MétaCan
Menu
← Retour à la cohorte
Enregistrement W2164451479 · doi:10.5539/ijef.v6n6p181

An Equilibrium Analysis of the IPO Risk Information Supply and Demand

2014· article· en· W2164451479 sur OpenAlexvenueno aff
Wang Ying-zi, Jinhui Guo

Notice bibliographique

RevueInternational Journal of Economics and Finance · 2014
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueAuditing, Earnings Management, Governance
Établissements canadiensnon disponible
Organismes subventionnairesNational Office for Philosophy and Social Sciences
Mots-clésInitial public offeringSupply and demandDisequilibriumBusinessChinaEconomicsMicroeconomicsFinance

Résumé

récupéré en direct d'OpenAlex

The efficiency of the securities market depends on the degree of the completeness of information. The efficiency is affected by the supply as well as the demand of the information. But there are few studies on the risk information demand of investors, and much fewer studies on the equilibrium of the IPO risk information supply and demand. Because of the frequent occurrences of information fraud behavior in the IPO market of China, Chinese investors pay a lot of attention to the risk information disclosure. This paper discussed the development of the Chinese IPO system and the current situation of the risk information disclosure. And then according to the problems, this paper gave a theoretical analysis of the equilibrium and disequilibrium conditions of the risk information supply and demand in the IPO market by examining the dynamic process between information supply and demand. Through the analysis, this paper found that there exist many information supply and demand deficiencies in the Chinese IPO market. The “make-up” phenomenon in IPO information disclosure has been very serious. The investors’ demand for valuable risk information disclosure is largely ignored. More attention needs urgently to be paid to the information demands of Chinese IPO investors.

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)0,005
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,016
Score d'incertitude au seuil0,053

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,005
Méta-épidémiologie (sens strict)0,0000,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0030,005
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0160,001

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 Opus0,004
Tête enseignante GPT0,187
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'étudeThéorique ou conceptuel
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

Citations0
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Economics and Finance→Même sujetAuditing, Earnings Management, Governance→Travaux en français237 207→