MétaCan
Menu
Retour à la cohorte
Enregistrement W3030658695 · doi:10.3390/jrfm13060111

Editorial for the Special Issue on Commercial Banking

2020· article· en· W3030658695 sur OpenAlexvenueno aff
Christopher Gan

Notice bibliographique

RevueJournal of risk and financial management · 2020
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueBanking stability, regulation, efficiency
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésInformation asymmetryFinancial intermediaryFinancial systemBusinessLoanCompetition (biology)Deposit insuranceCapital (architecture)Capital marketIntermediationBank regulationCapital requirementFinanceMonetary economicsEconomicsIncentive

Résumé

récupéré en direct d'OpenAlex

The existence of financial intermediaries is arguably an artifact of information asymmetry. Beyond simple financial transactions, financial intermediation provides a mechanism for information transmission, which can reduce the degree of information asymmetry and consequently increase market efficiency. During the process of information transmission, the bank is able to provide unique services in the production and exchange of information. Therefore, banks have comparative advantages in information production, transmission, and utilisation. In credit provision, it is possible for lenders to make Type I and Type II errors. These types of errors are associated with whether banks decide to lend money to borrowers with low repayment capacity or risk missing out on potentially profitable lending. However, the recent US subprime loan crisis and previous financial crises (such as the Mexican, Argentinian, Chilean and Asian financial crises) show it is possible that banks can make both good and bad lending decisions. Does this mean that banks have lost their comparative advantages in leveraging information asymmetry? This Special Issue includes contribution in empirical methods in banking such risk and bank performance, capital regulation, bank competition and foreign bank entry, bank regulation on bank performance, and capital adequacy and deposit insurance.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,016
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Éditorial · Signal consensuel: Éditorial
Score de désaccord entre enseignants0,050
Score d'incertitude au seuil0,167

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,016
Méta-épidémiologie (sens strict)0,0040,001
Méta-épidémiologie (sens large)0,0040,003
Bibliométrie0,0040,002
Études des sciences et des technologies0,0030,002
Communication savante0,0080,005
Science ouverte0,0030,002
Intégrité de la recherche0,0120,014
Charge utile insuffisante (le modèle a refusé de juger)0,0500,029

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.

Tête enseignante Opus0,016
Tête enseignante GPT0,222
Écart entre enseignants0,206 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreÉditorial

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of risk and financial managementMême sujetBanking stability, regulation, efficiencyTravaux en français237 207