MétaCan
Menu
Retour à la cohorte
Enregistrement W1535019193 · doi:10.34989/swp-2010-38

The Impact of Liquidity on Bank Profitability

2021· preprint· en· W1535019193 sur OpenAlexaffabout
Étienne Bordeleau, Christopher Graham

Notice bibliographique

RevueEconstor (Econstor) · 2021
Typepreprint
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueBanking stability, regulation, efficiency
Établissements canadiensBank of Canada
Organismes subventionnairesnon disponible
Mots-clésMarket liquidityProfitability indexLiquidity crisisLiquidity riskBusinessAccounting liquidityFinancial systemAsset (computer security)Financial crisisSample (material)EconomicsFinanceComputer scienceMacroeconomics

Résumé

récupéré en direct d'OpenAlex

The recent crisis has underlined the importance of sound bank liquidity management. In response, regulators are devising new liquidity standards with the aim of making the financial system more stable and resilient. In this paper, the authors analyse the impact of liquid asset holdings on bank profitability for a sample of large U.S. and Canadian banks. Results suggest that profitability is improved for banks that hold some liquid assets, however, there is a point at which holding further liquid assets diminishes a banks' profitability, all else equal. Moreover, empirical evidence also suggests that this relationship varies depending on a bank's business model and the state of the economy. These results are particularly relevant as policymakers devise new standards establishing an appropriate level of liquidity for banks. While it is generally agreed upon that banks undervalued liquidity prior to the recent financial crisis, one must also consider the tradeoff between resilience to liquidity shocks and the cost of holding lower-yielding liquid assets as the latter may impact banks' ability to generate revenues, increase capital and extend credit.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,008
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,104
Score d'incertitude au seuil0,208

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,008
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0020,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,028
Tête enseignante GPT0,262
Écart entre enseignants0,234 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations154
Publié2021
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueEconstor (Econstor)Même sujetBanking stability, regulation, efficiencyTravaux en français237 207