Themenvorschläge
Vor Beginn einer Masterarbeit empfehlen wir den Besuch einer E-Finance-Vorlesung mit mindestens gutem Ergebnis. Auf dieser Seite werden Empfehlungen für Masterarbeiten veröffentlicht. Bei Interesse an einem dieser Themen oder eigenen Vorschlägen wenden Sie sich bitte an Prof. Dr. Gomber oder den jeweiligen Betreuer.
Der Einfluss untertägiger Tick-Size-Änderungen gemäß des MiFID II Tick- Size-Regimes auf die Marktqualität
Die Tick Size bezeichnet die kleinste mögliche Preisänderung eines Wertpapiers und spielt eine zentrale Rolle für die Preisbildung und Liquidität an Finanzmärkten. Änderungen der Tick Size können die Marktqualität beeinflussen, indem sie unter anderem die Handelskosten, zum Beispiel in Form von der Geld-Brief-Spanne, direkt beeinflussen. Im Rahmen dieser Masterarbeit soll untersucht werden, inwieweit untertägige Tick-Size-Anpassungen gemäß des MiFID II Tick-Size-Regimes die Marktqualität einzelner Wertpapiere beeinflussen. Dazu werden relevante Marktqualitätsparameter wie zum Beispiel das Handelsvolumen oder die Geld-Brief-Spanne im Rahmen einer Event-Studie oder eines Differenz-von-Differenzen-Ansatzes analysiert. Für die Bearbeitung sind grundlegende Programmierkenntnisse oder die Bereitschaft, sich diese anzueignen, erforderlich.
Clustering von Strategic Runs
Die Finanzmärkte sind heute stark automatisiert und der Großteil aller Handelsaufträge wird von Algorithmen gesteuert. In den Marktdaten lassen sich dabei aufschlussreiche Muster beobachten.
Ein besonders auffälliges Phänomen ist die schnelle Abfolge von eingehenden und unmittelbar wieder stornierten Orders innerhalb von Sekundenbruchteilen. In der Fachliteratur wird ein derartiger Zyklus auch als „Strategic Run“ bezeichnet. Ein Strategic Run kann unter anderem durch das Aufeinandertreffen konkurrierender Handelsalgorithmen im Hochfrequenzhandel entstehen.
Der kurze Zeitraum von Sekunden bis hin zu wenigen Millisekunden in dem diese Runs stattfinden verdeutlicht, dass auf modernen Finanzmärkten in erster Linie Algorithmen miteinander interagieren und weit weniger Handel von menschlichen Marktteilnehmern ausgeht. Während frühere Studien Strategic Runs bereits als starken Indikator für Hochfrequenzhandel identifiziert und deren Auswirkungen auf die Marktqualität untersucht haben, sind die dahinterliegenden Motive sowie mögliche Clusterbildungen bislang kaum erforscht.
Ziel dieser Masterarbeit ist es, Strategic Runs mithilfe umfangreicher Limit-Order-Buch-Daten deutscher Blue-Chip-Aktien zu identifizieren und zu clustern. Durch den Einsatz etablierter Erkennungsalgorithmen und Clustering-Techniken soll die ökonomische Relevanz dieser Muster beleuchtet und das Verständnis für die ihnen zugrunde liegenden algorithmischen Handelsstrategien vertieft werden.
Für die Bearbeitung sind grundlegende Programmierkenntnisse oder die Bereitschaft, sich diese anzueignen, erforderlich.
The Impact of Triggering Threshold Disclosure on the Magnet Effect of Volatility Interruptions
Volatility interruptions are key market design tools employed by exchanges to curb excessive short-term price fluctuations and ensure orderly trading. A well-documented behavioral response to these market safeguards is the magnet effect, whereby prices accelerate toward the known threshold as traders adjust their strategies in anticipation of a trading pause. While most academic research has focused on identifying the presence of the magnet effect, the role of information transparency, particularly the disclosure of triggering price thresholds, remains underexplored. This Master’s thesis will provide empirical evidence on this issue by exploiting a natural experiment at Deutsche Börse, which until now has not disclosed the specific thresholds of its volatility interruption mechanism but will do so from November 2025 onwards.
Price Impact of Retail Trades
The price impact of trades serves as a key measure of their informational content for financial markets. Traditional market microstructure theory suggests that retail traders are, on average, less informed than institutional investors, resulting in a lower price impact of their trades. This Master’s thesis aims to empirically test this hypothesis using transaction-level data from Deutsche Börse’s Xetra Retail mechanism. The analysis will compare the price impact of trades executed via the Xetra Retail mechanism with those in the main Xetra order book. Moreover, regression analysis shall be used to identify the drivers of price impact, such as trade size, market conditions, and security characteristics, and potential price impact differences between retail trades and all other trades on Xetra
The Effects of the Trump Election on Firms’ ESG Communication and Investor Reactions: A Natural Language Processing Analysis
Untersuchung, ob sich Intraday-Handelsmuster (z. B. Volumenverteilung, Volatilität, Bid-Ask-Spreads) in den Jahren 2020–2022 signifikant verändert haben. Besonderer Fokus auf mögliche Home-Office-Effekte: Morgens früher aktiver Handel? Geringere Mittagspausen-Delle? Späterer Handelsschluss stärker genutzt? Vergleich mit Vor-Corona-Jahren (z. B. 2018–2019) als Kontrollperiode.
Empirical Analysis of the Impact of Speculative Triggered Orders on Market Quality
Speculative triggered orders are a salient feature of modern electronic markets: they are submitted so quickly that, given speed-of-light and system delays, they cannot be reactions to the most recent published quote or trade. These anticipatory orders operate at the physical limits of information transmission and may either aid price discovery or undermine market quality by widening spreads, thinning depth, and amplifying short-horizon volatility. Yet despite extensive work on high-frequency trading, the causal impact of this trading behavior remains underexplored. This Master’s thesis will provide empirical evidence on this issue by identifying speculative triggered orders in high-frequency limit order book data by exploiting known physical system latencies to quantify their effect on overall market quality especially spreads, depth, and short-horizon price efficiency.
Evaluation of Return Predictability of different Price Measures using Machine Learning
Different intraday price measures, such as last trade, midpoint, quantity-weighted midpoint, and the microprice, serve as proxies for the latent efficient price but differ in their susceptibility to microstructure noise and other market frictions. These differences manifest in short‑horizon return predictability: more efficient measures produce returns closer to a random walk and thus exhibit lower predictability. While prior research often relies on linear regressions, the relative efficiency of alternative price measures under modern machine learning forecasters remains underexplored. This Master’s thesis will provide empirical evidence on this issue by training and rigorously evaluating nonlinear machine learning models on high‑frequency features to predict short‑horizon returns defined from competing price measures to compare out‑of‑sample predictability. By ranking measures by predictive content and analyzing how results vary with sampling frequency, forecast horizon, and market conditions, the study will deliver a data‑driven assessment of price efficiency.