The Credit-Risk Relevance of Bank Loan Loss Provisions Under IFRS 9: Early Evidence
Notice bibliographique
Résumé
Since the first fiscal quarter of 2018, banks have implemented a new expected credit loss (ECL) model to estimate loan loss provisions (LLPs) under International Financial Reporting Standard (IFRS) 9, which replaces the incurred-loss model under International Accounting Standard (IAS) 39. The major difference in provisioning approaches between the two models is the incorporation of forward-looking information under the IFRS 9 ECL model. This paper examines whether IFRS 9 improves the credit-risk relevance of LLPs for credit default swap (CDS) market participants. The findings suggest that LLPs under IFRS 9 are marginally more credit-risk relevant than under IAS 39. Moreover, LLPs under IFRS 9, to a greater extent than under the IAS 39 regime, affect the pricing of credit risk for longer CDS maturities. This finding is consistent with the IFRS 9 ECL model that provides a more forward-looking measure of credit risk. Finally, cross-sectional tests highlight the importance of institutional features that play a significant role in the relevance of accounting information. To address endogeneity concerns, I implement a dynamic panel data two-step model and a two-stage instrumental variable approach. These alternative tests confirm the enhancement of the credit-risk relevance of LLPs following the adoption of IFRS 9.
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 | 0,015 | 0,060 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».