MétaCan
Menu
Retour à la cohorte
Enregistrement W2734437764 · doi:10.5430/ijfr.v8n3p135

Did the Introduction of Securities Margin Trading Decrease China’s A-Share Market Volatility?

2017· article· en· W2734437764 sur OpenAlexvenueno aff
Maoguo Wu, Hanyang Zhang, Kwok-Leung Tam

Notice bibliographique

RevueInternational Journal of Financial Research · 2017
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueCorporate Finance and Governance
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésMargin (machine learning)BusinessVolatility (finance)Hybrid securityInvestment bankingMonetary economicsChinaCapital marketThird marketPrivate placementFinancial systemFinancial economicsEconomicsFinance

Résumé

récupéré en direct d'OpenAlex

Securities margin trading is a form of credit trading that is used extensively in mature securities markets. With the rapid development of its securities market, China introduced securities margin trading to its A-share market on 31st March 2010 for the purpose of reducing A-share market volatility. Owing to the fact that the introduction of securities margin trading in 2010 only applied to part of the A-share transaction targets, it can be treated as a natural experiment. This paper uses difference-in-differences analysis to investigate whether the introduction of securities margin trading in 2010 decreased China’s A-share market volatility. By selecting 50 underlying stocks of securities margin trading as a ‘treatment group’ and 50 non-underlying stocks as a ‘control group’, this paper utilizes a panel dataset comprising 100 stocks for the period 31st March 2009 – 31st March 2011. Results indicate that the introduction of securities margin trading in 2010 significantly decreased China’s A-share market volatility. In conclusion, this paper recommends that China reduces the barriers and transaction costs of securities margin trading, extends the supply of underlying stocks for securities lending, and enhances the capital supply of margin trading.

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)0,002
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut 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 enseignants0,025
Score d'incertitude au seuil0,049

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0000,000
Intégrité de la recherche0,0010,000
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 Opus0,049
Tête enseignante GPT0,324
Écart entre enseignants0,276 · 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'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
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Financial ResearchMême sujetCorporate Finance and GovernanceTravaux en français237 207