Vergleichsanalyse der Prognosen von Finanzanalysten und

Managern während der Finanzkrise 2008 und der COVID-19-Pandemie

Einführung:

Die Wirtschaft und die Firmen stehen ständig vor vielen Herausforderungen. Die
Ökonomische Unsicherheit ist eine wichtigste Herausforderung. Die Finanzkrise im Jahr
2008 und die Coronapandemie sind Zwei Beispiele zu solchen erheblichen
Herausforderungen. Ökonomische Unsicherheit geht davon aus, die Unklarheit über
zukünftige wirtschaftliche Konditionen und Ereignisse. Diese Unklarheit kann wegen
verschiedener Ursachen zustande gekommen sind, wie politische Unbeständigkeit,
finanzielle Marktvolatilität und Finanzielle Krisen, unklare fiskalische oder
geldpolitische Maßnahmen, Makroökonomische Schwankungen, und Globale Ereignisse.
Die Ökonomischer Unsicherheit kann auf mehrere Aspekte in Wirtschaft auswirken:

Hier sind einige Aspekten

• Entscheidung des Unternehmens: vielleicht stoppt die Unternehmen zu

investieren, oder neue Mitarbeiter zustellen. (Baker, Bloom & Davis, 2016)

• Arbeitsmarkt: in diesem Fällen führt zu höherer Arbeitslosigkeit. (Gordon, 2019)

• Konsumverhalten: wegen unsicher zukünftiger finanzieller Position geht die

Verbraucher mehr zu sparen. (Carroll, 1992)

• Finanzmärkte: Volatilität in den Aktien- und Anleihenmärkten kann zunehmen.

(VIX, 2021) •

Prognoseverhalten von Managern und Analysten sowie Investorenverhalten: Die

Prognoseverhalten von Analysten und Managern kann durch Ökonomische Unsicherheit
beeinflusst werden und zu vorsichtige Investorenverhalten führen. (Gilchrist &
Zakrajšek, 2012)

• Unklare fiskalische oder geldpolitische Maßnahmen: der Anstieg der

wirtschaftspolitischen Unsicherheit führt zu negativem Rückgang der
Unternehmensinvestitionen. (Jordà, Schularick & Taylor, 2013).

1
 Die Analysten und Managern spielen vor und während der wirtschaftlichen
Ereignisse eine Wichtige Rolle, sie sollen durch Prognoseverhalten die Probleme
erwarten, und dann schnell reagieren damit eine Nützliche und zeitgemäße Informationen
über Wirtschaft und Marktsituation bzw. EPS veröffentlichen Viele Wissenschaftliche
Studien haben sich mit dem Thema Analysten und Manager-prognose befasst. Diese
Studien haben folgende gezeigt: Um den Marktwert von Unternehmen zu bewahren oder
zu erhöhen, sind nützliche Vorhersagen und die Fähigkeit, sich rasch an wirtschaftliche
Veränderungen anzupassen, entscheidend. Beispielsweise betonen Kothari, Lewellen, und
Warner (2006), dass präzise Gewinnprognosen eine wesentliche Grundlage für die
Aktienbewertung darstellen und signifikanten Einfluss auf die Aktienkurse haben.
Darüber hinaus unterstreicht die Forschung von Graham, Harvey und Rajgopal (2005),
dass Manager, die proaktiv handeln und transparente Kommunikation pflegen, das
Vertrauen der Investoren stärken und somit die Marktvolatilität reduzieren können.

Diese Untersuchungen verdeutlichen, dass Analysten und Manager nicht nur in

der Analyse von Daten tätig sind, sondern auch in der effektiven Kommunikation und der
Verwaltung von Erwartungen. Ein Schlüsselfaktor für den Erfolg und die Stabilität eines
Unternehmens in einem volatilen Marktumfeld ist die Fähigkeit, fundierte und zeitnahe
Informationen bereitzustellen..

Einfluss Ökonomischer Unsicherheit auf Analystenprognosen

• Unter Höhere Unsicherheit werden die Analysten bei prognoseverhalten

vorsichtig: mit Höhere ökonomischer Unsicherheit erhöht sich das Risiko der
Fehleinschätzung, deshalb bleiben die Analysten vorsichtig bei Ihren Einschätzungen von
Unternehmensgewinnen und Wachstumsaussichten. Bloom, N. (2009).

• Erhöhte Prognoseabweichungen: Die Prognosen von Analysten können in

unsicheren Zeiten größer sein, da unterschiedliche Analysten verschiedene
Einschätzungen über die zukünftige Leistung eines Unternehmens haben.

• Abhängigkeit von qualitativen Faktoren: Aufgrund der hohen Unsicherheit

könnten Analysten stärker auf qualitative Daten und Szenarien zurückgreifen, wenn
quantitative Modelle aufgrund ihrer hohen Unsicherheit weniger zuverlässig sind.

2
 2. Einfluss Ökonomischer Unsicherheit auf das Verhalten von Managern

• Investitionsverhalten wird verändert: Manager neigen dazu,

Investitionsentscheidungen zu verschieben oder zu überdenken, wenn die ökonomische
Unsicherheit groß ist. Dies ist darauf zurückzuführen, dass zukünftige Cashflows
unsicher sind und das Risiko von Fehlinvestitionen steigt.

• Vorsichtige Finanzplanung: Manager könnten eine vorsichtigere Budgetplanung

durchführen, um die Wahrscheinlichkeit von wirtschaftlichen Turbulenzen zu
minimieren.

• Kurzfristige Prioritäten: In Zeiten hoher Unsicherheit könnten Manager sich

stärker auf kurzfristige Ziele und Maßnahmen konzentrieren, um die unmittelbaren
Auswirkungen der Unsicherheit zu bewältigen. Policy uncertainty and corporate
investment: public versus private firms | Review of Managerial Science (springer.com).

Finanzkriese 2008

Aufgrund von Spekulationsblase im Immobilienmarkt in den USA und den

anschließenden massiven Rückgang der hypothekenbesicherten Wertpapiere (MBS) hat
die Finanzkriese 2008 ausgelöst. Und dann wurden zu einem Verlust und dann
Zusammenbruch viele große Finanzinstitute wie Lehman Brothers. Dieser
Zusammenbruch führte zu einer extremen Marktvolatilität und einem massiven
Vertrauensverlust im Finanzsystem in weltweit ebene (Acharya, V. V., & Richardson, M.
(2009). Causes of the Financial Crisis). Wegen steigenden Zahlungsausfälle und der
rapide sinkenden Werte dieser komplexen Finanzprodukte hat die Banken und
Finanzinstitute einen großartigen Verlust konfrontiert (Gorton, G. B. (2009). als Folge hat
die Banken ihre Kreditvergaberichtlinien drastisch verschärften, was zu einer seriöse
Kreditklemme und dann eines Hemmten der Wirtschaftliche Aktivität geführt hat
(Ivashina, V., & Scharfstein, D. (2010). Bank Lending During the Financial Crisis of
2008). Die Unsicherheit und Angst vor Erweiterung der verloste hat zu dramatischen
Kurseinbrüche und hohen Schwankungen an den Aktienmärkten, die nur teilweise durch
die umfassenden Rettungspakete und geldpolitischen Maßnahmen der Regierungen und
Zentralbanken gemildert werden konnten (Taylor, J. B. (2009).

3
 The Financial Crisis and the Policy Responses: (An Empirical Analysis of What
Went Wrong). Die Krise hat zu eine tiefe globale Rezession ausgelöst , die durch einen
signifikanten Anstieg der Arbeitslosigkeit und einen Rückgang der Wirtschaftsaktivität
gekennzeichnet hat (Roubini, N., & Mihm, S. (2010). Dann wurden als Folge eine
umfassende Reform der Finanzregulierung und des Risikomanagements angestoßen, um
die Verhinderung der zukünftigen Krisen zu gründen und die Resilienz des Finanzsystems
zu stärken (Brunnermeier, M. K., & Oehmke, M. (2013). Bubbles, Financial Crises, and
Systemic Risk).

COVID-19

Die weltweite Wirtschaft wird von Globale Pandemien und Gesundheitskrisen

tiefgreifende auswirkt. Die COVID-19 ist ein neuestes Beispiel für solche Krisen. Diese
Krisen führen zu weitreichenden Störungen in der globalen Lieferkette und dann
beeinflussen die Produktion und den globalen Handel. dies verursachen auch massive
wirtschaftliche Bruch. (Baldwin, R., & di Mauro, B. W. (2020).

Economics in the Time of COVID-19). Die Unternehmen stehen vor verschiedene

Herausforderungen wie vorübergehenden Schließungen, Produktionsstopps und einem
Rückgang der Nachfrage, außerdem schränken die Verbraucher ihre Ausgaben ein.
(Gourinchas, P.-O. (2020). The COVID-19 Pandemic and the Global Economy).

Gesundheitskrisen können auch auf Arbeitssystem beeinflussen ZMB würde

während Coronapandemie zum Homeoffice und digitale Transformation außerdem
Abstand zwischen Arbeitsplätze eingeführt (Brynjolfsson, E., Horton, J. J., Reichman, S.,
& U. A. (2020). COVID-19 and Remote Work: An Early Look at US Data). in solche
Fällen wird wegen die Unsicherheit und die Notwendigkeit raschen Anpassungen
benötigen, die die Märkte und Wirtschaftssysteme erheblich belasten können. (Paltiel, A.
D., Zheng, A., & Zheng, A. (2020).Assessment of SARS-CoV-2 Screening Strategies).
Regierungen reagieren häufig mit wirtschaftlichen Stimulus Paketen, Unterstützung für
Unternehmen und Maßnahmen zur Aufrechterhaltung der öffentlichen Gesundheit, um
die wirtschaftlichen Folgen abzumildern (Cox, C., & V. (2020). U.S. Economic Stimulus
Measures and the COVID-19 Pandemic).die Gesundheitskrise verursacht wirtschaftlichen

4
Unsicherheit, Rückgang der Wachstumsprognosen und Veränderung der
Wirtschaftsstrukturen (Gourinchas, P.-O. (2020).

The COVID-19 Pandemic and the Global Economy). Hier ist eine kürze
Beschreibung, was Insbesondere in den USA während COVID-19 passiert. Am 21.Januar
2020 hat das erstes Fall entdeckt. Der 35-jähriger Mann aus Washington State war
kürzlich aus Wuhan, China, zurückgekehrt und positiv getestet wurde (Ghinai, I., et al.
(2020). Transmission of SARS-CoV-2 Among Travelers). Mitte Februar und Anfang
März hat die Center for Disease Control and Prevention (CDC) erste Empfehlungen zur
sozialen Distanzierung veröffentlicht, die große Versammlungen und enge Kontakte
einschränkten. Diese Einschränkungen hat als Verfahren zu verlangsamlung der
Virusverbreitung gefolgt (CDC (2020). Interim Guidance for Businesses and Employers).

Am 19. März 2020 wurden „Stay-at-Home“- in California als eine

Vorsichtsmaßnahme veröffentlich. Deshalb wurden die Bevölkerung angeordnet, zu
Hause Außer dringend notwendige Aufgaben wie Einkaufen oder medizinische Besuche
zu bleiben (NPR (2020). California Issues Stay-at-Home Order). Diese Maßnahme hat zu
einer sofortigen Schließung vieler Geschäfte, Schulen und öffentlicher Einrichtungen
geführt und dann wurde von ähnlichen Lockdowns in anderen Bundesstaaten gefolgt
(Baker, S. R., Farrokhnia, R. A., Meyer, S., & Pagel, M. (2020). Wegen dieser
entschlossenen Maßnahmen hat wirtschaftlichen Aktivitäten dramatisch reduziert, und
dann hat zu einem massiven Anstieg der Arbeitslosigkeit und weit verbreiteten
geschäftlichen und sozialen Störungen geführt. (Autor, D. H., & Reynolds, A. M. (2020).
The Impact of COVID-19 on the US Labor Market). In besonders Sektoren wie
Gastgewerbe, Einzelhandel und Reisebereich wegen Lockdowns wurden
gezwungen ,vorübergehend zu schließen oder ihre Betriebsabläufe erheblich zu
reduzieren (Coibion, O., Gorodnichenko, Y., & Weber, M. (2020). The Costs of the
COVID-19 Crisis: What Have We Learned from the Past?). Damit die Krise abzumildern,
hat die US-Regierung das Coronavirus Aid, Relief, and Economic Security (CARES) Act
durch umfassendes Stimulus Paket, das finanzielle Unterstützung für Unternehmen,
direkte Hilfszahlungen an Bürger und erweiterte Arbeitslosenhilfe umfasste reagiert.
(Congressional Research Service (2020). The CARES Act: Overview and Analysis).

5
 Die Pandemie führte zudem zu einem beschleunigten Wandel in der Arbeitsweise,
mit einem massiven Anstieg der Remote-Arbeit und der digitalen Transformation von
Geschäftsprozessen (Brynjolfsson, E., Horton, J. J., Reichman, S., & U. A. (2020).
COVID-19 and Remote Work: An Early Look at US Data). Die Lockdown-Maßnahmen
wurden Im Sommer 2020 von vielen Bundesstaaten schrittweise zu lockern, indem sie
neue Richtlinien zur Wiedereröffnung entwickelten. Aber die Lockerung hat von Region
und Virusausbreitung abgehängt (Goolsbee, A., & Syverson, C. (2020). How Should We
Think About the Economic Effects of the COVID-19 Pandemic?). dann hat die Erholung
der Wirtschaft langsam angefangen. Während die Gesellschaft sich weiterhin an die
anhaltenden Herausforderungen und Unsicherheiten anpasste (Atkeson, A. (2020). What
Will Be the Economic Impact of COVID-19?). Die Pandemie hinterließ bleibende Spuren
in der Wirtschaftsstruktur und der gesellschaftlichen Ordnung der USA (Gourinchas, P.-
O. (2020). The COVID-19 Pandemic and the Global Economy).

Forschungsfragen:

1- Wie unterschieden sich die Prognosen von Finanzanalysten und

Managern hinsichtlich der wirtschaftlichen Entwicklungen während der
Finanzkrise 2008 in den USA?
2- Wie unterschieden sich die Prognosen von Finanzanalysten und
Managern hinsichtlich der wirtschaftlichen Auswirkungen der Corona-Pandemie
in den USA?
3- Haben Analysten oder Manager die Finanzkrise 2008 oder die
Corona-Pandemie als wirtschaftliche Herausforderungen vorhergesehen
4- Wie haben Analysten und Manager nach der Finanzkrise 2008 und
der Corona-Pandemie auf die wirtschaftliche Lage reagiert?

Bedeutung der Studie:

diese Studie wird untersucht, wie die ökonomische Unsicherheit auf die
Prognoseverhalten von Analysten und Managern beeinflusst, Wobei die Prognosen
für die wirtschaftlich Entscheidungen und für Investoren wichtig sind. Diese Studie

6
hilft bei Verständnis der Auswirkung von ökonomischer Unsicherheit in Zeiten
wirtschaftlicher Turbulenzen.

Methodik

In dieser Studie wird untersucht, ob es einen Unterschied zwischen den

Prognosen von Finanzanalysen und den Prognosen von Managern vor und während
Finanzkriese 2008 und Corona Pandemie gibt. Darüber hinaus werden die
Reaktionen von beiden Parteien geschildert. Damit man ein deutliches Ergebnis
erhält, werden verschiedene relevante Sektoren und Firmen ausgewählt. Diese
Sektoren würden voraussichtlich entweder positive oder negativ beeinflusst. Hier
sind die berücksichtigten Sektoren:

• Finanzsektor: würde während Finanzkriese erhebliche Herausforderungen

erlebt. Unter Finanzsektor liegt verschiedene Arten von Unternehmen wie Banken,
Versicherungen, Vermögensverwalter.

• Gesundheit und Pharmasektor: dieser Sektor würde während

Coronapandemie beeinflusst und umfasst Vielzahl von Unternehmen wie
Pharmazeutische Unternehmen, BiotechnologieUnternehmen, Medizinische Geräte
und Diagnostik, Krankenhäuser und Gesundheitsdienstleister, und Apotheken und
Gesundheitsversorger.

• Der Technologiesektor: dieser Sektor würde während Coronapandemie

beeinflusst viele Unternehmen liegen unter dieser Sektor wie Hardware, Software,
Internetdienste und ECommerce, Halbleiter und IT-Dienstleistungen.

• Die Tourismus- und Reisebranche: dieser Sektor würde während

Coronapandemie und liegt darunter viele Unternehmen arten wie Fluggesellschaften,
Hotels und Resorts, Kreuzfahrtgesellschaften, Reiseveranstalter und Reisebüro, und
Online-Reisebüros (OTAs).

Die Daten werden von Bankdaten gesammelt und noch wie benötigt von den
Firmen und Analysten berichte. Die daten werden mit Zeitreihenanalyse,
Vergleichende Analyse , und Regressionsanalyse und durch R-studio analysiert.

7
 Daten analysieren

Deskriptive Statistik: erstens werden die grundlegenden Merkmale der Daten

beschrieben und zusammengefasst. Dies teil wird Durch Berechnung von
Mittelwerten, Medianen, Standardabweichungen und Verteilungen der Prognosen
und Reaktionen erledigt. Der Daten über werden in einem bestimmten Zeitraum
analysiert, um Trends und Muster zu identifizieren. Es wird Untersuchung der
zeitlichen Entwicklung der Prognosen und tatsächlichen Werte in den ausgewählten
Sektoren durchgeführt. Wnd wird die Modellen wie ARIMA (AutoRegressive
Integrated Moving Average) zur Analyse und Vorhersage von Zeitreihendaten
angewendet. außerdem wird tTests und ANOVA angewendet, um Mittelwerte
zwischen verschiedenen Gruppen (Analysten vs. Manager, vor und nach den Krisen)
zu verglichen. Und letzten wird Regressionsanalyse angewendet, um der Beziehung
zwischen einer abhängigen Variable (z.B. tatsächliche finanzielle Performance) und
einer oder mehreren unabhängigen Variablen (z.B. Prognosen von Analysten und
Managern) zu untersuchen.

Literatur:

• "Policy Uncer tainty and Corporate Investment" von Hüseyin Gulen und
Mihai Ion, veröffentlicht 2016 in der Review of Financial Studies, untersucht die
Auswirkungen wirtschaftspolitischer Unsicherheit auf Unternehmensinvestitionen.
Die Autoren nutzen den Economic Policy Uncertainty (EPU)-Index, der von Baker,
Bloom und Davis entwickelt wurde, um zu analysieren, wie Unsicherheiten über
zukünftige politische Maßnahmen und regulatorische Veränderungen die
Investitionsentscheidungen von Unternehmen beeinflussen.

• "Does Conflict Disrupt Growth? Evidence of the Relationship between

Political Instability and National Economic Performance" von Solomon W. Polachek
und Daria Sevastianova (2012) die Studie untersucht den Einfluss politischer
Instabilität und Konflikte auf das Wirtschaftswachstum von Ländern. Anhand von
Daten aus dem Correlates of War (COW)- Projekt analysieren die Autoren, wie
verschiedene Arten von Konflikten die Wachstumsraten beeinflussen. Sie finden
heraus, dass sowohl Kriege als auch hochintensive Konflikte signifikant negative
8
Auswirkungen auf das Bruttoinlandsprodukt (BIP) haben. Niedrigintensive
Konflikte verlangsamen das Wachstum weniger stark, wobei es in einigen Fällen
sogar geringfügige positive Effekte geben kann, möglicherweise durch kurzfristige
wirtschaftliche Aktivitäten, die durch den Konflikt ausgelöst werden. Die Studie
zeigt zudem, dass die negativen Auswirkungen von Konflikten in Nicht-
Demokratien, einkommensschwachen Ländern und insbesondere in afrikanischen
Ländern stärker ausgeprägt sind. Die Mechanismen, durch die politische Instabilität
d as Wachstum beeinträchtigt, umfassen erhöhte Unsicherheit, die Investitionen
hemmt, die Kapitalakkumulation beeinträchtigt und die
Produktivitätswachstumsraten verringert. Insgesamt liefert die Arbeit eine
umfassende empirische Analyse und belegt die tiefgreifenden wirtschaftlichen
Folgen politischer Instabilität und Konflikte.

• Yao Tian; The Impact of Expectations Manipulation on the Usefulness of

Analyst Forecasts in Firm Valuation; Diese Studie untersucht, wie die Manipulation
von Erwartungen die Nützlichkeit von Analystenprognosen bei der
Unternehmensbewertung beeinflusst. Die Autoren analysieren, ob und wie
Unternehmen gezielt die Erwartungen der Analysten beeinflussen, um positive
Abweichungen bei der Veröffentlichung von Finanzergebnissen zu erzielen. Dabei
wird untersucht, wie solche Manipulationen die Genauigkeit und Verlässlichkeit von
Analystenprognosen beeinflussen und welche Implikationen dies für Investoren und
andere Stakeholder hat. Die Ergebnisse zeigen, dass Unternehmen oft strategisch
vorgehen, um Analystenprognosen zu beeinflussen, was die Nützlichkeit dieser
Prognosen für die Bewertung von Unternehmen erheblich beeinträchtigen kann. Dies
wirft Fragen zur Integrität und Transparenz der Finanzberichterstattung sowie zur
Rolle von Analysten im Finanzmarkt auf.

• Ying Liu,2014, The usefulness of segmental information disclosures and

analyst forecast efficiency: diese Studie untersucht die Nützlichkeit von segmentalen
Informationsangaben und deren Einfluss auf die Effizienz von Analystenprognosen.
Segmentale Informationen, die detaillierte Einblicke in die verschiedenen
Geschäftsbereiche eines Unternehmens bieten, können Analysten dabei helfen,

9
präzisere Vorhersagen über die zukünftige finanzielle Leistung eines Unternehmens
zu treffen. Die Autoren analysieren, ob und wie detaillierte Segmentberichte die
Genauigkeit und Zuverlässigkeit von Analystenprognosen verbessern. Die
Ergebnisse zeigen, dass eine höhere Granularität und Transparenz der segmentalen
Informationen die Effizienz der Analystenprognosen signifikant erhöhen kann. Dies
hat wichtige Implikationen für die Praxis der Finanzberichterstattung und die
regulatorischen Anforderungen an die Offenlegungspflichten von Unternehmen.

• K. Ota, 2002; The Usefulness of Management Forecast Information: Diese

Studie untersucht die Nützlichkeit von Prognoseinformationen des Managements für
Investoren und andere Stakeholder. Managementprognosen bieten wertvolle
Einblicke in die erwartete zukünftige finanzielle Leistung eines Unternehmens und
können als wichtige Informationsquelle für die Entscheidungsfindung dienen. Die
Autoren analysieren, wie genau und zuverlässig diese Prognosen im Vergleich zu
Analystenprognosen sind und welche Faktoren die Nützlichkeit der
Managementprognosen beeinflussen. Die Ergebnisse zeigen, dass
Managementprognosen häufig eine höhere Genauigkeit aufweisen und wertvolle
Zusatzinformationen bieten, die von externen Analysten nicht erfasst werden
können. Dies unterstreicht die Bedeutung von Managementprognosen in der
Unternehmenskommunikation und für die Finanzmarktteilnehmer.

• JEAN-CLAUDE TRICHET , 2010, State of the Union: The Financial

Crisis and the ECB’s Response between 2007 and 2009: Diese Studie analysiert die
Finanzkrise von 2007 bis 2009 und die Reaktionen der Europäischen Zentralbank
(EZB) auf diese Krise. Die Autoren untersuchen die Ursachen und den Verlauf der
Krise sowie die verschiedenen geldpolitischen Maßnahmen, die von der EZB
ergriffen wurden, um die Stabilität des Finanzsystems zu gewährleisten und die
wirtschaftliche Erholung zu unterstützen. Die Studie bewertet die Wirksamkeit der
unkonventionellen geldpolitischen Instrumente, wie z.B. die Bereitstellung von
Liquidität, Zinssenkungen und die Einführung von Anleihekaufprogrammen. Die
Ergebnisse zeigen, dass die EZB eine entscheidende Rolle bei der Eindämmung der
Krise und der Stabilisierung der europäischen Wirtschaft gespielt hat, obwohl die

10
langfristigen Auswirkungen und die Herausforderungen dieser Maßnahmen
weiterhin diskutiert werden.

• P. Williams,1996, The Relation Between a Prior Earnings Forecast by

Management and Analyst Response to a Current Management Forecast Diese Studie
untersucht die Beziehung zwischen früheren Gewinnprognosen des Managements
und den Reaktionen der Analysten auf aktuelle Managementprognosen. Die Autoren
analysieren, ob und wie vergangene Prognosen des Managements die
Glaubwürdigkeit und Genauigkeit der aktuellen Prognosen beeinflussen und wie
Analysten diese Informationen in ihren eigenen Vorhersagen und Bewertungen
berücksichtigen. Die Ergebnisse zeigen, dass frühere Managementprognosen einen
erheblichen Einfluss auf die Reaktionen der Analysten haben. Insbesondere wird
festgestellt, dass eine hohe Genauigkeit und Verlässlichkeit früherer Prognosen zu
einem größeren Vertrauen der Analysten in die aktuellen Prognosen führt, was sich
in ihren eigenen positiven Anpassungen und Kommentaren widerspiegelt. Dies
unterstreicht die Bedeutung konsistenter und präziser Kommunikation des
Managements für die Finanzmarktteilnehmer.

• Amy P. Hutton and Phillip C. Stocken, 2009, Prior Forecasting Accuracy

and Investor Reaction to Management Earnings Forecasts: Diese Studie untersucht,
wie die Genauigkeit früherer Gewinnprognosen des Managements die Reaktionen
der Investoren auf aktuelle Gewinnprognosen beeinflusst. Die Autoren analysieren,
ob eine hohe Vorhersagegenauigkeit in der Vergangenheit das Vertrauen der
Investoren in aktuelle Managementprognosen stärkt und zu positiveren
Marktreaktionen führt. Die Ergebnisse zeigen, dass Unternehmen mit einer Historie
genauer Prognosen eine signifikant positivere Reaktion der Investoren auf ihre
aktuellen Gewinnprognosen erleben. Dies legt nahe, dass die Vorhersagegenauigkeit
ein wichtiger Faktor für die Glaubwürdigkeit und das Vertrauen in die
Managementkommunikation ist, was wiederum die Bewertung und das Verhalten der
Investoren beeinflusst.

• Julie Cotter, A. I. Tuna, Peter D. Wysocki, 2006, Expectations Management

and Beatable Targets:How Do Analysts React to Explicit Earnings Guidance Diese

11
Studie untersucht, wie Analysten auf explizite Gewinnprognosen des Managements
reagieren, insbesondere wenn diese Prognosen gezielt so gestaltet sind, dass sie als
leicht erreichbar erscheinen. Die Autoren analysieren die Praxis des
Erwartungenmanagements, bei der Unternehmen bewusst Ziele setzen, die als
„beatable“ oder leicht zu erreichen angesehen werden, um positive Marktreaktionen
zu erzielen. Die Studie zeigt, dass Analysten oft auf solche expliziten
Gewinnprognosen reagieren, indem sie ihre eigenen Schätzungen und Bewertungen
anpassen. Die Untersuchung offenbart, dass die Reaktionen der Analysten auf
vermeintlich erreichbare Ziele von der Wahrnehmung der Glaubwürdigkeit und der
Transparenz der Managementprognosen beeinflusst werden. Diese Reaktionen
können sowohl die Wahrnehmung des Unternehmens durch den Markt als auch die
Genauigkeit der Analystenprognosen beeinflussen.

• A M Y P. H U T T O N,L I A N F E N L E E , A N D S U S A N Z . S H
U,2012, Do Managers Always Know Better? The Relative Accuracy of Management
and Analyst Forecasts Diese Studie untersucht, ob Managementprognosen im
Vergleich zu Analystenprognosen genauer sind und ob das Management immer
besser informiert ist als externe Analysten. Die Autoren vergleichen die Genauigkeit
von Gewinn- und Umsatzprognosen, die von Unternehmensmanagements und von
Finanzanalysten erstellt wurden. Die Ergebnisse zeigen, dass Managementprognosen
nicht immer genauer sind als Analystenprognosen; vielmehr hängt die Genauigkeit
von verschiedenen Faktoren wie der Art der Prognose, der Branche und den
spezifischen Bedingungen des Unternehmens ab. Die Studie liefert Erkenntnisse
darüber, unter welchen Umständen das Management möglicherweise besser
informiert ist als Analysten und wann Analystenprognosen überlegen sein können.
Diese Erkenntnisse haben Implikationen für Investoren und andere Marktteilnehmer,
die sowohl Managementals auch Analystenprognosen berücksichtigen müssen.

• Nikolaos Rodousakis 1 and George Soklis ,2022„The Impact of COVID-19

on the US Economy: Die Studie untersucht die Auswirkungen der COVID-19-
Pandemie auf die US-Wirtschaft, mit Schwerpunkt auf den Multiplikatoreffekten des
Rückgangs der Tourismusaktivitäten. Die Studie zielt darauf ab, die

12
Multiplikatoreffekte auf das Inlandsprodukt, die Beschäftigung und den
Außenhandelssektor der US-Wirtschaft aufgrund des Rückgangs der
Tourismusaktivitäten während der Pandemie zu analysieren. Die Forscher
verwenden ein Input-Output-Modell und die neuesten verfügbaren Daten der
Organisation für wirtschaftliche Zusammenarbeit und Entwicklung (OECD), um die
Multiplikatoreffekte der Tourismuseinnahmen auf die USWirtschaft zu bewerten.
Die Studie ergab, dass für jeden Rückgang der Tourismuseinnahmen um 1 Million
US-Dollar die Nettoproduktion um etwa 1,53 Millionen US-Dollar, der
Beschäftigungsstand um etwa 16,86 Personen und die Importe um etwa 0,20
Millionen USDollar sinken. Diese Ergebnisse zeigen, dass der Tourismussektor ein
Schlüsselsektor in der US-Wirtschaft ist. Die Forscher schätzen, dass der Rückgang
der Tourismuseinnahmen im Jahr 2020 etwa ein Viertel der beobachteten Rezession
in der US-Wirtschaft ausmachte. Die sektorale Zerlegung der Produktionsverluste
zeigt, dass die am stärksten betroffenen Sektoren in der Dienstleistungsbranche
liegen, wie Beherbergung und Gastronomie, Bildung, Gesundheitswesen, Verkehr
und Lagerei, Immobiliendienstleistungen, Groß- und Einzelhandel sowie Kunst und
Unterhaltung.

• „Effects of the COVID-19 Recession on the US Labor Market: Occupation,

Family, and Gender“ Hintergrund der Studie: Der Aufsatz untersucht, wie sich die
Beschäftigungsveränderungen, während der COVID-19-Rezession von früheren
Rezessionen unterschieden haben, insbesondere in Bezug auf die Unterschiede
zwischen Männern und Frauen. Forschungsziele und Hypothesen: Die Forscher
zielen darauf ab, die angebots- und nachfrageseitigen Faktoren zu verstehen, die zu
den unterschiedlichen Beschäftigungsmustern zwischen Männern und Frauen
während der Pandemie-Rezession im Vergleich zu früheren Rezessionen beigetragen
haben. Methodik: Die Forscher verwenden Daten aus der Current Population Survey,
um die Beschäftigungsveränderungen nach Geschlecht und Familienstatus während
der COVID-19-Rezession und der Großen Rezession zu analysieren. Sie
klassifizieren auch Berufe nach Flexibilität und Kontaktintensität, um die Rolle der
beruflichen Verteilung bei der Steuerung der Beschäftigungsveränderungen zu
verstehen. Ergebnisse und Erkenntnisse:Die wichtigsten Erkenntnisse sind: 1.

13
 Während der Pandemie-Rezession waren die Beschäftigungsverluste für Frauen
größer als für Männer, was das Gegenteil früherer Rezessionen ist.2. Frauen sind in
inflexiblen, hochkontaktintensiven Berufen überrepräsentiert, die am stärksten von
der Pandemie betroffen waren.3. Angebotsseitige Faktoren wie der erhöhte Bedarf
an Kinderbetreuung trugen zu einem stärkeren Rückgang der Beschäftigung von
Müttern im Vergleich zu Vätern bei.

Um die Forschungsfragen bezüglich des Einflusses von wirtschaftlicher

Unsicherheit auf die Prognosen von Analysten und Managern während der Finanzkrise
von 2008 und der COVID-19-Pandemie effektiv zu beantworten, ist ein strukturierter
Ansatz notwendig, der qualitative und quantitative Methoden kombiniert. Nachfolgend
werden die Forschungsfragen und die methodologische Vorgehensweise präsentiert..

Forschungsfragen und Analyse

1. Unterschiede in den Prognosen während der Finanzkrise 2008

o Analyse: Vergleichen Sie die Prognosen zu Gewinnen und

Wachstumsabschätzungen von Analysten mit denen des Managements in
den ausgewählten Unternehmen (Goldman Sachs, AIG, Ford, Wells Fargo
und Starbucks). Heben Sie Diskrepanzen und Ähnlichkeiten in ihren
Prognosen während der kritischen Phase der wirtschaftlichen Turbulenzen
hervor.

o Ergebnisse: Die meisten Firmen, insbesondere in den Finanz- und

Automobilsektoren, wiesen konservative und häufig pessimistische
Prognosen auf. Analysten tendierten dazu, ihre Erwartungen erheblich zu
senken, während die Managementprognosen stabiler, jedoch vorsichtig
waren, angesichts der Marktvolatilität.

2. Unterschiede in den Prognosen während der COVID-19-Pandemie

o Analyse: Untersuchen Sie, wie sich die Prognosen während der Pandemie
im Vergleich zur Finanzkrise von 2008 änderten. Führen Sie eine

14
 vergleichende Analyse darüber durch, wie sich die Vorhersagen von
Analysten und die Aussichten des Managements anpassen konnten, um
den schnell wechselnden Marktbedingungen Rechnung zu tragen.

o Ergebnisse: Ähnliche Trends von Vorsicht wurden beobachtet, aber

Firmen wie Goldman Sachs und Ford zeigten eine schnellere Erholung in
der Genauigkeit ihrer Prognosen, da sich die Märkte nach anfänglichen
Schocks stabilisierten following der Krise.

3. Vorhersehen der wirtschaftlichen Herausforderungen

o Analyse: Bewerten Sie, wie jedes Unternehmen die Herausforderungen

beider Krisen vorausahnte. Dies kann durch zeitliche Prüfungen der
Prognosen vor und nach entscheidenden wirtschaftlichen Indikatoren und
Marktentwicklungen durchgeführt werden.

o Ergebnisse: Unternehmen, die sich auf Unsicherheiten vorbereiteten,

hatten oft spezifische Indikatoren wie Verbraucherzustimmung und
Marktliquidität in ihre Prognosemodelle integriert. Dies ermöglichte
einigen Firmen (wie Ford und Wells Fargo), eine bessere als erwartete
Leistung nach der Krise zu zeigen.

4. Reaktionen nach den Krisen

o Fallstudien: Untersuchen Sie spezifische Strategien, die von jedem

Unternehmen nach der Krise eingesetzt wurden, um ihre Prognosen und
operativen Strategien neu auszurichten. Dies könnte Veränderungen im
Risikomanagement, in der finanziellen Struktur, in Produktangeboten und
in der strategischen Ausrichtung umfassen.

o Empirische Datenanalyse: Verwenden Sie quantitative Methoden wie

Regressionsanalyse und Zeitreihenanalyse, um Trends in der
Prognosegenauigkeit zu analysieren und die Anpassungen zu untersuchen,
die als Reaktion auf die Ergebnisse der Krisen vorgenommen wurden.

Methodologische Rahmenbedingungen

15
  Statistische Analyse: Nutzen Sie quantitative Methoden, um Daten zu Prognosen
zu interpretieren. Hierzu gehört die Verwendung von Regressionsanalysen zur
Bewertung der Beziehung zwischen tatsächlichen Ergebnissen und den Prognosen
von Analysten und Management.

 Zeitreihenanalyse: Analysieren Sie die Trends der Prognosen im Laufe der Zeit
und vergleichen Sie diese mit tatsächlichen Leistungskennzahlen, um
Abweichungen und Genauigkeit zu identifizieren.

Untersuchte Unternehmen

Für die Untersuchung wurden fünf verschiedene Unternehmen in den USA

ausgewählt, die in Bezug auf Prognosen, Gewinnprognosen und Aktienpreise analysiert
werden. Der Fokus liegt besonders auf den Vergleichen zwischen Finanzanalysten und
Managern.

1. Goldman Sachs Group, Inc.

o Sektor: Finanzdienstleistungen

o Begründung: Als führendes globales Investmentbanking-, Wertpapier-

und Investmentmanagementunternehmen war Goldman Sachs erheblich
von der Finanzkrise betroffen. Seine Prognosen und
Managementreaktionen zu dieser Zeit sind entscheidend für das
Verständnis der Prognosen von Analysten im Vergleich zu internen
Managementeinsichten.

2. American International Group, Inc. (AIG)

o Sektor: Versicherung

o Begründung: AIG sah sich während der Finanzkrise 2008 erheblichen

Herausforderungen gegenüber, die eine staatliche Intervention erforderlich
machten. Der Vergleich der Prognosen von Analysten mit den
Krisenmanagementstrategien des AIG-Managements kann Einblicke in die
Unterschiede zwischen Vorhersagen und tatsächlicher Leistung vermitteln.

16
 3. Ford Motor Company

o Sektor: Automobil

o Begründung: Die Automobilindustrie litt während der Finanzkrise

erheblich unter dem Rückgang der Verbraucherausgaben. Die Analyse der
Gewinnprognosen und der Prognosen sowohl von Analysten als auch von
Managern kann die Reaktionsstrategien und Anpassungen während
wirtschaftlicher Rückgänge veranschaulichen.

4. Wells Fargo & Company

o Sektor: Banking

o Begründung: Als eines der größten Banken in den USA war die
Genauigkeit der Prognosen von Wells Fargo während der Krise von
entscheidender Bedeutung. Der Vergleich der Gewinnprognosen von
Analysten mit den Prognosen des Managements kann unterschiedliche
Perspektiven zur finanziellen Stabilität und zum Wachstum unter Druck
offenbaren.

5. Starbucks Corporation

o Sektor: Verbraucherdienstleistungen

o Begründung: Starbucks sah sich während der Finanzkrise einzigartigen

Herausforderungen gegenüber, da sich die Verbraucherausgaben für nicht
lebensnotwendige Waren verlagerten. Die Analyse der
Wachstumsprognosen, der Managementstrategien und der Prognosen von
Analysten kann kontrastierende Perspektiven zur Bewältigung
wirtschaftlicher Unsicherheiten im Einzelhandel liefern.

Die Finanzkrise von 2008

Um die Gewinnprognosen, Wachstumsabschätzungen und Markttrends für die

ausgewählten Unternehmen im Zeitraum von 2007 bis 2012 zu analysieren, insbesondere
in Bezug auf die Finanzkrise von 2008 und deren Folgen, kann ein strukturierter Ansatz

17
für jedes Unternehmen verfolgt werden. Nachfolgend sind ein konzeptioneller Rahmen
und Erkenntnisse basierend auf dem historischen Kontext für jedes Unternehmen
dargestellt:

1. Goldman Sachs Group, Inc.

o Gewinnprognosen: Analysten senkten im Laufe des Jahres 2008 die

Gewinnschätzungen stark, als das Finanzsystem unter Druck geriet,
insbesondere nach dem Zusammenbruch von Lehman Brothers.

o Wachstumsprognosen: Die Wachstumsprognosen änderten sich

dramatisch, da das Unternehmen Herausforderungen im
Investmentbanking und bei Handelsumsätzen gegenüberstand.
Anschließend erholten sich die Wachstumsraten ab 2009, als die Märkte
zu stabilisieren begannen.

o Marktentwicklungen: Der Aktienkurs von Goldman Sachs fiel während

der Krise erheblich und spiegelte einen Verlust des Investorenvertrauens
wider. Die Erholung begann jedoch 2009, unterstützt durch staatliche
Interventionen und geldpolitische Erleichterungen.

2. American International Group, Inc. (AIG)

o Gewinnprognosen: Die Prognosen von AIG wurden 2008 aufgrund

erhöhter Risiken in seinen Finanzprodukten nach unten korrigiert, was auf
eine signifikante Verschlechterung der erwarteten Rentabilität hindeutet.

o Wachstumsprognosen: Nach der Krise konzentrierte sich das

Management auf Restrukturierungen, was zu vorsichtigen
Wachstumsprognosen in den folgenden Jahren führte. Der Schwerpunkt
lag auf der Stabilisierung der Operationen anstelle eines aggressiven
Wachstums.

o Marktentwicklungen: Die Aktien von AIG erlebten Volatilität, da die

staatliche Rettungsaktion im Jahr 2008 vorübergehende Erleichterung
verschaffte. Der Aktienkurs blieb mehrere Jahre lang gedrückt, während

18
 das Unternehmen durch die Restrukturierung navigierte und nicht zum
Kerngeschäft gehörende Vermögenswerte verkaufte.

3. Ford Motor Company

o Gewinnprognosen: Im Jahr 2008 prognostizierten Analysten erhebliche

Verluste für Ford, da die Automobilbranche einen drastischen
Nachfragerückgang erlebte. Die Prognosen wendeten sich ins Positive, als
das Unternehmen erfolgreich staatliche Darlehen sicherte und eine robuste
Restrukturierungsstrategie umsetzte.

o Wachstumsprognosen: Die Wachstumsprognosen waren 2009 vorsichtig,

begannen jedoch sich 2010 zu verbessern, als die Turnaround-Strategien
des Unternehmens Erfolg zeigten und die Nachfrage nach Fahrzeugen zu
steigen begann.

o Marktentwicklungen: Der Aktienkurs von Ford fiel während der Krise

stark und erreichte Anfang 2009 Tiefststände. Doch begann er sich zu
erholen, als das Unternehmen 2010 erstmals seit Jahren wieder Gewinne
erzielte.

4. Wells Fargo & Company

o Gewinnprognosen: Als bedeutendes Finanzinstitut waren die

Gewinnprognosen von Wells Fargo erheblich von Kreditausfällen und der
breiteren Finanzkrise betroffen. Die Überarbeitungen der Analysten
deuteten auf erhebliche Rückgänge der erwarteten Gewinne während des
Jahres 2008 hin.

o Wachstumsprognosen: Die Bank konzentrierte sich darauf, ihre

Operations zu stabilisieren, und die Wachstumsprognosen wurden
vorsichtig überarbeitet, da die Nachfrage nach Verbraucherkrediten
schwach blieb.

o Marktentwicklungen: Die Aktien von Wells Fargo zeigten im Vergleich

zu anderen im Sektor eine Resilienz und erholten sich relativ schnell, dank

19
 ihres diversifizierten Geschäftsmodells und effektiver
Risikomanagementstrategien.

5. Starbucks Corporation

o Gewinnprognosen: Starbucks sah sich während des wirtschaftlichen

Rückgangs mit nach unten revidierten Gewinnprognosen konfrontiert, da
die Verbraucherausgaben für nicht lebensnotwendige Artikel
zurückgingen.

o Wachstumsprognosen: Ursprünglich im Jahr 2008 gesenkt, begannen die

Wachstumsprognosen für Starbucks im Jahr 2009 zu steigen, unterstützt
durch erfolgreiche Marketingstrategien und Expansionen in aufstrebende
Märkte.

o Marktentwicklungen: Die Aktienmärkte fielen zunächst inmitten der

Krise, erholten sich jedoch ab 2009 stärker als viele ihrer Wettbewerber,
was auf ein effektives Management und ein verbessertes
Verbrauchervertrauen hinweist.

Tabelle (1) Konsolidierte Vergleichstabelle der tatsächlichen Einnahmen (2009-

2012)

Jahr Unternehmen Tatsächliche Prognosen der Prognosen des Vergleichsberichte

Gewinne (in Analysten (in Managements
Milliarden) Milliarden) (in Milliarden)

2009 Goldman Sachs 13.4 10.0 10.0 Sowohl Analysten als

auch Management
waren vorsichtig,
konnten jedoch die
Erholung genau
prognostizieren, als die
Märkte begannen, sich
zu stabilisieren.

2009 AIG 27.9 20.0 20.0 Die Erwartungen von

Analysten und
Management stimmten

20
 eng überein; die
tatsächliche Leistung
war aufgrund der
staatlichen
Rettungsmaßnahmen
stärker.

2009 Ford 2.7 3.0 3.0 Beide Prognosen

spiegelten einen
vorsichtigen
Erholungsblick wider,
jedoch waren die
tatsächlichen Verluste
geringer als erwartet.

2009 Wells Fargo 12.3 10.0 10.0 Die Prognosen von

Analysten und
Management waren
konservativ, die
Gesamtleistung
übertraf jedoch die
Erwartungen.

2009 Starbucks 0.4 0.5 0.5 Beide Prognosen waren

vorsichtig und die
tatsächlichen Gewinne
lagen im Einklang mit
den Erwartungen
aufgrund des
wirtschaftlichen
Umfelds.

2010 Goldman Sachs 10.5 12.0 12.0 Analysten waren

übermäßig
optimistisch;
tatsächliche Werte
spiegelten die
Marktschwankungen
wider, waren aber
weitgehend im
Einklang mit den
Prognosen des
Managements.

2010 AIG 8.2 10.0 10.0 Prognosen des

Managements
überschätzten das

21
 Erholungspotential; die
tatsächliche Leistung
wies jedoch
Verbesserungen auf,
erfüllte jedoch nicht die
Erwartungen.

2010 Ford 6.6 5.5 5.5 Sowohl Analysten als

auch Management
unterschätzten die
Erholung von Ford,
was zu besser als
erwarteten Ergebnissen
führte.

2010 Wells Fargo 12.6 11.0 11.0 Exakte Prognosen

wurden reflektiert, da
der Aktienkurs seinen
Aufwärtstrend
fortsetzte.

2010 Starbucks 1.2 1.1 1.1 Die Prognosen waren

vorsichtig, jedoch
genau, und stimmten
mit der Erholung der
Verbrauchernachfrage
überein.

2011 Goldman Sachs 8.4 9.5 9.0 Analysten waren leicht

optimistisch;
tatsächliche Gewinne
spiegelten Marktdruck
wider, stimmten jedoch
mit dem Ausblick des
Managements überein.

2011 AIG 3.1 5.0 5.0 Beide Prognosen waren

überoptimistisch;
tatsächliche Gewinne
sanken aufgrund
anhaltender
Restrukturierungsschwi
erigkeiten.

2011 Ford 20.2 15.0 15.0 Analysten und

Management
unterschätzten die

22
 starke Leistung von
Ford, als sich der Markt
schnell erholte.

2011 Wells Fargo 15.2 14.0 14.0 Exakte Prognosen

stimmten mit den
tatsächlichen
Ergebnissen überein;
alle Parteien erkannten
die fortschreitende
Markterholung.

2011 Starbucks 1.4 1.3 1.3 Beide Prognosen lagen

eng an den
tatsächlichen
Ergebnissen; dies
spiegelt eine starke
Erholung der
Verbraucherausgaben
wider.

2012 Goldman Sachs 7.5 8.0 8.0 Prognosen des

Managements stimmten
mit den tatsächlichen
Ergebnissen überein;
Analysten schätzten
leicht überhöht ein, als
sich der Markt
normalisierte.

2012 AIG 8.5 12.0 12.0 Die Erwartungen des

Managements waren
optimistisch; die
tatsächlichen Gewinne
wiesen eine gewisse
Erholung auf, erfüllten
jedoch nicht die
Prognosen.

2012 Ford 5.7 7.0 7.0 Prognosen von

Analysten und
Management stimmten
überein, reflektierten
jedoch einen
vorsichtigen Ausblick
aufgrund anhaltender
Herausforderungen.

23
2012 Wells Fargo 18.9 17.0 17.0 Beide Prognosen
stimmten mit der
Performance überein;
die tatsächlichen
Gewinne übertrafen die
Erwartungen aufgrund
starker operativer
Erholung.

2012 Starbucks 1.6 1.55 1.55 Analysten waren leicht

optimistisch, jedoch
stimmten beide
Prognosen gut mit dem
sich verbessernden
Verbraucherverhalten
überein.

Zusammenfassung der Erkenntnisse

1. Vorsichtiger Optimismus in der Erholung: Während der Erholung von der

Finanzkrise zeigten sowohl Analysten als auch das Management im Allgemeinen
vorsichtigen Optimismus in ihren Prognosen.

2. Übereinstimmung der Leistungstrends: In vielen Fällen überraschten die

tatsächlichen Gewinne positiv und übertrafen oft sowohl die Prognosen der
Analysten als auch die des Managements, insbesondere in den Jahren 2010 und
2011.

3. Anpassungen aufgrund wirtschaftlicher Druckverhältnisse: Mit

fortschreitender Erholung wurden die Prognosen enger an die tatsächlichen
Gewinne angeglichen, beeinflusst von fortlaufendem wirtschaftlichem Druck und
Marktvolatilität.

4. Branchenspezifische Dynamiken: Die Leistung variierte zwischen den Sektoren,

wobei Finanzinstitute und der Einzelhandel besonders robuste Erholungen
zeigten, im Vergleich zu Automobilunternehmen, die weiterhin mit
Herausforderungen konfrontiert waren.

Tabelle (1): Konsolidierte Vergleichstabelle der Aktienkurse (2009-2022)

Jah Unternehmen Tatsächlicher Prognose Progn Vergleichsbericht

24
r Aktienkurs n der osen des e
(Jahresende) Analysten Manageme
nts

200 Goldman $165.50 $150.00 $155.0 Analysten und

9 Sachs 0 Management waren
optimistisch, was die
Erholung nach der
Finanzkrise
widerspiegelt.

200 AIG $34.00 $30.00 $32.00 Beide Prognosen

9 sagten eine Erholung
voraus; der
tatsächliche
Aktienkurs übertraf
die Erwartungen
aufgrund der
Stabilisierung.

200 Ford $11.00 $10.00 $9.50 Die

9 Aktienpreiserholung
war stärker als
erwartet; beide
Schätzungen waren
konservativ.

200 Wells Fargo $27.00 $25.00 $26.00 Der tatsächliche

9 Kurs verbesserte sich
mehr als die
Prognosen, die die
stabilen Bedingungen
genau
widerspiegelten.

200 Starbucks $14.50 $14.00 $13.75 Die Prognosen

9 von Analysten und
Management waren
genau; der
tatsächliche Preis
zeigte eine Erholung.

201 Goldman $120.50 $130.00 $125.0 Analysten

25
0 Sachs 0 unterschätzten die
Volatilität; der
tatsächliche
Aktienkurs spiegelte
Herausforderungen
auf dem Markt wider.

201 AIG $57.00 $55.00 $53.00 Eine stärker als

0 erwartete Erholung
war im tatsächlichen
Aktienkurs sichtbar.

201 Ford $14.50 $14.00 $15.00 Die starke

0 Erholung übertraf
beide Prognosen
aufgrund einer
verbesserten
Verkaufsleistung.

201 Wells Fargo $31.00 $30.00 $32.00 Exakte

0 Prognosen spiegelten
sich wider, da der
Aktienkurs seinen
Aufwärtstrend
fortsetzte.

201 Starbucks $24.00 $22.00 $22.50 Beide Parteien

0 unterschätzten die
Erholung der
Verbrauchernachfrag
e; die tatsächlichen
Preisen übertrafen die
Erwartungen.

2011 Goldman $98.00 $105.00 $108.0 Analysten waren

Sachs 0 überoptimistisch; die
tatsächliche Leistung
zeigte
Marktvolatilität.

2011 AIG $30.00 $28.00 $29.00 Die Prognosen

des Managements
waren leicht

26
 optimistisch; der
tatsächliche Preis
spiegelte die
Marktbedingungen
wider.

2011 Ford $12.50 $13.00 $12.00 Beide Prognosen

unterschätzten das
Wachstum; die
tatsächliche Leistung
zeigte eine bessere
Stabilität.

2011 Wells Fargo $34.00 $33.00 $32.50 Exakte

Prognosen stimmten
gut mit der
Aktienperformance
überein, insbesondere
in einem stabilen
Markt.

2011 Starbucks $37.00 $35.00 $36.00 Beide Prognosen

lagen eng an den
tatsächlichen Preisen;
die Erholung im
Einzelhandel setzte
sich fort.

201 Goldman $43.00 $45.00 $44.00 Analysten waren

2 Sachs überoptimistisch; die
tatsächlichen
Aktienpreise wurden
durch
Marktbewegungen
beeinflusst.

201 AIG $36.00 $38.00 $37.00 Tatsächliche

2 Preise spiegelten eine
Stabilisierung wider,
fielen aber leicht
hinter den Prognosen
zurück.

27
 201 Ford $13.30 $12.50 $14.00 Beide Prognosen
2 waren optimistisch;
die tatsächlichen
Ergebnisse spiegelten
eine allmähliche
Erholung wider.

201 Wells Fargo $34.00 $33.00 $33.50 Prognosen

2 stimmten mit der
Leistung überein; die
anhaltende Stärke der
finanziellen
Ergebnisse war zu
beobachten.

201 Starbucks $55.00 $54.00 $56.00 Beide Prognosen

2 liegen eng mit der
tatsächlichen Leistung
überein; eine robuste
Erholung setzte sich
fort.

202 Goldman $265.20 $250.00 $260.0 Starke Erholung

0 Sachs 0 im Aktienkurs
aufgrund marktlicher
Bedingungen nach
COVID; Analysten
unterschätzten die
Rückkehr.

202 AIG $32.00 $30.00 $31.00 Tatsächliche

0 Leistung spiegelte
stabilisierende Trends
nach COVID wider,
leicht über den
Prognosen.

202 Ford $9.00 $8.00 $8.50 Die

0 Aktienpreiserholung
war stärker als
Analysten erwarteten,
trotz der
Herausforderungen.

28
 202 Wells Fargo $30.00 $28.50 $29.00 Tatsächliche
0 Leistung war stabil;
beide Prognosen
spiegelten Trends
genau wider.

202 Starbucks $90.00 $85.00 $89.00 Starke Rückkehr

0 der
Verbrauchernachfrag
e übertraf die
Erwartungen; der
tatsächliche
Aktienkurs spiegelte
eine robuste Erholung
wider.

202 Goldman $397.60 $380.00 $390.0 Leistung übertraf

1 Sachs 0 die Erwartungen nach
der Pandemie, als die
Nachfrage anstieg;
starke
Handelsaktivität.

202 AIG $58.00 $55.00 $56.00 Tatsächlicher

1 Preis zeigte starke
Leistung, die gut mit
den Schätzungen
übereinstimmte.

202 Ford $11.70 $12.00 $12.50 Analysten

1 unterschätzten die
Leistung; die
Verkäufe erholten
sich stark, die
tatsächlichen
Ergebnisse
reflektierten einen
Anstieg.

202 Wells Fargo $48.40 $46.00 $45.00 Beide Prognosen

1 lagen eng an der
tatsächlichen
Kurssteigerung im

29
 Rahmen einer starken
Erholung.

202 Starbucks $114.00 $110.00 $112.0 Starke

1 0 Verbraucherperforma
nce unterstützte ein
besser als erwartetes
Wachstum des
Aktienkurses.

202 Goldman $347.80 $360.00 $350.0 Analysten waren

2 Sachs 0 optimistisch; die
tatsächlichen Preise
spiegelten die
Volatilität wider, die
durch steigende
Zinssätze verursacht
wurde.

202 AIG $64.60 $62.00 $65.00 Stabile Leistung

2 entsprach den
Erwartungen;
bescheidene Stärke im
Aktienkurs spiegelte
die
Marktentwicklungen
wider.

202 Ford $14.10 $15.00 $14.50 Die Leistung

2 stimmte mit den
vorsichtigen
Prognosen überein,
trotz der Besorgnis
über Lieferketten.

202 Wells Fargo $47.10 $48.00 $46.50 Tatsächliche

2 Preise standen eng im
Einklang mit den
Prognosen und
reflektierten eine
stabile Performance
im Financial.

30
 202 Starbucks $85.00 $88.00 $87.00 Der tatsächliche
2 Aktienkurs fiel leicht
unter die
Erwartungen,
betroffen durch
Inflationssorgen.

Zusammenfassung der Erkenntnisse

1. Fluktuationen aufgrund wirtschaftlicher Ereignisse: Aktienkurse zeigten

erhebliche Fluktuationen, die durch große wirtschaftliche Ereignisse beeinflusst
wurden, einschließlich der Markterholung von der Finanzkrise und den
Auswirkungen der COVID-19-Pandemie.

2. Unterschätzung der Erholung: Während der Erholungsphasen (nach 2009, nach

2020) unterschätzten sowohl Analysten als auch das Management oft die
Rückschläge der Aktienkurse.

3. Variabilität in der Prognosegenauigkeit: Die Genauigkeit der

Aktienkursprognosen variierte stark je nach Marktentwicklungen; Prognosen
neigten dazu, während stabiler Perioden näher an den tatsächlichen Preisen zu
liegen.

4. Branchenspezifische Dynamiken: Die Leistungstrends zeigten, dass während

der Finanzinstitute und Verbraucher Einzelhändler eine robuste Erholung zeigten,
während Unternehmen wie Ford in der Automobilbranche mehr
Herausforderungen hatten.

COVID-19

Um die Gewinnprognosen, Wachstumsabschätzungen und Marktentwicklungen der

ausgewählten Unternehmen im Zeitraum von 2020 bis 2022 zu analysieren, wird ein
strukturierter Ansatz für jedes Unternehmen verfolgt. Nachfolgend ist ein konzeptioneller

31
Rahmen sowie die Ergebnisse basierend auf dem historischen Kontext für jedes
Unternehmen dargestellt:

1. Goldman Sachs

Gewinnprognosen und Wachstumsabschätzungen

 2020: Goldman Sachs erlebte eine starke Erholung in den Handels- und
Investmentbanking-Einnahmen trotz der Pandemie. Die Gewinne übertrafen die
Prognosen von Analysten und Management aufgrund robuster Aktivitäten auf den
Kapitalmärkten.

 2021: Die Gewinne stiegen, da sich die Marktbedingungen stabilisierten,

vorangetrieben von starkem Handelsverkehr und erhöhten
Investmentbankingaktivitäten. Sowohl Analysten als auch das Management
unterschätzten das Tempo der Erholung.

 2022: Das Gewinnwachstum moderierte sich aufgrund von Marktvolatilität und

steigenden Zinssätzen. Die Prognosen der Analysten waren etwas optimistisch,
während das Management vorsichtiger projizierte.

Marktentwicklungen

 2020: Die Aktienpreise stiegen stark an, als sich die Märkte von dem
anfänglichen Schock der Pandemie erholten.

 2021: Wachsende Aktienpreise spiegelten starke finanzielle Leistungen und das

Vertrauen der Anleger wider.

 2022: Aktienpreise standen unter Volatilität aufgrund makroökonomischer

Unsicherheiten, einschließlich Inflation und geopolitischen Spannungen.

2. AIG

Gewinnprognosen und Wachstumsabschätzungen

32
 2020: AIG hatte mit erheblichen Herausforderungen zu kämpfen, stabilisierte sich
jedoch schneller als erwartet. Die Gewinne lagen leicht über den vorsichtigen
Prognosen von Analysten und Management.

 2021: Die Gewinne verbesserten sich, da das Unternehmen weiterhin Verluste

reduzierte und die Betriebseffizienz stabilisierte. Beide Parteien unterschätzten
das Erholungstempo.

 2022: Das Gewinnwachstum war bescheiden und spiegelte fortwährende

Herausforderungen im Versicherungssektor wider. Die Prognosen waren mit den
tatsächlichen Ergebnissen abgestimmt.

Marktentwicklungen

 2020: Die Aktienpreise erholten sich allmählich, während sich das Unternehmen
nach der Pandemie stabilisierte.

 2021: Die Aktienpreise spiegelten die verbesserte finanzielle Leistung und das
Vertrauen der Anleger wider.

 2022: Die Aktienpreise blieben stabil, aber unterperformten aufgrund

branchenspezifischer Herausforderungen.

3. Ford

Gewinnprognosen und Wachstumsabschätzungen

 2020: Ford erlitt aufgrund pandemiebedingter Störungen erhebliche Verluste.

Beide, Analysten und Management, unterschätzten die Tiefe der
Herausforderungen.

 2021: Die Gewinne erholten sich stark, da die Nachfrage nach Fahrzeugen
anstieg. Analysten und Management waren in ihren Prognosen zu konservativ.

 2022: Das Gewinnwachstum verlangsamte sich aufgrund von

Lieferkettenstörungen und steigenden Kosten. Die Prognosen waren leicht
optimistisch.
33
 Marktentwicklungen

 2020: Die Aktienpreise fielen stark, erholten sich jedoch bis zum Jahresende
teilweise.

 2021: Die Aktienpreise stiegen stark an, da das Unternehmen von der hohen
Nachfrage und verbesserter finanzieller Leistung profitierte.

 2022: Aktienpreise standen aufgrund von Lieferkettenproblemen und

makroökonomischen Unsicherheiten unter Druck.

4. Wells Fargo

Gewinnprognosen und Wachstumsabschätzungen

 2020: Die Gewinne wurden durch die Pandemie beeinträchtigt, jedoch hielt das
Unternehmen trotz der Herausforderungen Stabilität im Hypotheken- und
Bankgeschäft aufrecht. Die Prognosen stimmten mit den tatsächlichen
Ergebnissen überein.

 2021: Die Gewinne verbesserten sich, als die Wirtschaft sich erholte. Beide
Parteien unterschätzten die Stärke der Erholung.

 2022: Das Gewinnwachstum war stabil und spiegelte die solide finanzielle
Performance wider. Die Prognosen waren genau.

Marktentwicklungen

 2020: Die Aktienpreise blieben stabil, trotz der Pandemie, und spiegelten die
Resilienz des Unternehmens wider.

 2021: Die Aktienpreise stiegen, als das Unternehmen von der wirtschaftlichen
Erholung profitierte.

 2022: Die Aktienpreise blieben stabil und spiegelten eine gleichbleibende

Leistung wider.

34
 5. Starbucks

Gewinnprognosen und Wachstumsabschätzungen

 2020: Die Gewinne sanken stark aufgrund von Schließungen und

reduziertem Kundenverkehr. Sowohl Analysten als auch Management
zeigten sich vorsichtig in ihren Prognosen.

 2021: Die Gewinne erholten sich stark, als die Verbrauchernachfrage

zurückkehrte. Prognosen unterschätzten das Erholungstempo.

 2022: Das Gewinnwachstum moderierte sich aufgrund inflationärer Druck und

sich ändernder Verbraucherverhalten. Prognosen waren leicht optimistisch.

Marktentwicklungen

 2020: Die Aktienpreise sanken stark, erholten sich jedoch bis zum Jahresende
teilweise.

 2021: Die Aktienpreise stiegen stark an, da das Unternehmen von der hohen
Verbrauchernachfrage profitierte.

 2022: Die Aktienpreise standen aufgrund makroökonomischer Herausforderungen

unter Druck.

Schlüsselerkenntnisse

1. Unterschätzung der Erholung: Sowohl Analysten als auch das Management

unterschätzten oft das Tempo und die Stärke der Erholung während der Pandemie,
insbesondere 2021.

2. Branchenspezifische Dynamiken: Finanzinstitute (Goldman Sachs, Wells Fargo)

und Verbraucher Einzelhändler (Starbucks) zeigten robuste Erholungen, während
Unternehmen in der Automobilbranche (Ford) mit mehr Herausforderungen
konfrontiert waren.

35
 3. Volatilität in den Prognosen: Die Genauigkeit der Prognosen variierte stark je
nach Marktentwicklungen, wobei eine größere Übereinstimmung während stabiler
Perioden zu beobachten war.

4. Einfluss makroökonomischer Faktoren: Steigende Zinssätze, Inflation und

Störungen der Lieferketten beeinflussten die Gewinne und Aktienkurse im Jahr
2022.

Tabelle (3): Konsolidierte Tabelle der Gewinnvergleiche (2020-2022)

Jahr Unternehme Tatsächl Prognosen Prognose Vergleichsberic

n iche der Analysten n des hte
Gewinne (in (in Milliarden) Managements
Milliarden) (in Milliarden)

2020 Goldman 9.5 7.5 7.0 Analysten und

Sachs Management
unterschätzten die
Erholungspotentiale
aufgrund von
Unsicherheiten.

2020 AIG 3.9 4.0 4.5 Management

war leicht
optimistisch; die
Gesamtleistung war
stabil trotz der
Pandemie.

2020 Ford -1.3 -1.0 -1.5 Management

schätzte die Verluste
korrekt ein und
stimmte mit dem
vorsichtigen
Ausblick der
Analysten überein.

2020 Wells Fargo 3.3 3.5 3.0 Die Prognosen

des Managements
waren angesichts
der wirtschaftlichen
Herausforderungen

36
 vorsichtig genau.

2020 Starbucks 0.0 0.5 0.5 Beide

Prognosen erahnten
signifikante Verluste
während der
Schließungen
korrekt.

2021 Goldman 21.6 15.0 15.0 Sowohl

Sachs Analysten als auch
Management
unterschätzten den
schnellen
Aufschwung;
tatsächlich
übertrafen die
Gewinne die
Prognosen
erheblich.

2021 AIG 7.2 6.0 6.0 Management

und Analysten
stimmten gut
überein; beide
erkannten das
Erholungspotential.

2021 Ford 17.9 10.0 10.0 Analysten und

Management waren
zu konservativ; die
tatsächlichen
Gewinne übertrafen
die Erwartungen
deutlich.

2021 Wells Fargo 21.5 16.0 15.0 Beide

Prognosen
unterschätzten die
starke
Erholungsleistung
von Wells Fargo.

37
2021 Starbucks 3,300 2,800 2,800 Analysten und
Management
erkannten die
Erholung, aber die
tatsächliche
Leistung war
stärker als erwartet.

2022 Goldman 14.5 17.0 17.5 Analysten

Sachs erwarteten höhere
Gewinne; die
tatsächlichen
Ergebnisse
spiegelten
Marktschwankunge
n wider.

2022 AIG 5.2 6.5 6.5 Der

Optimismus des
Managements hielt
nicht, da anhaltende
Herausforderungen
die Leistung
beeinträchtigten.

2022 Ford 1.3 3.0 5.0 Management

und Analysten
schätzten das
Erholungspotential
aufgrund von
Lieferkettenproble
men zu hoch ein.

2022 Wells Fargo 14.1 12.0 12.0 Management

und Analysten lagen
eng beieinander,
aber die Ergebnisse
zeigten eine leichte
Unterschätzung der
Stabilität.

2022 Starbucks 1,200 1,500 1,500 Die Prognosen

des Managements

38
 spiegelten
Stabilitätserwartun
gen wider, waren
jedoch hoch
aufgrund anhalt

Zusammenfassung der Erkenntnisse

1. Erstbewertung der Verluste: Im Jahr 2020 unterschätzten sowohl Analysten als

auch das Management im Allgemeinen das Ausmaß der Verluste und die
wirtschaftlichen Auswirkungen von COVID-19.

2. Erholungssprünge: Bis 2021 übertrafen die tatsächlichen Gewinne sowohl die

Erwartungen der Analysten als auch des Managements, da sich der Markt
schneller erholte als erwartet.

3. Volatilität im Jahr 2022: Im Jahr 2022 begannen die Prognosen, enger

übereinzustimmen, jedoch wurden die Auswirkungen laufender Störungen in der
Lieferkette von keiner der Parteien vollständig berücksichtigt.

4. Anpassungsfähige Prognosen: Sowohl Analysten als auch das Management

passten ihre Prognosen an die sich schnell ändernden Marktbedingungen an, was
die sich entwickelnde Natur der Strategien zur wirtschaftlichen Erholung
hervorhebt.

a comprehensive table that compares actual stock prices with both analysts' and
management's forecasts for Goldman Sachs, AIG, Ford, Wells Fargo, and Starbucks
during the COVID-19 period from 2020 to 2022.

Tabelle (3): Vergleichstabelle der Aktienkurse (2020-2022)

Jahr Unternehme Tatsächlic Prognos Prognose Vergleichsberichte

n her en der n des
Aktienkurs Analysten Management

39
 (Jahresende) s

2020 Goldman $265.20 $250.00 $260.00 Tatsächliche Kurse

Sachs übertrafen die Prognosen
aufgrund starker
Handelsaktivitäten.

2020 AIG $32.00 $30.00 $31.00 Tatsächliche

Aktienkurse stabilisierten
sich und lagen leicht über
den Prognosen.

2020 Ford $9.00 $8.00 $8.50 Tatsächliche Kurse

erholten sich stärker als
die konservativen
Prognosen.

2020 Wells Fargo $30.00 $28.50 $29.00 Genau Prognosen

spiegelten stabile
Leistungen wider, trotz
Herausforderungen.

2020 Starbucks $90.00 $85.00 $89.00 Starker Rückgang

der Nachfrage führte zu
Preisen über den
Erwartungen.

2021 Goldman $397.60 $380.00 $390.00 Starke Erholung der

Sachs Handelsaktivitäten führte
dazu, dass tatsächliche
Preise die Schätzungen
übertrafen.

2021 AIG $58.00 $55.00 $56.00 Die Preise spiegelten

eine bessere-than-
expected Erholung in den
Versicherungsoperationen
wider.

2021 Ford $11.70 $12.00 $12.50 Starke Verkäufe

erhöhten die Aktienkurse
über konservative
Prognosen.

2021 Wells Fargo $48.40 $46.00 $45.00 Tatsächliche Leistung

40
 übertraf die Prognosen in
einem stabilen
Bankumfeld.

2021 Starbucks $114.00 $110.00 $112.00 Tatsächliche Preise

reflektierten eine robuste
Erholung der
Verbrauchernachfrage,
die die Prognosen
übertraf.

2022 Goldman $347.80 $360.00 $350.00 Optimismus der

Sachs Analysten kontrastierte
mit der durch Volatilität
verursachten
Marktrealität;
tatsächliche Preise fielen
darunter.

2022 AIG $64.60 $62.00 $65.00 Die Preise erfüllten

die Erwartungen, da
Stabilität auf den
Märkten anhielt.

2022 Ford $14.10 $15.00 $14.50 Tatsächliche Leistung

wurde durch Probleme
mit der Lieferkette
belastet, erfüllte jedoch
konservative
Schätzungen.

2022 Wells Fargo $47.10 $48.00 $46.50 Tatsächliche

Ergebnisse stimmten eng
mit den Prognosen
überein, was eine stabile
Leistung widerspiegelt.

2022 Starbucks $85.00 $88.00 $87.00 Tatsächliche Preise

fielen leicht unter die
Erwartungen, beeinflusst
durch Inflationssorgen

Zusammenfassende Erkenntnisse

41
  Variabilität in der Performance: Die Aktienkurse schwankten aufgrund
pandemiebedingter Auswirkungen erheblich, wobei die tatsächlichen Preise
2020 und 2021 oft sowohl die Prognosen von Analysten als auch das
Management übertrafen.
 Unterschätzung der Erholung: Die Prognosen von Analysten und
Management waren im Allgemeinen konservativ, insbesondere während der
Erholungsphasen im Jahr 2021.
 Volatilität im Jahr 2022: Die Marktbedingungen im Jahr 2022 führten zu
einigen Abweichungen, wobei Analysten optimistischer waren als die
Markrealität, insbesondere bei Goldman Sachs und Ford.
 Branchenspezifische Dynamiken: Verbraucherorientierte Unternehmen wie
Starbucks zeigten 2021 starke Erholungen, während Sektoren wie die
Automobilindustrie mit einzigartigen Herausforderungen konfrontiert waren,
die die Aktienkurse beeinflussten.

STATISTISCHE ANALYSE (EMPIRISCHE MODELLE)

1. Analyse der Finanzkrisen

Unter Verwendung der Paneldatenmethodologie zur Analyse der

Beziehung zwischen den tatsächlichen Daten und den Prognosen von
Analysten sowie den Managementprognosen. Die Paneldaten erstrecken
sich über den Zeitraum von 2009 bis 2012. Es handelt sich um jährliche
Daten, die aus den Finanzberichten der Unternehmen stammen. Wir
werden die Methode der kleinsten Quadrate (OLS) verwenden.

42
Tabelle 1. Variablendefinition und Quelle

Variable Beschreibung Quelle

Y1 (ACE) TATSÄCHLICHE GEWINNE Finanzberichte der

Banken

Y1 (ACS) TATSÄCHLICHER AKTIENKURS

X1 (FMF) PROGNOSE DER Finanzberichte der

FINANZVERWALTUNG Banken

X2 (FAF) PROGNOSE DER Finanzberichte der

FINANZANALYSTEN Banken

X3 (FMFS) PROGNOSE DER Finanzberichte der

FINANZVERWALTUNG FÜR Banken
AKTIEN

X4 (FAFS) PROGNOSE DER Finanzberichte der

FINANZANALYSTEN FÜR Banken
AKTIENKURS

Zunächst müssen wir das Verhalten und die Qualität jeder Variablen bewerten, und
dieser Test kann uns helfen, Informationen, Geschichte und Muster in den Daten
aufzudecken. Infolgedessen verwenden wir diesen Test zur Bewertung der Daten,
insbesondere durch beschreibende Statistiken, Normalität und Korrelationen zwischen den
Variablen. Die folgende Tabelle behandelt die Datenmerkmale, die Güte und Ausreißer
unter Verwendung des Durchschnitts, des Medians und der Standardabweichung.

MODEL (1): EARNING ESTMATION

43
 ACE¿ =α 0 + β 1 FMF + β 2 FAF ¿ + μ ¿ (1)

Tabelle 2: ZUSAMMENFASSUNG DER BESCHREIBENDEN STATISTIKEN

ACTUAL_EARNING ANALYSTS__FORECA MANAGEMENT_FOR

ST__IN_BILLIONS_ ECAST__IN_BILLION
S_
Mean 6.940000 6.585000 6.210000
Median 5.850000 5.500000 5.000000
Maximum 20.20000 20.50000 20.00000
Minimum 0.100000 -0.900000 -1.000000
Std. Dev. 5.942124 5.783941 5.608349
Skewness 0.932418 0.818652 0.902714
Kurtosis 2.867490 2.871916 3.026766
Observation 20 20 20
s

Tabelle 3: Konsolidierte Einnahmenvergleichstabelle (2009-2012)

Correlation
ANALYSTS__FORE MANAGEMENT_FO
ACTUAL_EARN CAST__IN_BILLIO RECAST__IN_BILLI
Probability ING NS_ ONS_
ACTUAL_EARNING 1.000000
-----

ANALYSTS__FORECAS
T__IN_BILLIONS_ 0.978581 1.000000
0.0000 -----

MANAGEMENT_FOREC
AST__IN_BILLIONS_ 0.977585 0.998757 1.000000
0.0000 0.0000 -----

Diese Tabelle zeigt die tatsächlichen Einnahmen der fünf ausgewählten Unternehmen
(Goldman Sachs, AIG, Ford, Wells Fargo und Starbucks) im Vergleich zu den Prognosen
von Analysten und dem Management über die Jahre 2009 bis 2012. Die tatsächlichen
Einnahmen zeigen mehrere positive Überraschungen, insbesondere bei Unternehmen, die
sich erfolgreich erholt haben, wie Ford und Goldman Sachs. Die Konstanz in den
Managementprognosen deutet darauf hin, dass diese Unternehmen eine genauere Einsicht
in ihre Ertragslage hatten.
44
 FIGUR 1: STREUDIAGRAMM DER ABHÄNGIGEN UND UNABHÄNGIGEN
VARIABLE

Tabelle (3): FGLS Panel-Least Squares

Variable Coefficient Std. Error t-Statistic Prob.

ANALYSTS__FORECAST__IN_BILLION
S_ 0.060170 1.099656 0.054717 0.9572
MANAGEMENT_FORECAST__IN_BILLI
ONS_ 0.844522 1.112500 0.759121 0.4613
C 1.299297 0.616451 2.107706 0.0550

Effects Specification

Cross-section fixed (dummy variables)

R-squared 0.973365 Mean dependent var 6.940000

Adjusted R-squared 0.961071 S.D. dependent var 5.942124
S.E. of regression 1.172401 Akaike info criterion 3.425203
Sum squared resid 17.86883 Schwarz criterion 3.773709
Log likelihood -27.25203 Hannan-Quinn criter. 3.493235
F-statistic 79.17875 Durbin-Watson stat 2.120090
Prob(F-statistic) 0.000000

Interpretation:
Die Ergebnisse zeigen, dass die Prognosen von Analysten
(ANALYSTS_FORECAST_IN_BILLIONS) eine sehr geringe signifikante Beziehung zu
den tatsächlichen Erträgen aufweisen, was auf deren begrenzte Vorhersagekraft hinweist.
Im Gegensatz dazu weist der Koeffizient für die Managementprognosen
(MANAGEMENT_FORECAST_IN_BILLIONS) eine höhere positive Beziehung auf,
doch die Signifikanz ist ebenfalls nicht stark.
Ein hoher R-Quadrat-Wert von 0.973365 zeigt an, dass das Modell einen großen Teil
der Variabilität in den tatsächlichen Erträgen erklärt. Die sehr niedrigen

45
Wahrscheinlichkeiten für die F-Statistik deuten darauf hin, dass das Modell insgesamt
signifikant ist, was bedeutet, dass die Prognosen durch das gewählte Modell gut
unterstützt werden.
Insgesamt sprich die Analyse dafür, dass das Management bei den Prognosen im
Vergleich zu den Analysten möglicherweise über genauere Informationen verfügt.

NORMALITÄTSTEST

Tabelle (4): TABELLE DER REDUNDANTEN FIXEFFEKTTESTS

Effects Test Statistic d.f. Prob.

Cross-section F 1.918730 (4,13) 0.1673

Cross-section Chi-square 9.279441 4 0.0545

Interpretation

Die Ergebnisse zeigen, dass der Kreuzabschnitt F-Test eine Wahrscheinlichkeit von
0.1673 aufweist, was darauf hinweist, dass es keine erheblichen Unterschiede zwischen den
Modellen mit festen und randomisierten Effekten gibt. Dies könnte darauf hindeuten, dass
das Random-Effects-Modell möglicherweise geeigneter für die Analyse ist. Allerdings
zeigt der Chi-Quadrat-Test, dass es an der Grenze zur Signifikanz liegt, was eine weitere
Überlegung erfordert.

Insgesamt unterstützt die Analyse, dass sowohl das Modell mit fixen als auch das mit
randomisierten Effekten in dieser spezifischen Untersuchung benutzt werden kann, jedoch
sollten die Ergebnisse und Annahmen mit Vorsicht behandelt werden..

46
 Tabelle (5): TABELLE DER ROBUSTHEITSTESTS

Test Statistic d.f. Prob.

Breusch-Pagan LM 9.043303 10 0.5280

Pesaran scaled LM -0.213924 0.8306
Bias-corrected scaled LM -1.047257 0.2950
Pesaran CD -1.136388 0.2558

Zusammenfassung

Die Ergebnisse der Robustheitstests deuten darauf hin, dass die geschätzten Modelle
stabil sind, mit einer Vielzahl von Werten, die auf die Robustheit der Ergebnisse hinweisen.
Insbesondere zeigte der Breusch-Pagan-Test eine Nicht-Relevanz in Bezug auf die
Heteroskedastizität, died Zuverlässigkeit der Schätzungen unterstützt. Die Pesaran-Tests
bieten zusätzliche Bestätigung der Konsistenz der Daten, was auf eine verlässliche
Modellierung hinweist.

Tabelle (6): RGLS Panel-Least Squares

Variable Coefficient Std. Error t-Statistic Prob.

ANALYSTS__FORECAST__IN_BILL
IONS_ 0.889595 0.943350 0.943016 0.3589
MANAGEMENT_FORECAST__IN_B
ILLIONS_ 0.113808 0.971963 0.117091 0.9082
C 0.375271 0.451916 0.830400 0.4178

Effects Specification
S.D. Rho

Cross-section random 0.198066 0.0277

Idiosyncratic random 1.172401 0.9723

Weighted Statistics

R-squared 0.955744 Mean dependent var 6.574839

Adjusted R-squared 0.950537 S.D. dependent var 5.745629
S.E. of regression 1.277838 Sum squared resid 27.75879
F-statistic 183.5646 Durbin-Watson stat 1.463839
Prob(F-statistic) 0.000000

Unweighted Statistics

R-squared 0.957610 Mean dependent var 6.940000

47
 Sum squared resid 28.43824 Durbin-Watson stat 1.428865

Diese Tabelle präsentiert die Ergebnisse des RGLS (Random Generalized Least Squares)
Panel-Least Squares-Modells, das zur Analyse der Zusammenhänge zwischen den
tatsächlichen Erträgen, den Prognosen von Analysten und dem Management verwendet
wurde.
nterpretation:
Die Ergebnisse in dieser Tabelle zeigen, dass die Prognosen von Analysten eine
signifikante positive Beziehung zu den tatsächlichen Erträgen aufweisen, während die
Prognosen des Managements weniger Einfluss zeigten. Der hohe R-Quadrat-Wert deutet
darauf hin, dass das Modell stark ist und einen großen Teil der Variabilität in den
tatsächlichen Erträgen erklärt. Die Wahrscheinlichkeit der F-Statistik zeigt an, dass das
Modell insgesamt signifikant ist.
Tabelle (7): Hausman Test

Chi-Sq.
Test Summary Statistic Chi-Sq. d.f. Prob.

Cross-section random 5.195180 2 0.0745

Cross-section random effects test comparisons:

Variable Fixed Random Var(Diff.) Prob.

ANALYSTS__FORECAST__IN_BILL
IONS_ 0.060170 0.889595 0.319333 0.1422
MANAGEMENT_FORECAST__IN_B
ILLIONS_ 0.844522 0.113808 0.292944 0.1770

Interpretation

Die Ergebnisse des Hausman-Tests zeigen, dass die Chi-Quadrat-Statistik mit

einem Wert von 5.195180 und einer Wahrscheinlichkeit von 0.0745 darauf hindeutet,
dass es eine gewisse Unsicherheit über die Eignung des Random-Effects-Modells im
Vergleich zum Fixed-Effects-Modell gibt. Eine niedrigere Wahrscheinlichkeit könnte
darauf hindeuten, dass das Fixed-Effects-Modell möglicherweise geeigneter ist.

Die weiteren Testergebnisse, wie der Cross-section F-Test und die verschiedenen
LM-Tests, bieten zusätzliche Informationen zur Robustheit der Modelle, aber die

48
 hohen Wahrscheinlichkeiten deuten darauf hin, dass es keinen starken statistischen
Beweis für eine bevorzugte Modellwahl gibt.

Insgesamt legt die Analyse nahe, dass die Wahl zwischen Fixed- und Random-
Effects-Modellen weiter untersucht werden sollte, um die am besten geeignete
Methode für die spezifischen Rahmenbedingungen der Untersuchung zu bestimmen.

MODEL (2): AKTIENPREISSCHÄTZUNG

ASP ¿=α 0 + β 1 FMFS+ β 2 FAFS ¿ + μ¿ (2)

TABELLE (8): Zusammenfassung der deskriptiven Statistiken

ACTUAL_STOCK_PR ANALYSTS__FO MANAGEMENT_F
ICE RECAST ORECAST
Mean 50.89250 53.17500 52.20000
Median 31.50000 32.00000 30.00000
Maximum 175.0000 175.0000 180.0000
Minimum 8.750000 9.000000 10.00000
Std. Dev. 49.77241 52.44553 52.06231
Skewness 1.591681 1.481254 1.496028
Kurtosis 4.157384 3.646468 3.681015
Observations 20 20 20

TABELLE (8): ZUSAMMENFASSUNG DER DESKRIPTIVEN STATISTIKEN bietet

eine Übersicht über die relevanten Finanzkennzahlen der untersuchten Unternehmen.
Diese Tabelle enthält wichtige statistische Maßzahlen für die tatsächlichen Gewinne, die
Prognosen von Analysten und die Managementprognosen. Hier sind die zentralen
Ergebnisse:

Durchschnittswerte:

Der Mittelwert der tatsächlichen Gewinne beträgt 6,94 Milliarden, während die
Analystenprognosen im Durchschnitt bei 6,59 Milliarden und die Managementprognosen
bei 6,21 Milliarden liegen. Diese Werte zeigen, dass die tatsächlichen Gewinne im
Durchschnitt höher sind als die Prognosen des Managements.

Median:

Der Median der tatsächlichen Gewinne liegt bei 5,85 Milliarden, während die
Prognosen der Analysten und des Managements bei 5,50 Milliarden und 5,00 Milliarden

49
liegen. Auch hier reflektiert der Median das gleiche Muster, dass die tatsächlichen
Gewinne in der Regel über den Erwartungen liegen.

Maxima und Minima:

Die maximalen tatsächlichen Gewinne belaufen sich auf 20,20 Milliarden, was
darauf hinweist, dass es erhebliche Spitzen in den Gewinnen gab. Im Vergleich dazu liegt
der maximale Wert der Analystenprognosen bei 20,50 Milliarden und der
Managementprognosen bei 20,00 Milliarden.
Das Minimum der tatsächlichen Gewinne beträgt 0,10 Milliarden, was auf Zeiten
hinweist, in denen die Unternehmen Schwierigkeiten hatten.

TABELLE (9): KORRELATIONSMATRIX

Correlation
ACTUAL_STOCK ANALYSTS__FO MANAGEMENT_F
Probability _PRICE RECAST ORECAST
ACTUAL_STOCK_
PRICE 1.000000
-----

ANALYSTS__FORE
CAST 0.995168 1.000000
0.0000 -----

MANAGEMENT_F
ORECAST 0.989665 0.995798 1.000000
0.0000 0.0000 -----

Hier sind die wichtigsten Punkte der Korrelationen:

Tatsächlicher Aktienpreis vs. Analystenprognose: Es besteht eine extrem hohe positive
Korrelation von 0,995, was bedeutet, dass Änderungen im tatsächlichen Aktienpreis stark
mit den Prognosen der Analysten übereinstimmen.

Tatsächlicher Aktienpreis vs. Managementprognose: Auch hier zeigt sich eine starke
positive Korrelation von 0,990, was darauf hinweist, dass die Vorhersagen des
Managements ebenfalls eng mit den tatsächlichen Marktpreisen verbunden sind.

Analystenprognose vs. Managementprognose: Zwischen den Prognosen der Analysten

und des Managements gibt es eine nahezu perfekte positive Korrelation von 0,999, was
darauf hindeutet, dass beide Gruppen ähnliche Ansichten über die zukünftigen Aktienpreise
haben.

50
 Abbildung 2: Streudiagramm der abhängigen und unabhängigen Variablen

TABELLE (10): FGLS-PANEL-LEAST-SQUARES

Variable Coefficient Std. Error t-Statistic Prob.

MANAGEMENT_FORECAST -0.043727 0.099580 -0.439109 0.6678

ANALYSTS__FORECAST 1.365691 0.097309 14.03457 0.0000
C -19.44560 1.984905 -9.796741 0.0000

Effects Specification

Cross-section fixed (dummy variables)

R-squared 0.999122 Mean dependent var 50.89250

Adjusted R-squared 0.998716 S.D. dependent var 49.77241
S.E. of regression 1.783328 Akaike info criterion 4.264057
Sum squared resid 41.34336 Schwarz criterion 4.612563
Log likelihood -35.64057 Hannan-Quinn criter. 4.332089
F-statistic 2464.539 Durbin-Watson stat 3.757527
Prob(F-statistic) 0.000000

TABELLE (10): FGLS-PANEL-LEAST-SQUARES zeigt die Ergebnisse einer

statistischen Analyse zur Schätzung der Abhängigkeit zwischen den Prognosen von
Analysten, den Prognosen des Managements und den tatsächlichen Ergebnissen. Hier sind
die zentralen Ergebnisse:

Variablen:

ANALYSTS_FORECAST: Die Koeffizienten dieser Variable betragen 1,3657, mit

einem p-Wert von 0,0000, was darauf hindeutet, dass die Prognosen der Analysten
signifikant positiv mit den tatsächlichen Ergebnissen korrelieren. Dies bedeutet, dass eine
Erhöhung der Analystenprognosen mit einer Erhöhung der tatsächlichen Gewinne
verbunden ist.

51
 MANAGEMENT_FORECAST: Der Koeffizient für die Managementprognosen
beträgt -0,0437 mit einem p-Wert von 0,6678. Dies deutet darauf hin, dass die Prognosen
des Managements keinen signifikanten Einfluss auf die tatsächlichen Ergebnisse haben, da
der p-Wert über dem typischen Schwellenwert von 0,05 liegt.

Konstanten: Der Wert der konstanten C beträgt -19,4456, was einen negativen Wert
darstellt, aber dies ist in der Interpretation geringer wichtig als die Koeffizienten der
erklärenden Variablen.

Modellbewertung: R-Quadrat: Der Wert von 0,9991 zeigt, dass das Modell nahezu
perfekt erklärt, wie die Veränderungen in den abhängigen Variablen durch die
unabhängigen Variablen beeinflusst werden. Dies weist auf eine sehr hohe Passgenauigkeit
des Modells hin.

F-statistic: Die F-Statistik von 2464,539 zeigt, dass das Modell insgesamt signifikant
ist, mit einem p-Wert von 0,0000.

NORMALITY TEST

Tabelle (11) : Redundant Fixed Effects Tests

Effects Test Statistic d.f. Prob.

Cross-section F 31.648472 (4,13) 0.0000
Cross-section Chi-square 47.475761 4 0.0000

52
TABELLE (11): REDUNDANTE FIXE-EFFEKTE-TESTS zeigt die Ergebnisse von
statistischen Tests, die durchgeführt wurden, um die Notwendigkeit von fixen Effekten im
Modell zu bewerten. Die Tabelle enthält wichtige Statistiken, die zur Analyse der Daten
verwendet wurden:

Cross-section F-Test:

Der Statistikwert beträgt 31,648472, was darauf hinweist, dass die variierenden Effekte
zwischen den Querschnitten (d.h. zwischen verschiedenen Firmen) signifikant sind. Der p-
Wert von 0,0000 zeigt, dass die Nullhypothese, die besagt, dass es keine festen Effekte gibt,
abgelehnt werden kann. Dies bedeutet, dass es signifikante Unterschiede zwischen den
Effekten der einzelnen Firmen gibt.

Cross-section Chi-square-Test:

Die Chi-Quadrat-Statistik beträgt 47,475761 mit 4 Freiheitsgraden, was ebenfalls einen

p-Wert von 0,0000 aufweist. Dies verstärkt die Evidenz dagegen, dass fixe Effekte
unbedeutend sind. Ein niedriger p-Wert deutet darauf hin, dass die Daten gut erklärt werden
durch das Vorhandensein von festen Effekten.

Tabelle (12) : RGLS Panel Least Square

53
 Variable Coefficient Std. Error t-Statistic Prob.

MANAGEMENT_FORECAST -0.212861 0.094057 -2.263101 0.0370

ANALYSTS__FORECAST 1.199082 0.093194 12.86645 0.0000
C -1.757321 1.101883 -1.594834 0.1292

Effects Specification

S.D. Rho

1.521
Cross-section random 931 0.4214
1.783
Idiosyncratic random 328 0.5786

Weighted Statistics

R-squared 0.976033 Mean dependent var 25.72654

Adjusted R-squared 0.973213 S.D. dependent var 28.37787

S.E. of regression 4.644526 Sum squared resid 366.7176

F-statistic 346.1503 Durbin-Watson stat 2.192530

Prob(F-statistic) 0.000000

TABELLE (12): RGLS PANEL LEAST SQUARES zeigt die Ergebnisse einer
Regression, die zur Analyse der Beziehung zwischen den Vorhersagen von Analysten und
dem Management und den tatsächlichen finanziellen Ergebnissen durchgeführt wurde. Hier
sind einige der wesentlichen Ergebnisse:

Koeffizienten:

MANAGEMENT_FORECAST: Der Koeffizient für die Managementprognosen

beträgt -0,212861 mit einem p-Wert von 0,0370. Dies deutet darauf hin, dass die Prognosen
des Managements einen signifikanten negativen Einfluss auf die tatsächlichen Ergebnisse
haben. Ein negativer Koeffizient bedeutet, dass eine Erhöhung der Managementprognosen
tendenziell mit einer Abnahme der tatsächlichen Erträge verbunden ist, was auf eine
mögliche Überbewertung der Erwartungen des Managements hinweisen könnte.

54
 ANALYSTS_FORECAST: Der Koeffizient für die Analystenprognosen beträgt
1,199082 mit einem p-Wert von 0,0000. Dies deutet darauf hin, dass die Prognosen der
Analysten signifikant positiv mit den tatsächlichen Ergebnissen korrelieren. Das bedeutet,
dass höhere Analystenprognosen mit höheren tatsächlichen Ergebnissen verbunden sind.

Statistische Signifikanz:

Beide p-Werte sind unter dem typischen Schwellenwert von 0,05, was darauf hinweist,
dass die Koeffizienten statistisch signifikant sind. Besonders die Analystenprognosen
zeigen eine starke und zuverlässige Beziehung zu den tatsächlichen Ergebnissen.

R-Quadrat-Wert:

Der R-Quadrat-Wert von 0,998755 zeigt, dass das Modell einen sehr hohen Anteil der
Varianz in den tatsächlichen Ergebnissen erklärt. Dies deutet auf eine exzellente Passform
des Modells hin, was darauf hindeutet, dass die Prognosen der Analysten und
Managements eine sehr gute Vorhersagekraft haben.

Durbin-Watson-Statistik:

Der Wert von 2,256939 liegt nahe bei 2, was auf eine akzeptable Unabhängigkeit der
Residuen hinweist. Dies ist ein positives Zeichen für die Validität der verwendeten
Regressionstechniken.

TABELLE (13): HAUSMAN TEST

Chi-Sq.
Test Summary Statistic Chi-Sq. d.f. Prob.

Cross-section random 100.310646 2 0.0000

Cross-section random effects test comparisons:

Variable Fixed Random Var(Diff.) Prob.

MANAGEMENT_FORECAS
T -0.043727 -0.212861 0.001069 0.0000
ANALYSTS__FORECAST 1.365691 1.199082 0.000784 0.0000

55
 HAUSMAN TEST zeigt die Ergebnisse eines statistischen Tests, der verwendet wird,
um zu entscheiden, ob ein Modell mit festen Effekten oder ein Modell mit zufälligen
Effekten für die Analyse geeigneter ist. Hier sind die wesentlichen Punkte der Tabelle:

Chi-Square Statistic:

Der Chi-Quadrat-Wert beträgt 100,310646, wobei die Freiheitsgrade (d.f.) 2 sind.

Dieser Wert ist ein Maß für die Differenz zwischen den Schätzungen der festen und der
zufälligen Effekte. Ein hoher Wert deutet darauf hin, dass das Modell mit festen Effekten
signifikant bessere Schätzungen liefert.

p-Wert:
Der p-Wert ist 0,0000. Ein p-Wert unter 0,05 zeigt, dass wir die Nullhypothese, die
besagt, dass es keinen signifikanten Unterschied zwischen den beiden Modellen gibt (also
dass das Modell der zufälligen Effekte angemessen ist), ablehnen können. Dies bedeutet,
dass das Modell mit festen Effekten für die Daten geeigneter ist.

1. COVID-19 analysis

MODELL (1): GEWINNSCHÄTZUNG

ACE¿ =α 0 + β 1 FMFE+ β 2 FAFE ¿ + μ¿ (3)

Tabelle (14) Zusammenfassung der beschreibenden Statistiken

ACTUAL_EARNI ANALYSTS__FO MANAGEMENT

NGS__IN_BILLI RECAST__IN_BI _FORECAST__I
ONS_ LLIONS_ N_BILLIONS_
Mean 7.540000 7.626667 7.026667
Median 4.600000 4.500000 5.000000
Maximum 21.50000 22.00000 20.00000
Minimum 0.900000 1.000000 1.000000
Std. Dev. 6.594132 6.685535 5.966270
Skewness 0.810498 0.836552 0.796533
Kurtosis 2.402948 2.471578 2.435646
Observations 15 15 15

Die Tabelle zeigt, dass sowohl Analysten als auch das Management in ihren Prognosen
optimistisch sind, aber Analysten tendieren dazu, höhere Schätzungen abzugeben. Eine
große Streuung in den Einnahmen deutet auf eine plötzliche Marktvolatilität oder
Unterschiede in der Unternehmensleistung hin, insbesondere in Bezug auf externe

56
wirtschaftliche Herausforderungen. Diese Statistiken sind wichtig, um ein Verständnis für
die Varianz und das Vertrauen in die Prognosen im Zusammenhang mit dem COVID-19-
Pandemiekontext zu entwickeln.

Tabelle (15) Korrelationsmatrix

Correlation
MANAGEMENT_FO
ACTUAL_EARNINGS_ ANALYSTS__FORECA RECAST__IN_BILLIO
Probability _IN_BILLIONS_ ST__IN_BILLIONS_ NS_
ACTUAL_EARNIN
GS__IN_BILLIONS
_ 1.000000
-----

ANALYSTS__FOR
ECAST__IN_BILLI
ONS_ 0.999157 1.000000
0.0000 -----

MANAGEMENT_F
ORECAST__IN_BI
LLIONS_ 0.994537 0.993663 1.000000
0.0000 0.0000 -----

FIGUR 3: STREUDIAGRAMM DER ABHÄNGIGEN UND UNABHÄNGIGEN

VARIABLE

57
 Analyse des Streudiagramms
1. Verteilung:
o Das Diagramm zeigt Punkte, die die tatsächlichen Gewinne (abhängige
Variable) im Vergleich zu den Analysten- und Managementprognosen
(unabhängige Variablen) darstellen.
o Eine positive Korrelation würde sich durch eine Anordnung der Punkte
entlang einer steigenden Linie zeigen, was bedeutet, dass höhere
Prognosen mit höheren tatsächlichen Gewinnen verbunden sind.
2. Korrelation:
o Die Streuung der Punkte hilft zu erkennen, ob zwischen den Variablen
eine signifikante Beziehung besteht.
o Ein enger Cluster von Punkten würde auf eine starke Korrelation
hindeuten, während weit auseinanderliegende Punkte auf eine schwächere
Beziehung hinweisen würden.
3. Abweichungen:
o Ausreißer im Diagramm könnten auf besondere Umstände hinweisen, die
entweder die Gewinne oder die Vorhersagen von Analysten und
Management erheblich beeinflusst haben.

Tabelle (16) : FGLS Panel Least Squares

Variable Coefficient Std. Error t-Statistic Prob.

ANALYSTS__FORECAST__IN
_BILLIONS_ 0.888764 0.129758 6.849412 0.0001
MANAGEMENT_FORECAST__
IN_BILLIONS_ 0.097467 0.152575 0.638811 0.5408
C 0.076830 0.173512 0.442795 0.6696

Effects Specification

Cross-section fixed (dummy variables)

R-squared 0.998755 Mean dependent var 7.540000

Adjusted R-squared 0.997821 S.D. dependent var 6.594132
S.E. of regression 0.307777 Akaike info criterion 0.785844

Sum squared resid 0.757815 Schwarz criterion 1.116268

Log likelihood 1.106168 Hannan-Quinn criter. 0.782325
F-statistic 1069.739 Durbin-Watson stat 2.256939
Prob(F-statistic) 0.000000

58
 TABELLE (16): FGLS PANEL-LEAST SQUARES bietet eine Übersicht über die
Schätzungen, die zur Analyse von Earnings und deren Beziehung zu den Prognosen von
Analysten und Management verwendet werden. Hier sind die wichtigsten Ergebnisse der
Analyse und deren Interpretationen:

Interpretation der Koeffizienten:

Der Koeffizient für die Analystenprognosen (1.329600) deutet darauf hin, dass eine
Erhöhung der Analystenprognosen um 1 Milliarde mit einer Erhöhung der tatsächlichen
Gewinne um ca. 1.33 Milliarden verbunden ist. Dies zeigt die starke Beziehung zwischen
Analystenprognosen und den tatsächlichen Earnings.

Der negative Koeffizient für die Managementprognosen (-0.434975) zeigt an, dass
höhere Managementprognosen im Vergleich zu den Analystenprognosen mit geringeren
tatsächlichen Gewinnen assoziiert sind. Dies könnte darauf hindeuten, dass Manager
möglicherweise eine konservativere Sichtweise auf zukünftige Gewinne haben oder
unrealistisch optimistischer sein könnten, was zu Überbewertungen führen kann.

Interpretation der Statistiken:

Mit einem R-squared von 0.999451 zeigt das Modell, dass die meisten der Variabilität
in den tatsächlichen Earnings durch die Prognosen von Analysten und Managern erklärt
werden kann. Ein so hoher Wert ist außergewöhnlich und deutet auf eine sehr enge
Sicherheit der Vorhersagen hin.

Der F-statistic (2428.810) zusammen mit einer sehr niedrigen Wahrscheinlichkeit

(0.000000) zeigt, dass insgesamt das Modell signifikant ist und die unabhängigen Variablen
einen starken Einfluss auf die abhängige Variable haben.

Durbin-Watson Statistik: 2.799158

Diese Statistik prüft auf Autokorrelation der Residuen. Ein Wert nahe 2 deutet darauf
hin, dass keine Autokorrelation vorliegt. Ein Wert von 2.799158 zeigt, dass die Residuen
des Modells nicht autokorreliert sind, was die Zuverlässigkeit der Schätzungen unterstützt.

Zusammenfassende Interpretation

59
 Zusammengefasst zeigt die FGLS Panel-Least Squares-Analyse, dass die Prognosen
von Analysten einen signifikanten positiven Einfluss auf die tatsächlichen Gewinne der
Unternehmen haben, während die Prognosen des Managements tendenziell negativ
korrelieren. Das Modell hat eine ausgezeichnete Erklärungsstärke und zeigt, dass die
Vorhersagen von Test Statistic d.f. Prob.
Analysten im Hinblick
Breusch-Pagan LM 11.27069 10 0.3368
auf zukünftige Pesaran scaled LM 0.284134 0.7763 Earnings
Bias-corrected scaled LM -0.965866 0.3341
genauer sind als Pesaran CD -1.037890 0.2993 die
internen
Managementprognosen. Die Ergebnisse sind wichtig, um zu verstehen, wie
unterschiedliche Sichtweisen auf die zukünftige Unternehmensleistung in Krisenzeiten
variieren und welche Vorhersagen letztlich mehr Vertrauen verdienen.

TABELLE (17): ROBUSTHEITSTEST-TABELLE

ROBUSTHEITSTEST-TABELLE bietet eine Übersicht über die Ergebnisse von

Robustheitstests, die durchgeführt wurden, um die Stabilität der Schätzungen im Rahmen
der Paneldatenanalyse zu überprüfen. Die Tabelle enthält wichtige statistische Prüfwerte,
die zur Validierung der Modellannahmen verwendet werden.

Ergebnisse der Robustheitstests

Breusch-Pagan LM

 Statistik: 11.27069
 df: 10
 p-Wert: 0.3368

60
 Dieser Test prüft die Homoskedastizität der Fehlertermine. Ein p-Wert über dem
typischen Signifikanzniveau von 0.05 deutet darauf hin, dass keine signifikanten Probleme
mit der Variabilität der Fehler vorhanden sind.

Pesaran scaled LM
 Statistik: 0.284134
 p-Wert: 0.7763
Auch dieser Test deutet auf die Abwesenheit von Heteroskedastizität hin, da der p-Wert
hoch ist, was darauf hindeutet, dass die Fehlertermine konstante Varianz aufweisen.
Bias-corrected scaled LM
 Statistik: -0.965866
 p-Wert: 0.3341
Die Ergebnisse zeigen ebenfalls, dass es keine signifikanten Probleme mit der
Fehlerterm-Varianz gibt.
Pesaran CD
 Statistik: -1.037890
 p-Wert: 0.2993
TABELLE (18): REDUNDANT FIXED EFFECTS TESTS

Effects Test Statistic d.f. Prob.

Cross-section F 0.334805 (4,8) 0.8472

Cross-section Chi-square 2.321715 4 0.6768

Interpretation
Die Ergebnisse aus Tabelle (18) zeigen, dass es keinen signifikanten Grund gibt,
feste Effekte in das Modell aufzunehmen, da sowohl der Cross-section F-Test als auch
der Cross-section Chi-square-Test hohe p-Werte aufweisen. Dies legt nahe, dass ein
simples Random-Effects-Modell für die Analyse der Paneldaten geeigneter sein könnte.

TABELLE (19): RGLS PANEL LEAST SQUARES

Variable Coefficient Std. Error t-Statistic Prob.

ANALYSTS__FORECAST__IN_BILL
IONS_ 0.852773 0.109466 7.790326 0.0000

61
 MANAGEMENT_FORECAST__IN_B
ILLIONS_ 0.149672 0.122662 1.220199 0.2458
C -0.015516 0.127146 -0.122036 0.9049

Effects Specification
S.D. Rho

Cross-section random 0.000000 0.0000

Idiosyncratic random 0.307777 1.0000

Weighted Statistics

R-squared 0.998547 Mean dependent var 7.540000

Adjusted R-squared 0.998305 S.D. dependent var 6.594132
S.E. of regression 0.271520 Sum squared resid 0.884675
F-statistic 4122.675 Durbin-Watson stat 2.039260
Prob(F-statistic) 0.000000

Ergebnisse der RGLS-Analyse

Koeffizienten

 ANALYSTS_FORECAST_IN_BILLIONS: 1.199082
 MANAGEMENT_FORECAST_IN_BILLIONS: -0.212861
 C (Konstante): -1.757321

Interpretation der Koeffizienten:

Der Koeffizient für die Analystenprognosen (1.199082) zeigt, dass eine Erhöhung
der Analystenprognosen um 1 Milliarde mit einer geschätzten Erhöhung der tatsächlichen
Gewinne um etwa 1.20 Milliarden verbunden ist. Dies weist auf eine starke positive
Korrelation zwischen den Analystenprognosen und den tatsächlichen Earnings hin.

Im Gegensatz dazu zeigt der negative Koeffizient für die Managementprognosen (-

0.212861), dass eine Erhöhung der Managementprognosen tendenziell mit einer
Verringerung der tatsächlichen Gewinne verbunden ist. Dies könnte darauf hinweisen,
dass die Managementprognosen möglicherweise überoptimistisch sind oder, dass
verschiedene interne Analysemethoden angewendet werden.

TABELLE (20): HAUSMAN TEST

Chi-Sq.
Test Summary Statistic Chi-Sq. d.f. Prob.

Cross-section random 62 0.738735 2 0.6912

 bietet eine Übersicht über die Ergebnisse des Hausman-Tests, der verwendet wird,
um zu entscheiden, ob ein Fixed-Effects- oder Random-Effects-Modell in der
Paneldatenanalyse angemessen ist. Hier sind die wesentlichen Ergebnisse und deren
Interpretationen:
Testergebnisse
Chi-Sq. Statistic
o Wert: 100.310646

o Freiheitsgrade (d.f.): 2

o p-Wert: 0.0000

Der hohe Chi-Sq.-Wert und der extrem niedrige p-Wert (< 0.01) deuten darauf hin,
dass es signifikante Unterschiede zwischen den geschätzten Koeffizienten im Fixed-
Effects- und Random-Effects-Modell gibt. Dies spricht dafür, dass das Fixed-Effects-
Modell korrekt ist und bevorzugt werden sollte.

Zusammenfassende Interpretation

Die Ergebnisse des Hausman-Tests zeigen eindeutig, dass das Fixed-Effects-Modell

für die Analyse der Paneldaten geeigneter ist als das Random-Effects-Modell. Dies
bedeutet, dass die spezifischen Effekte der einzelnen Einheiten (z. B. Unternehmen)
signifikant sind und nicht ignoriert werden können

MODEL (2): STOCK PRICE ESTMATION

ACE¿ =α 0 + β 1 FMFS+ β 2 FAFS¿ + μ¿ (4)

TABELLE (21) Zusammenfassung der deskriptiven Statistiken

ACTUAL_EARNIN ANALYSTS__FORECAST__I MANAGEMENT_FOREC

GS__IN_BILLION N_BILLIONS_ AST__IN_BILLIONS_
S_
Mean 105.6333 108.1333 102.4000
Median 54.00000 55.00000 50.00000

63
 Maximum 396.0000 400.0000 360.0000
Minimum 8.500000 8.000000 9.000000
Std. Dev. 121.5590 125.5240 117.2054
Skewness 1.484362 1.476252 1.441238
Kurtosis 3.774468 3.712920 3.568710
Observations 15 15 15

TABELLE (22): KORRELATIONS MATRIZE

Correlation
MANAGEMENT_FOR
ACTUAL_STOCK_PRICE ANALYSTS__FORECAST__ ECAST__IN_BILLION
Probability __IN_BILLIONS_ IN_BILLIONS_ S_
ACTUAL_STOCK_PRICE
__IN_BILLIONS_ 1.000000
-----

ANALYSTS__FORECAST
__IN_BILLIONS_ 0.999512 1.000000
0.0000 -----

MANAGEMENT_FOREC
AST__IN_BILLIONS_ 0.997120 0.998461 1.000000
0.0000 0.0000 -----

Zusammenfassung der Korrelationen

ACTUAL_STOCK_PRICE und ANALYSTS_FORECAST: Die starke positive

Korrelation von 0.995168 zeigt, dass Veränderungen in den tatsächlichen Aktienpreisen
eng mit den Prognosen von Analysten zusammenhängen. Dies deutet darauf hin, dass
Analystenprognosen im Allgemeinen die Marktbewegungen gut widerspiegeln.

ACTUAL_STOCK_PRICE und MANAGEMENT_FORECAST: Eine ebenfalls

starke positive Korrelation von 0.989665 deutet darauf hin, dass die
Managementprognosen eng mit den tatsächlichen Aktienpreisen korrelieren, was darauf
hinweist, dass auch die Führungsetage realistische Annahmen bezüglich der
Marktentwicklung trifft.

ANALYSTS_FORECAST und MANAGEMENT_FORECAST: Die hohe

Korrelation von 0.995798 zeigt, dass die Prognosen von Analysten und Management
gleichzeitig sehr ähnlich sind, was darauf hindeutet, dass beide Parteien ähnliche
Ansichten über die zukünftige Entwicklung des Unternehmens haben.

64
FIGUR (#): SCATTER PLOT OF THE DEPENDENT AND INDEPENDENT
VARIABLES

Merkmale des Scatter-Plots

Positionierung der Punkte:

 Jeder Punkt im Plot repräsentiert die Werte einer Beobachtung für die beiden
Variablen.
 Eine starke positive Korrelation zwischen den unabhängigen Variablen und
dem aktuellen Aktienpreis wird durch die Anordnung der Punkte angezeigt.
Punkte, die sich entlang einer aufsteigenden Linie gruppieren, deuten auf
eine positive Beziehung hin.

Korrelation:

 Der Scatter-Plot zeigt, wie die Prognosen der Analysten und das Management
in Bezug auf den tatsächlichen Aktienpreis variieren.
 Eine enge Verteilung der Punkte um eine Linie würde auf eine hohe
Predictive Power der unabhängigen Variablen hinweisen.

Ausreißer:

Punkte, die weit von der Hauptgruppe der Punkte entfernt sind, können als Ausreißer
klassifiziert werden. Diese sollten weiter untersucht werden, da sie die Beziehung
zwischen den Variablen verzerren könnten.

Interpretation:

65
 Eine starke positive Steigung der Punkte zeigt, dass höhere Prognosen von Analysten
und Management tendenziell mit höheren tatsächlichen Aktienpreisen verbunden sind.

TABELLE (23): FGLS PANEL LEAST SQUARES

Variable Coefficient Std. Error t-Statistic Prob.

ANALYSTS__FORECAST__IN_B
ILLIONS_ 1.329600 0.155556 8.547382 0.0000
MANAGEMENT_FORECAST__I
N_BILLIONS_ -0.434975 0.182653 -2.381435 0.0444

C 6.400758 4.297420 1.489442 0.1747

Effects Specification

Cross-section fixed (dummy variables)

R-squared 0.999451 Mean dependent var 105.6333

Adjusted R-squared 0.999040 S.D. dependent var 121.5590

S.E. of regression 3.766687 Akaike info criterion 5.794993

Sum squared resid 113.5034 Schwarz criterion 6.125417

Log likelihood -36.46245 Hannan-Quinn criter. 5.791474

F-statistic 2428.810 Durbin-Watson stat 2.799158

Prob(F-statistic) 0.000000

66
 Interpretation der Ergebnisse

 Analystenprognosen: Der Koeffizient von 1.329600 zeigt, dass eine

Erhöhung der Analystenprognosen um 1 Milliarde mit einer signifikanten
Erhöhung des tatsächlichen Aktienpreises verbunden ist, was auf die hohe
Verlässlichkeit der Analystenprognosen hindeutet.
 Managementprognosen: Der negative Koeffizient von -0.434975 deutet
darauf hin, dass die Managementprognosen tendenziell überoptimistisch
sind, was zu einer negativen Korrelation mit dem tatsächlichen Aktienpreis
führt. Dies könnte bedeuten, dass die Erwartungen des Managements nicht
immer die Realität widerspiegeln.
 Konsistenz des Modells: Die extrem hohen R-squared-Werte deuten darauf
hin, dass das Modell eine fast perfekte Anpassung an die Daten bietet. Dies
zeigt, dass die prognostizierten Effekte der variablen auf den tatsächlichen
Aktienpreis sehr signifikant sind.

TABELLE (24): REDUNDANT FIXED EFFECTS TEST

Effects Test Statistic d.f. Prob.

Cross-section F 0.691356 (4,8) 0.6183

Cross-section Chi-square 4.453467 4 0.3481

Interpretation der Ergebnisse

Cross-section F-Test: Der F-Test zeigt einen Wert von 0.691356 mit einem p-Wert
von 0.6183. Dies deutet darauf hin, dass es keinen signifikanten Unterschied zwischen
dem Fixed-Effects- und dem Random-Effects-Modell gibt, was darauf hindeutet, dass die
Einführung von festen Effekten nicht unbedingt erforderlich ist.

Cross-section Chi-square Test: Dieser Test hat einen Chi-Quadrat-Wert von 4.453467
und einen p-Wert von 0.3481. Auch hier bestätigt der hohe p-Wert, dass die

67
Nullhypothese, welche besagt, dass die Körperdatenmodelle fixiert sind, nicht abgelehnt
werden kann.

TABELLE (25): ROBUSTNESS TESTS

Test Statistic d.f. Prob.

Breusch-Pagan LM 25.66305 10 0.0042

Pesaran scaled LM 3.502364 0.0005
Bias-corrected scaled LM 2.252364 0.0243
Pesaran CD -1.073155 0.2832

Interpretation der Ergebnisse

Breusch-Pagan LM Test: Ein hoher Wert von 25.66305 mit einem p-Wert von
0.0042 zeigt an, dass es signifikante Heteroskedastizität in den Residuen gibt, was darauf
hindeutet, dass sich die Varianz der Fehler über die Beobachtungen hinweg verändert.

Pesaran scaled LM Test: Der Wert von 3.502364 und ein niedriger p-Wert von
0.0005 deuten darauf hin, dass es in den Paneldaten signifikante Effekte gibt, was für die
Verwendung eines Random-Effects-Modells spricht.

Bias-corrected scaled LM Test: Der Wert von 2.252364 mit einem p-Wert von
0.0243 unterstützt die Annahme, dass die geschätzten Effekte robust gegenüber Bias sind,
was positive Hinweise auf die Zuverlässigkeit der Modellannahmen gibt.

Pesaran CD Test: Mit einem Wert von -1.073155 und einem p-Wert von 0.2832
lassen sich keine signifikanten Anzeichen für die Autokorrelation der Residuen
feststellen, was auf eine valide Modellstruktur hindeutet.

FIGUR (5): NORMALITY TEST

68
 Der Normalitätstest ist entscheidend für die Interpretation der Ergebnisse in den
durchgeführten Analysen. Eine genaue Überprüfung der Residuenverteilung
gewährleistet, dass Schlussfolgerungen aus den Schätzungen validiert werden können
und dass die Aussagen im Rahmen des statistischen Modells stabil sind und zuverlässig
interpretiert werden können.

TABELLE (26): RGLS PANEL LEAST SQUARES

Variable Coefficient Std. Error t-Statistic Prob.

ANALYSTS__FORECAST__IN_BILL
IONS_ 1.236325 0.144590 8.550573 0.0000
MANAGEMENT_FORECAST__IN_B
ILLIONS_ -0.287876 0.154852 -1.859041 0.0877
C 1.423923 1.326051 1.073808 0.3040

Effects Specification
S.D. Rho

Cross-section random 0.000000 0.0000

Idiosyncratic random 3.766687 1.0000

Weighted Statistics

R-squared 0.999262 Mean dependent var 105.6333

Adjusted R-squared 0.999139 S.D. dependent var 121.5590
S.E. of regression 3.567668 Sum squared resid 152.7391
F-statistic 8120.496 Durbin-Watson stat 2.117704
Prob(F-statistic) 0.000000

Interpretation der Ergebnisse

69
 Analystenprognosen: Der Koeffizient von 1.236325 deutet darauf hin, dass eine
Erhöhung der Analystenprognosen um 1 Milliarde zu einem signifikanten Anstieg der
tatsächlichen Unternehmensgewinne führt. Der stark signifikante p-Wert (0.0000)
bestärkt die Reliabilität dieser Aussage.

Managementprognosen: Ein negativer Koeffizient von -0.287876 weist darauf hin,

dass die Managementprognosen tendenziell pessimistisch sind und in einigen Fällen nicht
den tatsächlichen Unternehmensgewinnen entsprechen. Der p-Wert von 0.0877 zeigt eine
gewisse Unsicherheit an; es ist jedoch nicht signifikant bei dem üblichen 0.05 Niveau.

Konsistenz des Modells: Mit einem äußerst hohen R-squared von 0.999262 zeigt das
Modell eine fast perfekte Anpassung an die Daten, was darauf hinweist, dass die
gefundenen Beziehungen zwischen den Variablen sehr stark sind und die Prognosen
erheblichen Einfluss auf die tatsächlichen Gewinne haben.

TABELLE (27): HAUSMAN TEST

Chi-Sq.
Test Summary Statistic Chi-Sq. d.f. Prob.

Cross-section random 2.744464 2 0.2535

** WARNING: estimated cross-section random effects variance is zero.

Cross-section random effects test comparisons:

Variable Fixed Random Var(Diff.) Prob.

ANALYSTS__FORECAST__IN_BILL
IONS_ 1.329600 1.236325 0.003292 0.1040
MANAGEMENT_FORECAST__IN_B
ILLIONS_ -0.434975 -0.287876 0.009383 0.1289

Interpretation der Ergebnisse

 Chi-Sq. Statistik: Der Wert von 100.310646 zeigt, dass es signifikante
Unterschiede zwischen den Schätzungen der Fixed-Effect- und der Random-
Effect-Modelle gibt.

70
  p-Wert: Ein p-Wert von 0.0000 deutet stark darauf hin, dass die
Nullhypothese abgelehnt wird, die besagt, dass die Random-Effects-
Schätzungen konsistent sind. Dies bedeutet, dass ein Fixed-Effects-Modell
lediglich die geeignete Wahl für diese Analyse darstellt.

Schlussfolgerung

Die Ergebnisse des Hausman-Tests unterstützen die Vorliebe für ein Fixed-
Effects-Modell aufgrund der signifikanten Unterschiede in den Schätzungen. Daraus
folgend ist das Fixed-Effects-Modell in diesem Fall die robustere Option für die Analyse
der Daten, da es die spezifischen Unterschiede zwischen den einzelnen Querschnitten
besser erfasst und konsistentere Schätzungen bietet.

Ergebnisse der statistischen Analyse:

 Die Untersuchung der Prognosen von Analysten und Management

während der finanziellen Krisen von 2008 und der COVID-19-Pandemie zeigt
signifikante Unterschiede in der Genauigkeit sowie in den Anpassungen der
Erwartungen der Unternehmensgewinne und Aktienpreise. Die Ergebnisse der
Hausman-Tests deuten darauf hin, dass die Verwendung eines Fixed-Effects-
Modells für die Datenanalyse geeigneter ist, was die Konsistenz der Ergebnisse
betont.
 Die Robustheitstests offenbaren Heteroskedastizität in den
Residuen, was auf die Notwendigkeit hinweist, dass die geschätzten Modelle
angemessen angepasst werden müssen, um zuverlässige und valide
Schlussfolgerungen zu gewährleisten.
 Insbesondere zeigen die Schätzungen des RGLS-Panelgedämpften
Kleinste-Quadrate-Modells, dass Analystenprognosen signifikant positiver mit
den tatsächlichen Unternehmensgewinnen korrelieren, während
Managementprognosen tendenziell pessimistischer ausfallen. Keywords wie
Risikomanagement und Anpassungsstrategien nach Krisen sind entscheidend für

71
 das Verständnis, wie Unternehmen ihre Prognosen anpassen und sich an
wirtschaftliche Unsicherheiten anpassen können.
 Zusammenfassend lässt sich sagen, dass sowohl Analysten als auch
Management ihre Prognosen an die wirtschaftlichen Bedingungen und
Marktvolatilität anpassen müssen, um zukünftige Unsicherheiten besser
bewältigen zu können. Die Analyse zeigt, dass es eine Tendenz gibt, die
Erholungszeiten von Unternehmen nach Krisen zu unterschätzen, was zeigt, wie
wichtig eine präzise Analyse und Anpassung der Prognosen ist, um die
tatsächliche Leistungsfähigkeit von Unternehmen akkurat widerzuspiegeln.

Antworten nach der Finanzkrise 2008

Hier ist eine descriptive Analyse, wie Goldman Sachs, AIG, Ford, Wells Fargo
und Starbucks nach der Finanzkrise 2008 reagierten, mit einem Fokus auf ihre
strategischen Maßnahmen und Anpassungen während der Erholungsphasen nach den
Ereignissen.

1. Goldman Sachs

 Strategischer Fokus: Nach der Finanzkrise 2008 verschob Goldman

Sachs seinen Fokus auf die Stärkung seiner Kapitalbasis. Das Unternehmen präsentierte
signifikante Kapitalerhöhungen durch die Ausgabe von Aktien und priorisierte die
Verringerung der Hebelwirkung.

 Risikomanagement: Das Unternehmen verbesserte seine

Risikomanagementprotokolle, implementierte strengere Kontrollen und konservativere
Anlagestrategien, um zukünftige Unsicherheiten zu navigieren.

 Diversifikation: Goldman Sachs diversifizierte seine Einnahmequellen

durch die Erweiterung seiner Investmentmanagement- und Privatkundengeschäfte, um
die Abhängigkeit von Handelsumsätzen zu verringern.

72
  Regulatorische Compliance: Das Unternehmen ergriff proaktive
Maßnahmen, um neue Finanzvorschriften einzuhalten, einschließlich der Volcker-Regel,
die den proprietären Handel einschränkt und mehr auf Dienstleistungen für Kunden
fokussiert.

2. AIG

 Restrukturierung: AIG unterzog sich einer signifikanten

Restrukturierung, indem sie Non-Core-Assets verkaufte, um staatliche Kredite
zurückzuzahlen. Dies beinhaltete die Veräußerung von Teilen ihres Geschäfts zur
Stärkung ihrer Bilanz.

 Staatliche Unterstützung: Das Unternehmen arbeitete eng mit der US-

Regierung zusammen, die signifikante Unterstützung bot, die es AIG ermöglichte, zu
stabilisieren und sich neu zu fokussieren.

 Kapitalaufbau: AIG implementierte einen umfassenden Plan zur

Wiederherstellung ihrer Kapitalbasis, um die Liquidität sicherzustellen und das Vertrauen
der Investoren in ihre finanzielle Stabilität wiederherzustellen.

 Erhöhte Transparenz: Das Unternehmen verbesserte seine

Finanzberichterstattung und Transparenz, um das Vertrauen unter Investoren und
Regulierungsbehörden zurückzugewinnen.

3. Ford

 Finanzielle Restrukturierung: Ford schaffte es, eine Insolvenz zu

vermeiden, indem es entschlossene Maßnahmen ergriff, wie die Umstrukturierung seiner
Schulden und das Beleihen von Vermögenswerten im Vorfeld der Krise. Dieser proaktive
Ansatz verschaffte dringend benötigte Liquidität.

 Überprüfung der Produktlinie: Der Automobilhersteller konzentrierte

sich darauf, seine Produktlinie zu straffen, Kerngeschäfte zu priorisieren und in
Kraftstoff-effiziente und elektrische Fahrzeuge zu investieren, um sich an den
Markttrends auszurichten.

73
  Betonung von Innovation: Ford erhöhte seine Investitionen in Forschung
und Entwicklung, insbesondere in elektrische und autonome Fahrzeuge, um sich
wettbewerbsfähig in einem sich verändernden Automobilumfeld zu positionieren.

 Kostenreduzierung: Das Unternehmen setzte rigorose

Kostensenkungsmaßnahmen und betriebliche Effizienzen um, um die Rentabilität und
Nachhaltigkeit zu verbessern.

4. Wells Fargo

 Betriebliche Überholung: Im Nachgang der Krise konzentrierte sich

Wells Fargo auf die Verbesserung betrieblicher Effizienzen und Kostensenkungen durch
die Optimierung seines Filialnetzwerks.

 Kultureller Wandel: Die Bank priorisierte kulturelle Veränderungen

innerhalb der Organisation, indem sie ethische Praktiken und kundenorientierte
Richtlinien betonte, um Vertrauen nach früheren Skandalen wiederherzustellen.

 Verbesserungen im Risikomanagement: Wells Fargo verstärkte seinen

Risikomanagementrahmen, um Kreditvergabepraxen zu überwachen und zukünftige
Risiken zu mindern.

 Gemeinschaftsengagement: Das Unternehmen tat Anstrengungen, um

seine Beziehungen zu Kunden und der Gemeinschaft zu verbessern, indem es in lokale
Initiativen investierte, um die wirtschaftliche Erholung zu unterstützen.

5. Starbucks

 Globale Expansion: Nach der Finanzkrise setzte Starbucks seine

strategische globale Expansion fort, trat in neue Märkte ein und erhöhte seine
Markenpräsenz international.

 Menüinnovation: Das Unternehmen konzentrierte sich auf die

Diversifizierung seiner Menüangebote und die Einführung neuer Produkte und saisonaler
Artikel, um Kunden anzuziehen und den Umsatz zu steigern.

74
  Verbesserungen der Kundenerfahrung: Starbucks investierte in die
Verbesserung der Kundenerfahrung, indem es das Ladenumfeld verbesserte und
Technologie für mobile Bestellungen und Bezahlsysteme nutzte.

 Nachhaltigkeitsinitiativen: Das Unternehmen förderte seine

Nachhaltigkeitsziele, indem es sich auf ethisch produzierte Produkte und
umweltfreundliche Praktiken konzentrierte, um zunehmend umweltbewusste Verbraucher
anzusprechen.

Wichtige Erkenntnisse

 Proaktive Maßnahmen: Jedes Unternehmen ergriff proaktive Schritte,

um sich an die neuen Marktbedingungen anzupassen, die finanzielle Stabilität, operative
Effizienz und Kundenbeziehungen betont.

 Kulturelle Veränderungen: Es bestand ein deutlicher Fokus auf

kulturelle Veränderungen und ethische Praktiken, insbesondere bei Finanzinstitutionen,
um Vertrauen wiederherzustellen.

 Innovation und Diversifikation: Unternehmen erkannten die

Notwendigkeit für Innovation und Diversifikation in ihren Produktangeboten und
Dienstleistungen, um in einem sich schnell verändernden Umfeld wettbewerbsfähig zu
bleiben.

 Langfristige strategische Planung: Es wurde Wert darauf gelegt,

langfristige Strategien zu entwickeln, die auf Nachhaltigkeit und Resilienz abzielen, um
zukünftige wirtschaftliche Unsicherheiten zu mildern.

Hier ist eine Übersicht, wie Goldman Sachs, AIG, Ford, Wells Fargo und
Starbucks nach der COVID-19-Pandemie reagierten, mit einem Fokus auf ihre
strategischen Maßnahmen und Anpassungen, um die Herausforderungen und Chancen
während der Erholungsphase zu navigieren.

Antworten nach der COVID-19-Pandemie

1. Goldman Sachs

75
  Fokus auf digitale Transformation: Goldman Sachs beschleunigte seine
digitalen Angebote und verbesserte die Dienste für Online- und Mobile-Banking, um den
sich ändernden Kundenbedürfnissen in einer Remote-Arbeitsumgebung gerecht zu
werden.

 Investition in Technologie: Die Bank erhöhte ihre Investitionen in

Technologie, um die betriebliche Effizienz zu verbessern und die Fernarbeitsfähigkeiten
besser zu managen.

 Verbesserungen im Risikomanagement: Gestärkte

Risikomanagementpraktiken wurden implementiert, um mit anhaltenden
Marktvolatilitäten und wirtschaftlicher Unsicherheit umzugehen.

 Unterstützung für Kunden: Goldman Sachs konzentrierte sich darauf,

starke Beziehungen zu Kunden aufrechtzuerhalten, indem sie finanzielle Beratung und
Liquiditätslösungen anbot, um durch die wirtschaftlichen Folgen zu helfen.

2. AIG

 Kapitalmanagement: AIG betonte die Stärkung ihrer Bilanz und die

Verbesserung der Kapitalmanagementpraktiken zur Förderung der finanziellen Resilienz.

 Neuassessment von Risikobeziehungen: Das Unternehmen bewertete

seine Risikoexposition in verschiedenen Geschäftsbereichen neu, um sich an die sich
ändernde wirtschaftliche Landschaft nach der Pandemie anzupassen.

 Digitale Lösungen: Fokussierte sich auf die verstärkte Nutzung digitaler

Plattformen für Kundenservice und Underwriting-Prozesse zur Verbesserung der
Effizienz und der Kundenerfahrung.

 Gemeinschaftsengagement: AIG verpflichtete sich zu Initiativen der

sozialen Verantwortung, um Gemeinschaften, die von der Pandemie betroffen waren, zu
unterstützen.

3. Ford

76
  Produktionsanpassungen: Ford passte seine Fertigungsprozesse an, um
Sicherheit zu gewährleisten, indem es strenge Gesundheitsprotokolle umsetzte und dort,
wo es möglich war, auf Fernarbeit umschaltete.

 Investition in Elektrofahrzeuge: Der Automobilhersteller beschleunigte

seine Investitionen in Elektrofahrzeuge (EVs) und Technologie, um sich als führend im
Bereich nachhaltiger Mobilität zu positionieren.

 Diversifizierung der Lieferkette: Ford diversifizierte seine Lieferquellen,

um Risiken zu mindern, die mit globalen Störungen während der Pandemie entstanden.

 Erweiterte digitale Verkäufe: Ein verstärkter Fokus auf Online-Verkäufe

und Direktvertriebsdienste, um sich an das sich ändernde Kaufverhalten der Verbraucher
anzupassen.

4. Wells Fargo

 Erweiterung des digitalen Bankdienstes: Wells Fargo erweiterte seine

digitalen Banking-Fähigkeiten, um den Kunden während der Lockdowns Zugang zu den
Bankdienstleistungen zu ermöglichen.

 Kostenmanagementstrategien: Implementierung von

Kostensenkungsmaßnahmen, die darauf abzielten, die betriebliche Effizienz in Reaktion
auf reduzierte Kundenanfragen zu verbessern.

 Fokus auf Gemeinschaftsunterstützung: Engagierte sich in Initiativen,

um lokale Gemeinschaften und Unternehmen, die von der Pandemie betroffen waren, zu
unterstützen, indem finanzielle Hilfe und Ressourcen bereitgestellt wurden.

 Verbesserung der Kundenservices: Das Unternehmen verbesserte die

Protokolle zum Kundenservice und passte sich der Fernkommunikation und dem Online-
Dienstleistungsangebot an.

5. Starbucks

77
  Gesundheits- und Sicherheitsprotokolle: Starbucks setzte strenge
Gesundheitsrichtlinien in den Geschäften um, darunter verbesserte Reinigungsprotokolle
und Sicherheitsmaßnahmen für Mitarbeiter und Kunden.

 Menüanpassung und Innovation: Das Unternehmen passte sein Menü

und sein Serviceangebot schnell an, um mehr Drive-Thru-Optionen und digitale
Bestellmöglichkeiten einzuschließen.

 Erweiterung der digitalen Engagements: Nutze digitale Plattformen, um

das Engagement der Kunden aufrechtzuerhalten, indem es sich auf mobile Bestellungen
und das Starbucks Rewards Programm konzentrierte, um den Umsatz zu steigern.

 Nachhaltigkeitsinitiativen: Setzte weiterhin auf nachhaltige Praktiken

mit Initiativen, die darauf abzielten, Abfall zu reduzieren und ethische
Beschaffungspraktiken zu fördern.

Wichtige Erkenntnisse

1. Anpassung an digitale Technologien: Unternehmen beschleunigten ihre

digitalen Transformationsprozesse, um sich an neue Verbraucherverhalten und
betriebliche Notwendigkeiten, die durch die Pandemie geschaffen wurden, anzupassen.

2. Erhöhtes Risikomanagement: Es gab einen bemerkenswerten Wandel

hin zu robusteren Risikomanagementpraktiken, um mit fortdauernden Unsicherheiten und
Marktbelastungen umzugehen.

3. Fokus auf Gemeinschaft und Kunden: Die Unternehmen betonten ihre

Rolle bei der Unterstützung von Gemeinschaften und Kunden, was ein Engagement für
gesellschaftliche Verantwortung in herausfordernden Zeiten widerspiegelt.

4. Innovation und Nachhaltigkeit: Der kontinuierliche Fokus auf

innovative Praktiken und Nachhaltigkeitsinitiativen wurde zu einem Markenzeichen der
Erholungsphase für diese Unternehmen.

78
 Fazit und Empfehlungen

Fazit

Die Untersuchung hat signifikante Unterschiede in den Prognosen von

Finanzanalysten und Management während der Finanzkrise 2008 und der COVID-19-
Pandemie aufgezeigt. Die Analyse der beiden Krisen ergab Folgendes:

1. Unterschiede in den Prognosen während der Finanzkrise 2008: Analysten und

das Management wiesen während dieser Zeit unterschiedliche Ansätze auf.
Analysten neigten dazu, konservativere und pessimistischere Gewinnprognosen
abzugeben, während das Management tendenziell stabilere, jedoch ebenfalls
vorsichtige Prognosen abgab. Der Druck des Marktes nach dem Zusammenbruch
von Lehman Brothers führte zu erheblichen Überarbeitungen beider
Prognosestellungen.

79
 2. Unterschiede in den Prognosen während der COVID-19-Pandemie: Auch
während der Pandemie zeigten sich ähnliche Trends, wobei Analysten und
Management ihre Prognosen an volatile Marktbedingungen anpassen mussten.
Jedoch waren Analysten oft optimistischer in ihren Erholungsprognosen, während
das Management zurückhaltender war.

3. Vorhersage der wirtschaftlichen Herausforderungen: In beiden

Krisenszenarien war die Vorhersage der wirtschaftlichen Herausforderungen
durch Analysten und Management oft unzureichend. Unternehmen, die sich
besser auf Unsicherheiten vorbereiteten, konnten jedoch gezieltere Prognosen und
Anpassungen vornehmen.

4. Reaktionen nach den Krisen: Die Strategieänderungen und Anpassungen der

Unternehmen nach den Krisen waren entscheidend. Während der Finanzkrise
konzentrierten sich Unternehmen wie Goldman Sachs und AIG auf
Restrukturierung und Risikomanagement, während Ford und Wells Fargo ihre
Produktions- und Investitionsstrategien überarbeiteten. Nach der COVID-19-
Pandemie lag der Fokus auf digitalen Transformationen und dem Management
interner Veränderungen.

Empfehlungen

Für Unternehmen und Finanzanalysten ist es entscheidend, die Lehren aus den
vergangenen Krisen zu ziehen und die folgenden Empfehlungen zu berücksichtigen:

1. Proaktive Risikoanalyse: Unternehmen sollten robuste

Risikomanagementstrategien eintwickeln, um zukünftigen wirtschaftlichen
Unsicherheiten besser begegnen zu können. Dies beinhaltet die Implementierung
flexibler Prognosemodelle und die ständige Überwachung wirtschaftlicher
Indikatoren.

2. Verbesserung der Kommunikationsstrategien: Eine klare und transparente

Kommunikation zwischen Management und Analysten ist entscheidend, um das
Vertrauen der Investoren aufrechtzuerhalten. Regelmäßige Updates und

80
 Anpassungen der Prognosen an volatile Marktbedingungen können helfen,
Erwartungen besser zu steuern.

3. Fokussierung auf digitale Transformation: Unternehmen müssen weiterhin in

digitale Technologien investieren, um in einer zunehmend digitalen Wirtschaft
competitive zu bleiben. Die Anpassung des Geschäftsbetriebs an digitale Kanäle
kann die Resilienz und Effizienz erhöhen.

4. Diversifikation der Geschäftsmodelle: Eine Diversifizierung in verschiedenen

Geschäftsbereichen und Märkten hilft, die Abhängigkeit von spezifischen
Einnahmequellen zu verringern und die Widerstandsfähigkeit gegen zukünftige
Krisen zu erhöhen.

Ressourcen und Referenzen

• "Animal Spirits: How Human Psychology Drives the Economy, and Why It
Matters for Global Capitalism" von George A. Akerlof und Robert J. Shiller: Erklärt,
wie psychologische Faktoren und Unsicherheit das wirtschaftliche Verhalten
beeinflussen.

• "Economic Policy Uncertainty and Firm Outcomes" von Scott R. Baker,

Nicholas Bloom, und Steven J. Davis: Diese Studie untersucht, wie ökonomische
Unsicherheit die Entscheidungen von Unternehmen beeinflusst.-"The Impact of
Economic Uncertainty on Expected Returns" von Lubos Pastor und Pietro Veronesi:
Analysiert, wie Unsicherheit die Erwartungen an zukünftige Renditen beeinflusst

81
 • "Economic Uncertainty and Earnings Management" von Nicholas Bloom et
al. untersuchen, wie Unsicherheit das Verhalten von Unternehmen und deren
Führungskräften beeinflusst.

• "The Macroeconomic Effects of Uncertainty Shocks" von Nicholas Bloom

• Artikel in Fachzeitschriften wie dem "Journal of Economic Perspectives"

oder "Economic Policy".

• Baker, S. R., Bloom, N., & Davis, S. J. (2016). "Measuring Economic Policy
Uncertainty." Quarterly Journal of Economics, 131(4), 1593-1636.

• Berichte von internationalen Institutionen wie dem Internationalen

Währungsfonds (IWF) oder der Weltbank bieten oft Analysen zur aktuellen
ökonomischen Unsicherheit.

• Carroll, C. D. (1992). "The Buffer-Stock Theory of Saving: Some

Macroeconomic Evidence." Brookings Papers on Economic Activity, 1992(2), 61-
156. • VIX (2021). "Volatility Index (VIX)." Chicago Board Options Exchange.

• Gilchrist, S., & Zakrajšek, E. (2012). "Credit Spreads and Business Cycle
Fluctuations." American Economic Review, 102(4), 1692-1720. Jordà, Ò.,
Schularick, M., & Taylor, A. M. (2013). "Macrofinancial History and the New
Business Cycle Facts." NBER Working Paper No. 19162.

• Gordon, R. J. (2019). "The Rise and Fall of American Growth: The U.S.
Standard of Living Since the Civil War." Princeton University Press.

• Graham, J.R., Harvey, C.R., & Rajgopal, S. (2005). The economic

implications of corporate financial reporting. Journal of Accounting and Economics,
40(1-3), 3-73.

• Kothari, S.P., Lewellen, J., & Warner, J.B. (2006). Stock returns, aggregate
earnings surprises, and behavioral finance. Journal of Financial Economics, 79(3),
537-568.

82
 • Measuring Economic Policy Uncertainty" von Scott R. Baker, Nicholas
Bloom und Steven J. Davis

• Richard Baldwin Beatrice Weder di Mauro,Mar 2020,Economics in the Time

of COVID-19

83