From advice to action : drivers of investor behavior in the age of robo advice

Thomas, Renerken; von Nitzsch, Rüdiger; Breuer, Wolfgang

doi:44053

From advice to action : drivers of investor behavior in the age of robo advice

Thomas, Renerken^RWTH*

2025

Verantwortlichkeitsangabevorgelegt von Thomas Renerken, M. Sc.

ImpressumAachen : RWTH Aachen University 2025

Umfang1 Online-Ressource : Illustrationen

Dissertation, Rheinisch-Westfälische Technische Hochschule Aachen, 2025

Veröffentlicht auf dem Publikationsserver der RWTH Aachen University

Genehmigende Fakultät
Fak08

Hauptberichter/Gutachter
Breuer, Wolfgang (Thesis advisor)^RWTH* ; von Nitzsch, Rüdiger (Thesis advisor)^RWTH*

Tag der mündlichen Prüfung/Habilitation
2025-03-10

Online
DOI: 10.18154/RWTH-2025-02304
URL: https://publications.rwth-aachen.de/record/1006174/files/1006174.pdf

Einrichtungen

Lehrstuhl für Betriebswirtschaftslehre, insbesondere Betriebliche Finanzwirtschaft (812610)

Inhaltliche Beschreibung (Schlagwörter)
advice (frei) ; advice discounting (frei) ; behavioral finance (frei) ; decision making (frei) ; investment advice (frei) ; portfolio allocation (frei)

Thematische Einordnung (Klassifikation)
DDC: 330

Kurzfassung
Die Dissertation befasst sich mit komplexen Entscheidungsprozessen von Anlegern im Kontext der sich wandelnden Finanzberatungslandschaft, insbesondere unter Berücksichtigung der zunehmenden Bedeutung von Robo Advice. Sie untersucht sowohl in der Person des Anlegers begründete als auch strukturelle Faktoren, die das Anlageverhalten bei zur Verfügung stehender algorithmusbasierter Beratung beeinflussen, und liefert Einblicke in die Wechselwirkungen zwischen klassischen Konzepten der Behavioral Finance und digitalen Beratungsplattformen. Der Grundgedanke basiert auf dem Ansatz, dass Anlageentscheidungen häufig systematischen Anlagefehlern unterliegen, welche vor allem innerhalb der Gruppe der unerfahrenen Anleger verbreitet sind und professionelle Finanzberatung dabei helfen kann, solche Fehler zu vermeiden. In insgesamt vier Aufsätzen wird das Verständnis dafür vertieft, wie algorithmische Finanzberatung das Anlegerverhalten in diesem Zusammenhang prägt. Der erste Aufsatz legt den methodischen Grundstein der Arbeit, indem in diesem Beitrag unter anderem untersucht wird, ob vereinfachte Erhebungsinstrumente zuverlässig die Präferenzen von Anlegern abbilden können. Durch die Kombination von Umfragen und Laborexperimenten wird hierbei gezeigt, dass auf leicht verständlichen Fragen basierende Selbsteinschätzungen von Risikobereitschaft und Geduld komplexeren Verfahren überlegen sind. Diese Ergebnisse sind insbesondere für Robo Advisor relevant, da deren Designs auf standardisierte und einfache Fragebögen angewiesen sind, um Präferenzen der Anleger automatisiert zu erfassen. Der zweite Beitrag untersucht die Akzeptanz von Beratung im Rahmen von Robo Advice. Der Fokus liegt auf dem Einfluss der Gestaltung von Benutzeroberflächen und der Länge von Explorationsfragebögen. Die Ergebnisse zeigen, dass emotional ansprechende Oberflächen die Diskontierung der Empfehlung signifikant reduzieren, also die Akzeptanz fördern. Dies unterstreicht die Bedeutung eines durchdachten Interface-Designs, um Anlageentscheidungen zu verbessern. Im dritten Aufsatz wird die Dynamik von Vertrauen und der Akzeptanz von Beratung insbesondere im Hinblick auf die Rolle menschlicher Beteiligung in hybriden Beratungsprozessen analysiert. Es zeigt sich, dass die Einbindung eines menschlichen Beraters zwar das Vertrauen der Anleger in den Berater erhöht, gleichzeitig jedoch die Akzeptanz der Empfehlungen verringert. Dies wird auf die sogenannte „Betrayal Aversion“ zurückgeführt, ausgelöst durch das individuell wahrgenommene Risiko unethischen Verhaltens auf Seiten des Beraters. Die Ergebnisse machen einen grundlegenden Zielkonflikt deutlich: Menschliche Berater stärken zwar das Vertrauen, können jedoch Skepsis gegenüber den Empfehlungen selbst fördern. Der vierte Aufsatz untersucht den Einfluss von Selbstüberschätzung auf das Anlageverhalten in Kontexten, in denen algorithmusbasierte Beratung zur Verfügung steht. Die Ergebnisse zeigen, dass Anleger, die ihre eigene Kompetenz hinsichtlich ihres finanzbasierten Allgemeinwissens überschätzen, auch unter der Verfügbarkeit algorithmusbasierter Beratung mehr handeln als nicht-selbstüberschätzende Anleger. Die Studie kommt zu dem Schluss, dass Robo Advice allein systematische Anlagefehler nicht verhindern kann und eine Forschungslücke hinsichtlich der Auswirkungen einer Integration von Funktionen zur Verhinderung solcher Anlagefehler bei Robo-Advice-Softwares besteht. Zusammenfassend zeigen die Ergebnisse in erster Linie auf, welche Robo-Advice-spezifischen Faktoren das Verhalten von Anlegern beeinflussen. Die Dissertation bildet somit die Basis für eine mögliche Herangehensweise an die Herausforderung, die Akzeptanz von Beratung im Kontext von Robo Advice zu erhöhen um Anlegern auf diese Weise bei der Anlageentscheidung zu helfen. Die Ergebnisse haben somit auch praktische Implikationen für Entwickler von Robo-Advice-Software. Diese Dissertation leistet darüber hinaus einen Beitrag zur Behavioral Finance, indem sie evidenzbasierte Erkenntnisse über die Treiber des Anlegerverhaltens im Zeitalter von Robo Advice liefert und den Weg für effektivere Beratungsansätze ebnet.

The dissertation deals with complex decision-making processes of investors in the context of the changing financial advisory landscape, especially considering the increasing importance of robo advice. It examines both personal and structural factors that influence investment behavior in the presence of algorithm-based advice and provides insights into the interactions between classical concepts of behavioral finance and digital advisory platforms. The basic idea is based on the approach that investment decisions are often subject to systematic investment errors, which are particularly common within the group of inexperienced investors, and that professional financial advice can help to avoid such errors. A total of four essays deepen the understanding of how algorithmic financial advice shapes investor behavior in this context. The first article lays the methodological foundation for the work by examining, among other things, whether simplified survey instruments can reliably reflect investor preferences. By combining surveys and laboratory experiments, it is shown that self-assessments of risk preference and patience based on easy-to-understand questions are superior to more complex methods. These results are particularly relevant for robo advisors, as their designs rely on standardized and simple questionnaires to automatically capture investor preferences. The second article examines the acceptance of advice in the context of robo advice. The focus is on the influence of the design of user interfaces and the length of exploratory questionnaires. The results show that emotionally appealing interfaces significantly reduce the discounting of the recommendation, i.e. promote acceptance. This underlines the importance of a well thought-out interface design to improve investment decisions. The third article analyzes the dynamics of trust and the acceptance of advice, particularly with regard to the role of human involvement in hybrid advisory processes. It is shown that the involvement of a human advisor increases investors' trust in the advisor, but at the same time reduces the acceptance of the advice. This is attributed to the so-called “betrayal aversion,” triggered by the individually perceived risk of unethical behavior on the part of the advisor. The results highlight a fundamental trade-off: while human advisors strengthen trust, they can promote skepticism towards the recommendations themselves. The fourth paper examines the influence of overconfidence on investment behavior in contexts where algorithm-based advice is available. The results show that investors who overestimate their own competence in terms of their general financial knowledge trade more than non-overestimating investors, even when algorithm-based advice is available. The study concludes that robo advice alone cannot prevent systematic investment errors and that there is a research gap regarding the impact of integrating features to prevent such investment errors in robo advice software. In summary, the results primarily show which robo-advice-specific factors influence the behavior of investors. The dissertation thus forms the basis for a possible approach to the challenge of increasing the acceptance of advice in the context of robo advice in order to help investors in their investment decisions. The results therefore also have practical implications for developers of robo advice software. This dissertation also contributes to behavioral finance by providing evidence-based insights into the drivers of investor behavior in the age of robo advice and paving the way for more effective advisory approaches.

OpenAccess:
PDF
(additional files)