MétaCan
Menu
Retour à la cohorte
Enregistrement W2584995235 · doi:10.1108/jfrc-04-2016-0038

Self-regulation and compliance enforcement practices by the Investment Dealers Association in Canada

2017· article· en· W2584995235 sur OpenAlexaffabout
Mark Lokanan

Notice bibliographique

RevueJournal of Financial Regulation and Compliance · 2017
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueRegulation and Compliance Studies
Établissements canadiensRoyal Roads University
Organismes subventionnairesnon disponible
Mots-clésSanctionsTribunalEnforcementCompliance (psychology)OriginalityInvestment (military)Work (physics)BusinessAccountingEconomicsLaw and economicsLawPublic relationsPolitical sciencePsychologySocial psychology

Résumé

récupéré en direct d'OpenAlex

Purpose This paper aims to examine the enforcement practices of the Investment Dealers Association of Canada (IDA) and argue that self-regulation simply does not work in the financial sector, as the sanctions available are neither applied with sufficient severity nor are the responsibilities for enforcement adequately divided between self-regulation, provincial securities commissions and the police. Design/methodology/approach The core compliance data for the study came from the IDA’s tribunal cases that were heard between 1984 and June 2008. The theoretical approach involves the invocation of classic articles by the likes of Stigler, Posner and Becker, the essence of whose conclusions is that institutions will act in their own best interests and cannot be expected to act in the public interest. Findings The findings show that over the period from 1984 to 2008, the severity of the sanctions increased consistently over the period. When penalty ceilings were increased, penalties increased. When in the latter phase of the period, public members (i.e. non-members of the industry) chaired the tribunals, penalties also increased. Research limitations/implications Researchers can use the data to write a paper which asks “Why did the IDA tribunal penalties increase so consistently with time?” Future research could canvass various possible explanations, including the one presented in this paper, to focus sustained attention on the issue of self-regulation. Originality/value This study is the first to systematically examine the enforcement performance of the IDA.

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 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 enseignants0,079
Score d'incertitude au seuil0,966

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,043
Tête enseignante GPT0,271
Écart entre enseignants0,227 · 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.

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

Citations15
Publié2017
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of Financial Regulation and ComplianceMême sujetRegulation and Compliance StudiesTravaux en français237 207