MétaCan
Menu
Retour à la cohorte
Enregistrement W1570332806 · doi:10.1111/fmii.12005

Default Risk Estimation, Bank Credit Risk, and Corporate Governance

2013· article· en· W1570332806 sur OpenAlexaff
Lorne N. Switzer, Jun Wang

Notice bibliographique

RevueFinancial Markets Institutions and Instruments · 2013
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueCredit Risk and Financial Regulations
Établissements canadiensConcordia University
Organismes subventionnairesnon disponible
Mots-clésCorporate governanceBusinessCredit riskSample (material)CreditorAccountingFinancial systemActuarial scienceFinanceDebt

Résumé

récupéré en direct d'OpenAlex

This study explores the relationship between credit risks of banks and the corporate governance structures of these banks from the perspective of creditors. The cumulative default probabilities are estimated for a sample of US commercial and savings banks to measure their risk taking behavior. The results show that one year and five year cumulative default probabilities are time‐varying, with a significant jump observed in the year prior to the financial crisis of 2008–09. Generally speaking, corporate governance structures have a greater impact on US commercial banks than on savings institutions. We provide evidence that, after controlling for firm specific characteristics, commercial banks with larger boards and older CFOs are associated with significantly lower credit risk levels. Lower ownership by institutional investors and more independent boards also have lower credit risk levels, although these effects are somewhat less significant. For all the banks in our sample, large board size, older CFO, and less busy directors are associated with lower credit risk levels. When we restrict the sample to consider the joint effects of the governance variables, the results on board size and busy directors are maintained.

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)0,003
score de la tête « metaresearch » (Gemma)0,018
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 enseignants0,005
Score d'incertitude au seuil0,015

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,018
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
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 Opus0,020
Tête enseignante GPT0,204
Écart entre enseignants0,183 · 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

Citations90
Publié2013
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFinancial Markets Institutions and InstrumentsMême sujetCredit Risk and Financial RegulationsTravaux en français237 207