  • Physische Klimarisiken sind bewertungsrelevant und verlangen eine nach Sektoren differenzierte Risikoanalyse
👶 Jeder Punkt — erklärt wie einem Kind:
„reagierte heterogen" → „heterogen" = unterschiedlich. Nicht alle Firmen gleich: Öl rauf, Bau/Transport neutral. Keine einheitliche Marktpanik.
„Variation der CARs wird durch Sektorzugehörigkeit erklärt" → „Variation" = die Unterschiede zwischen den Firmen. Was erklärt, warum manche stark und manche kaum reagierten? Die Branche — nicht das CO₂.
„kein robuster Erklärungsbeitrag" → CO₂ hilft nicht, die Reaktion zu erklären — egal wie man rechnet. „Robust" = stabil über alle Varianten.
„bewertungsrelevant, nach Sektoren differenziert" → „Bewertungsrelevant" = die Börse bezieht Klimarisiko in die Kurse ein. Aber richtig macht man die Risiko-Analyse pro Branche, nicht pauschal nach CO₂-Menge. Das ist die praktische Lehre unserer Arbeit.
🗣️ Was du sagst: „Zum Fazit. Der Aktienmarkt reagierte heterogen auf Helene — positiv für Öl und Gas, neutral für Bau und Transport. Die Unterschiede zwischen den Firmen werden überwiegend durch die Sektorzugehörigkeit erklärt. Einen Carbon-Premium-Effekt finden wir nicht: Die CO₂-Intensität liefert keinen robusten Erklärungsbeitrag. Die zentrale Lehre: Physische Klimarisiken sind bewertungsrelevant — aber sie verlangen eine nach Sektoren differenzierte Risikoanalyse, nicht eine pauschale Betrachtung nach Emissionen. Vielen Dank."
🔥 Flex-Wissen (falls jemand nachfragt — der starke Schlusssatz):
Die praktische Implikation ist das, was einen Betreuer überzeugt: Für Investoren und Risikomanager heißt unser Ergebnis, dass man Klimarisiko sektorspezifisch analysieren muss — eine reine CO₂-Kennzahl greift beim akuten physischen Schock zu kurz. Das ist eine konkrete, verwertbare Erkenntnis.
Originalfolie 14
👆 Originalfolie 14 — antippen zum Vergrössern
Folie 15 · Dank & DiskussionOguzhan
📊 Genau das steht auf der Folie:
  • „Vielen Dank für Ihre Aufmerksamkeit"
  • „Fragen und Diskussion"
  • Namen + Seminar + Universität Augsburg + Juli 2026
👶 Was jetzt passiert:
Diese Folie → Übergang in die Fragerunde. Jetzt dürfen Roeder und die anderen Studierenden Fragen stellen. Bleibt ruhig — für die typischen Fragen habt ihr den Q&A-Tab (⑤).
Backup-Folie 16 (im Hintergrund) → Es gibt noch eine Backup-Folie mit der Tabelle der täglichen abnormalen Renditen (Tag −5 bis +10, mit Signifikanz). Die zeigt ihr NUR, falls jemand ganz genau nach dem Tagesverlauf fragt. Kernpunkt dort: Tag 0 leicht negativ, ab Tag +1 dominieren positive Öl-Tage; der stärkste Rücksetzer an Tag +8 fällt mit der Milton-Berichterstattung zusammen.
🗣️ Was du sagst: „Vielen Dank für Ihre Aufmerksamkeit — wir freuen uns auf Ihre Fragen und die Diskussion."
🔥 Flex-Wissen (für die Fragerunde):
Wenn eine Frage kommt, die ihr nicht sofort wisst: kurz durchatmen, die Frage in eigenen Worten wiederholen (gewinnt Zeit + zeigt, dass ihr zuhört), dann ehrlich antworten. „Das haben wir nicht getestet, wäre aber ein interessanter Ansatz für…" ist eine völlig legitime, souveräne Antwort.
Die wahrscheinlichste kritische Frage ist die zu H3 („Warum kein CO₂-Effekt?"). Eure beste Antwort steht auf Folie 10 + im Q&A-Tab: kurzfristiger Schock ≠ langfristiges Carbon Premium; Salience läuft über physische Betroffenheit; Überreaktion nach Dessaint & Matray.
Originalfolie 15
👆 Originalfolie 15 — antippen zum Vergrössern

Quellen — im Detail

Falls ein Prüfer fragt „Was hat X genau gemacht?" — hier ausführlich zum Aufklappen.
Bordalo, Gennaioli & Shleifer (2012) — Salience-Theorie
Idee: Menschen gewichten Risiken nicht rational nach Wahrscheinlichkeit, sondern nach Auffälligkeit. Was heraussticht (im Kontrast zu anderen Optionen), wird übergewichtet.

Alltagsbeispiel: Beim 30-€-Hemd wirkt eine 5-€-Garantie teuer, beim 30.000-€-Auto wirkt eine 500-€-Garantie billig — obwohl 500 € mehr Geld sind. Der Kontrast entscheidet.

Was sie gemacht haben: ein mathematisches Modell mit „Salienzfunktion" (Eigenschaften: größerer Kontrast = salienter; bei großen Zahlen fallen Unterschiede weniger auf). Erklärt Rätsel wie das Allais-Paradoxon.

Für uns: erklärt, warum ein Hurricane die Marktreaktion verstärkt — Klimarisiko wird plötzlich auffällig und wird übergewichtet.
Dessaint & Matray (2017) — Überreaktion auf Hurricane-Risiko
Frage: Ändern Manager von Firmen NAHE (aber nicht getroffen von) einem Hurricane ihr Verhalten, obwohl ihr echtes Risiko gleich bleibt?

Methode: Vergleich (Differenz-von-Differenzen) von Firmen nahe der Schadenszone gegen Firmen weit weg. Gemessen: Kassenbestände + Aussagen in Geschäftsberichten (10-K, 10-Q).

Befund: Diese Manager erhöhen danach ihre Kassenbestände und warnen mehr vor Liquiditätsrisiken — obwohl das objektive Risiko gleich bleibt. Und der Effekt bildet sich nach wenigen Quartalen zurück.

Schluss: eine kurzfristige Überreaktion durch Salience, keine rationale Neubewertung.

Für uns: stützt, warum ein einzelner Hurricane kein dauerhaftes Klimarisiko-Repricing (H3) auslöst.
Bolton & Kacperczyk (2021) — Carbon Premium
Idee: Firmen mit höheren CO₂-Emissionen erzielen höhere Renditen — als Kompensation für Transitionsrisiko.

Methode: Regression der monatlichen Aktienrenditen im Querschnitt auf Emissionsniveau + Emissionswachstum, kontrolliert für Größe, Buch-zu-Markt, Momentum.

Befund: Aufschlag vor allem beim Emissionswachstum, robust über Spezifikationen.

Für uns: die Idee hinter H3 — den Effekt suchen wir, finden ihn aber nicht.
Choi, Gao & Jiang (2020) — Attention to Global Warming
Befund: Bei ungewöhnlich warmem Wetter und hohem Google-Suchvolumen zu Klima schneiden emissionsintensive Firmen schlechter ab — getrieben von Privatanlegern.

Für uns: zeigt, dass Aufmerksamkeit (Salience) messbar auf Renditen wirkt.
Weitere Quellen (kurz)
MacKinlay (1997): Methoden-Klassiker der Ereignisstudien — unsere Methodik-Grundlage.
Fama (1970): Effizienzmarkt — Infos sofort im Kurs, begründet H1.
Krueger, Sautner & Starks (2020): Investoren sehen Klimarisiken als materiell.
Lanfear et al. (2019): 11 Hurricanes, Marktmodell — unser methodisches Vorbild.
NOAA (2025): offizieller Helene-Bericht — unsere Faktenquelle.
Interne Vortragsunterlage · Albayrak & Dinc · online unter seminar-vortrag.pages.dev