MétaCan
Menu
Retour à la cohorte
Enregistrement W1593726333 · doi:10.34989/sdp-2010-14

Losses from Simulated Defaults in Canada's Large Value Transfer System

2021· preprint· en· W1593726333 sur OpenAlexaffabout
Nellie Zhang, Tom Hossfeld

Notice bibliographique

RevueEconstor (Econstor) · 2021
Typepreprint
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueCredit Risk and Financial Regulations
Établissements canadiensBank of Canada
Organismes subventionnairesnon disponible
Mots-clésDefaultCollateralPaymentTransfer (computing)Transfer paymentBusinessValue (mathematics)EconomicsActuarial scienceMonetary economicsFinanceComputer scienceMathematicsStatistics

Résumé

récupéré en direct d'OpenAlex

The Large Value Transfer System (LVTS) loss-sharing mechanism was designed to ensure that, in the event of a one-participant default, the collateral pledged by direct members of the system would be sufficient to cover the largest possible net debit position of a defaulting participant. However, the situation may not hold if the indirect effects of the defaults are taken into consideration, or if two participants default during the same payment cycle. The authors examine surviving participant total losses under both oneand two-participant default conditions, assuming the potential knock-on effects of the default. Their analysis includes the impact of a decline in value of LVTS collateral following an unexpected default. Simulations of participant defaults indicate that the impact on the LVTS is generally small; surviving participants do incur end-of-day collateral shortfalls, but only rarely and in small amounts. Under the two-participant default scenario, the likelihood of the Bank of Canada having to provide funds to ensure LVTS settlement is reasonably low, as is the average residual-coverage amount. The majority of LVTS participants pledge as collateral securities issued by other system members. However, the impact of an issuer of such collateral defaulting is generally not significant in the LVTS.

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 distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
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 enseignants0,079
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0020,001
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0010,001
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 Opus0,016
Tête enseignante GPT0,203
Écart entre enseignants0,187 · 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 tête enseignante, pas un consensus.

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

Citations1
Publié2021
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueEconstor (Econstor)Même sujetCredit Risk and Financial RegulationsTravaux en français237 207