Option Games The Key to Competing in Capital-Intensive Industries
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Reprint: R0903H All companies making big-budget investment decisions face the same basic dilemma: On the one hand, they must make timely, strategic investments to prevent rivals from gaining ground. On the other, they must avoid tying up too much cash in risky projects, especially during times of market uncertainty. The traditional valuation methods—namely, discounted cash flow and real options—fall short in resolving this dilemma. Neither one, on its own, properly incorporates the impact of demand and price volatility in an industry while also taking into account additional investments that the firm and its competitors may make. In this article, Nelson Ferreira, an associate principal at McKinsey & Company in São Paulo; Jayanti Kar, an associate at McKinsey & Company in Toronto; and Lenos Trigeorgis, a professor of finance at the University of Cyprus and the president of the Real Options Group, present a valuation tool that overcomes the shortfalls of those analytic approaches. The tool, called option games , combines real options (which predict the evolution of prices and demand) and game theory (which captures competitors’ moves) to quantify the value of both flexibility and commitment, allowing managers to make rational choices between alternative investment strategies. Option games will be of particular value to companies facing high-stakes decisions, such as those involving millions of dollars in capital investment, in a volatile environment in which their moves and those of their competitors clearly affect each other.
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.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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.
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 découle