Notice bibliographique
Résumé
Decentralized markets where assets are useful as medium of exchange are also usually subject to private information. In the first chapter, I analyze how adverse selection affects liquidity and prices in such markets by studying the Shi (1995) and Trejos and Wright (1995) model with Lucas trees under adverse selection. While most studies focus on either pooling or separating equilibrium, I adapt the undefeated equilibrium refinement to make the selection based on fundamentals. Under pooling, the high-quality asset accepts a pooled price, and under separating is willing to signal quality through retention. A negative shock to the quality or quantity of lemons implies a switch in regime from no-information (pooling) to information revelation (separating) which leads to a discontinuous fall in aggregate welfare. In the second chapter I apply insights from the first chapter to help account for the debasement puzzle by interpreting Lucas trees as commodity money of different weights. Debasements constitute a puzzle under standard price theory because people voluntarily exchanged heavy coins for lighter ones; the difference being kept as seigniorage. To resolve this, I adopt Velde, Weber and Wright (1999) featuring a decentralised market with private information on indivisible coins. To disentangle indivisibility from imperfect recognizability, I use a proxy for divisibility by allowing lotteries on coins in trade. Indivisibility accounts for debasement if agents need a medium of exchange for low-value goods, for which heavy coins would not be traded. And, even a small degree of imperfect recognizability provides incentives for debasement due to adverse selection. Finally, in the third chapter I model household's portfolio choice with an endogenous supply of assets under uncertainty to analyze its effect on real interest rates and unemployment. Asset returns typically reflect a risk and liquidity premium, the size of which depends on the state of the economy. This in turn affects unemployment as firms respond to interest rates. In this chapter, I explicitly model demand and supply of liquid assets under uncertainty. Households adjust their portfolios depending on their liquidity needs, and supply of liquid assets is affected by firms' entry decision. An increase in aggregate uncertainty raises interest rates thereby fewer firms enter, and if accompanied by a fall in productivity, unemployment rises by even more. A self-financed private asset purchase program can increase liquidity but leaves unemployment unchanged.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,004 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), 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 ».