Notice bibliographique
Résumé
Credit rating agencies rate companies and states by assigning them scores depending on their level of solvency. These scores are inversely proportional to default risk and then proportional to quotes which are proportional to bonds value. Consequently, scores are calculated depending on companies and states bankruptcy risk. In our paper, we assess company solvency using numerical symbols and an accelerating risk model. Although the Big3 1 rating agencies use uniformly distributed risk to rate corporate bonds, we think that the distribution should vary uniformly. Our theoretical model is based on a homogeneously risk varying path with a fluctuating speed but a constant acceleration of risk. We measure this acceleration and calculate risk intervals by using a linear regression where asset volatility represents the dependent variable, and a set of 20 company categories representing the independent variable. Comparative statics are used to illustrate our analysis. We obtain a very significant coefficient for the exogenous variable, representing homogeneous risk intervals. We use 20 classes of risk to be consistent with the "US equivalent rating", as the Big3 rating agencies do, which allows us to determine risk classes and rate companies according to the numerical scale obtained. We compare our numerical scale to the equivalent rating tables used by Moody's, Fitch Ratings and S&P. According to our findings, companies with a risk level under 16 are considered to be solvent, while those with a 17-to-20-risk level are considered to be in trouble. Indeed, the length of 1 Moody's, Standard & Poor's and Fitch Ratings.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».