Finanzökonomie

Unsere Lehrschwerpunkte liegen im Bereich der empirischen Kapitalmarktforschung, Portfolio- und Risikomanagement, sowie quantitativer Methoden in Finance, mit einem besonderen Schwerpunkt im Bereich Programmieren mit R. 

Unseren Unterricht gestalten wir interaktiv und studierendenzentriert auf allen Ebenen von Bachelor über Master bis zum PhD. 

Besonderes Augenmerk gilt dem Einsatz innovativer Lehrformate, wie der kompetitiven und interaktiven Investment Simulation (siehe Projekte) und dem interaktiven Programmieren. 

In diesem Sinne wird ein RStudio-Server unter rstudio.uni.li für unsere Studierenden betrieben. 

Unsere Forschung untersucht, wie Unsicherheit, politisch, wirtschaftlich oder strukturell bedingt, die Preisbildung an Finanzmärkten beeinflusst. Wir analysieren Renditen, Risikoprämien und Marktreaktionen mit modernen ökonometrischen Verfahren und Methoden aus der künstlichen Intelligenz. 

Schwerpunkte liegen dabei in den Bereichen: 

• Robuste Portfoliosteuerung unter Unsicherheit
• Verbesserung von Asset Pricing Faktoren
• Erklärung und Prognose von globalen und lokalen Faktorprämien (auch Faktormomentum)
• Entwicklung KI-basierter Prognoseverfahren (Faktorprämien, Renditen, Zinsstrukturkurven, Krypto-Währungen) 

• Auswirkungen von Events (politische oder wirtschaftliche) und Populismus auf Finanzmärkte. 

   

Für laufende Forschung, Präsentationen, Working Papers und Publikationen besuchen sie bitte meine Webseite www.sebastianstoeckl.com. 

Engagement für den Brückenschlag zwischen Wissenschaft und Praxis: 

• Innosuisseprojekt “Timing Factor Risk and Factor Returns with AI” (ab Herbst 2025, zusammen mit der Liechtensteinischen Landesbank)
• Innosuisseprojekt “ An ESG-based Investment Case for Absolute Return Funds ” (2020-2023, zusammen mit der Liechtensteinischen Landesbank)
• Erasmus+-Projekt «Investment Management Game»: Entwicklung der Online Investment Simulation Cesim Invest (2022-2025, zusammen mit Cesim Oy und der freien Universität Bozen)
• Erasmus+ Projekte UNPIE und USAVE zu Financial Literacy (2017-2020, 2020-2023) 

Sebastian Stöckl ist akademischer Leiter der Liechtenstein Undergraduate & Graduate School (LU&GS), Vorsitzender der Doktoratskommission und des Boards der LU&GS sowie offizieller Vertreter der Universität Liechtenstein bei AACSB. In dieser Funktion bin ich auch aktiv als Peer Review Team (PRT) Member in internationalen Akkreditierungsverfahren. 

Weiteres Engagement für die wissenschaftliche Gemeinschaft durch: 

• Organisation des Finance Research Seminars (seit 2017)
• Organisation des internen Research Colloquiums Finance & Economics
• Co-Organisation des Wirtschaftspolitischen Seminars Alpenrhein
• Mitbegründung von Alpine Finance und (Co-) Organisation des jährlichen Alpine Finance Summit, einer kleinen, hochkarätig besetzten Finance-Konferenz die jährlich wechselnd im Alpenraum organisiert wird. 

Weitere Tätigkeitsfelder in Forschungskommunikation und Wissenschaftspraxis:

• Regelmässige Vortragstätigkeit zum Thema Künstliche Intelligenz in Finance, u. a. auf Fachkonferenzen, Unternehmensveranstaltungen und hochschulübergreifenden Formaten.
• Mit-Initiator der Reihe KI kompakt, die aktuelle Entwicklungen im Bereich KI für die Allgemeinheit aber auch für die Finanzpraxis verständlich aufbereitet.
• Mitveranstalter einer Konferenzreihe „KI in der Finanzpraxis“, die jährlich gemeinsam mit der Plexus AG an der Universität veranstaltet wird (ab 2025 mit akademischer Konferenz). 

Ein wichtiger Bestandteil der Arbeit von Sebastian Stöckl und seinem Team sind die Entwicklung und Pflege wissenschaftlicher Softwaretools, die sowohl in der Forschung als auch in der Lehre eingesetzt werden. Alle Pakete sind offen verfügbar und dokumentiert. 

GitHub-Profil: github.com/sstoeckl 

R-Pakete: 

• crypto2 
  Stellt einen überarbeiteten, survivorship bias-freien Zugang zu historischen Kryptowährungsdaten von CoinMarketCap bereit. Ideal für empirische Analysen ohne Selektionsverzerrung. CRAN / GitHub
• ffdownload 
  Automatisierter Download von Fama-French-Faktordaten und -Portfolios direkt von Kenneth French’s Datenbank. Praktisch für Replikationen und eigene Tests.  CRAN / GitHub
• InvestigatoR 
  Gemeinsam mit Studierenden entwickelt: Ein KI-basiertes Framework zur KI-basierten Renditeprognose und Portfolioumsetzung sowie der KI-basierten direkten Optimierung von Portfoliogewichten mit Hilfe von Deep Learning. GitHub