Notice bibliographique
Résumé
This dissertation contains two essays in empirical finance. The first essay studies the mutual fund industry, and the second essay looks into the stock market. Both studies provide insights in the underlying mechanism of some asset return patterns identified from the data currently available.\n\nThe first essay investigates the sources of a recently identified performance pattern in mutual funds.\nSpecifically, actively managed mutual funds, in general, underperform a passive benchmark; however, some recent studies find they, in fact, outperform the benchmark in bad economic states.\nI examine whether a state dependent risk shifting behavior of mutual fund managers contributes to this performance difference across states, and find supportive evidence.\nAs shown in prior studies, the risk shifting behavior is motivated by a non-linear flow-performance relationship.\nUsing a piece-wise linear regression, I demonstrate that the non-linearity exists mainly in good states; whereas in bad states, the flow-performance relationship is close to linear. Thus, non-zero risk shifting incentives are only expected in good states.\nI empirically measure these incentives in good states, and show that managers do react to the ``gambling'' (i.e., positive) incentives. In addition, higher ``gambling'' incentives are found to be associated with lower fund performance.\n\nThe second essay, based on joint work with Hai Lu and Kevin Wang, examines how stock price shocks in the absence of public announcement of firm specific news affect future stock returns. We find that both large short term price drops and hikes are followed by negative abnormal returns over the subsequent twelve months. The pattern of asymmetric drifts, the return continuation for negative shocks versus the return reversal for positive shocks, is puzzling. We explore whether investor disagreement can explain the puzzle and find that the evidence is consistent with predictions of disagreement theory. Moreover, price shocks with public news disclosures are followed by weaker drifts, suggesting that reduction of information asymmetry from public disclosures mitigates disagreement-induced overpricing.
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 | 0,010 | 0,050 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,006 | 0,005 |
| Études des sciences et des technologies | 0,003 | 0,006 |
| Communication savante | 0,007 | 0,008 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,004 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,032 | 0,015 |
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 ».