Asset Quality Misrepresentation by Financial Intermediaries: Evidence from RMBS Market
Notice bibliographique
Résumé
We contend that buyers received false information about the true quality of assets in contractual disclosures by intermediaries during the sale of mortgages in the $2 trillion non-agency market.We construct two measures of misrepresentation of asset quality -misreported occupancy status of borrower and misreported second liens -by comparing the characteristics of mortgages disclosed to the investors at the time of sale with actual characteristics of these loans at that time that are available in a dataset matched by a credit bureau.About one out of every ten loans has one of these misrepresentations.These misrepresentations are not likely to be an artifact of matching error between datasets that contain actual characteristics and those that are reported to investors.At least part of this misrepresentation likely occurs within the boundaries of the financial industry (i.e., not by borrowers).The propensity of intermediaries to sell misrepresented loans increased as the housing market boomed.These misrepresentations are costly for investors, as ex post delinquencies of such loans are more than 60% higher when compared with otherwise similar loans.Lenders seem to be partly aware of this risk, charging a higher interest rate on misrepresented loans relative to otherwise similar loans, but the interest rate markup on misrepresented loans does not fully reflect their higher default risk.Using measures of pricing used in the literature, we find no evidence that these misrepresentations were priced in the securities at their issuance.A significant degree of misrepresentation exists across all reputable intermediaries involved in sale of mortgages.The propensity to misrepresent seems to be largely unrelated to measures of incentives for top management, to quality of risk management inside these firms or to regulatory environment in a region.Misrepresentations on just two relatively easy-toquantify dimensions of asset quality could result in forced repurchases of mortgages by intermediaries up to $160 billion.
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 | 0,011 | 0,100 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,004 | 0,005 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,003 |
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 ».