Relative Contribution of Public Sector, Banking Sector, and Non-Bank Financial Sector Claims in U.S. Global Banks' Exposure to Foreign Counterparties' Default Risks
Notice bibliographique
Résumé
This paper relies on accounting-based measures of country risk to investigate U.S. global banks' exposure to foreign country risk over the 2017 fiscal year as measured by the sum of cross-border risk, foreign office risk, and derivative risk claims. We achieve this using panel linear modeling methods with country level heterogeneity and time fixed effects, along with a constructed panel data of 284 observations on 71 countries distributed across 6 world regional blocks, and observed over 4 consecutive quarters starting from 4th quarter 2016 and ending with 3rd quarter 2017. The results show that on average, over the four quarters, a 1% increase in foreign banking sector's claims significantly increases U.S. global banks cross border risk exposure by 0.34%, while reducing derivative risk exposure by 0.22%, but have no significant impact on foreign office risk exposure. Similar results are observed with public sector claims which significantly increase banks' exposure to cross border risk by 0.21%, while reducing derivative risk exposure by 0.19%. Conversely however, non-bank financial sector claims are found to have no significant affect on cross-border risk exposure, but significantly reduce foreign office risk exposure by 0.09%, while increasing derivative risk exposure by 0.06%. These results indicate the presence of sectoral heterogeneities in U.S. banks' exposure to foreign counterparties' risk, and also that overall, over the course of 2017 the level of U.S. global banks' cross-border risk exposure increased, while their level of derivative risk exposure decreased, and the level of foreign office risk exposure remained relatively 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 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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 tête enseignante, 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 ».