This dissertation examines whether and how textual sentiment derived from social media, corporate communication, and financial news contributes to explaining and predicting developments in the U.S. REIT market. Across four empirical studies, the findings show that the informational content of sentiment is neither uniform nor stable but depends on the communication channel, the market environment, and the REIT subsector under consideration. The analyses range from social media sentiment and its fundamental and non-fundamental components to ESG-related corporate communication and the out-of-sample prediction of relative subsector performance using news-based sentiment measures. Methodologically, sentiment extraction spans dictionary-based approaches, fine-tuned language models, and generative LLMs, while the empirical analyses draw on vector autoregressions, event-study regressions, and machine learning–based forecasting. Overall, the dissertation demonstrates that textual data make investor beliefs empirically observable and, when analyzed appropriately, can generate economically relevant signals for the REIT market.

Die Dissertation untersucht, ob und wie textbasiertes Sentiment aus sozialen Medien, Unternehmenskommunikation und Finanznachrichten zur Erklärung und Prognose von Entwicklungen am US-amerikanischen REIT-Markt beiträgt. In vier empirischen Studien wird gezeigt, dass der Informationsgehalt von Sentiment weder einheitlich noch stabil ist, sondern vom Kommunikationskanal, vom Marktumfeld und vom jeweils betrachteten REIT-Subsektor abhängt. Die Analysen reichen von Social-Media-Sentiment und dessen fundamentalen und nicht-fundamentalen Komponenten über ESG-bezogene Unternehmenskommunikation bis hin zur Out-of-Sample-Prognose der relativen Wertentwicklung einzelner REIT-Subsektoren anhand von nachrichtenbasierten Sentimentmaßen. Methodisch reicht die Sentiment-Extraktion von wörterbuchbasierten Verfahren über feinjustierte Sprachmodelle bis zu generativen LLMs, während die empirischen Analysen auf vektorautoregressiven Modellen, Ereignisstudien-Regressionen und Machine-Learning-basierten Prognoseverfahren beruhen. Insgesamt zeigt die Arbeit, dass textuelle Daten Anlegerüberzeugungen empirisch beobachtbar machen und ökonomisch relevante Signale für den REIT-Markt liefern können, sofern sie methodisch angemessen ausgewertet werden.