Risks and Benefits of Initial Coin Offerings: Evidence from impak Finance, a Regulated ICO<sup>*</sup>
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
ABSTRACT This study provides a better understanding of the business and the regulated environment surrounding initial coin offerings (ICOs). An ICO is a call for funding to raise funds through a blockchain, where cryptoassets are issued. Key stakeholders involved are the firms launching ICOs, the investors, and the financial regulators. We conducted a case study of a firm that launched an ICO, impak Finance, the first regulated ICO in Canada. Based on the interviews of key respondents, we developed a framework identifying the main risks and benefits for firms to performing an ICO, showing differences between unregulated and regulated ICOs. Our study makes a number of research and practical contributions. First, we document the case of the first regulated ICO in Canada. The interviews conducted provided access to privileged insider information. Second, very few studies have been conducted on the impact of blockchains as a financing vehicle. ICOs using blockchains may be disruptive not only from a technology standpoint but also from a financial standpoint. While the possible applications of blockchains are unknown to us to date, we do know that blockchains have the potential to challenge the traditional financial system monitored by financial regulators. Last, the study identifies, through a framework, the risks and benefits of performing an ICO in an unregulated versus a regulated context, which has practical implications for firms operating in the fintech space. We trust that this framework will be useful for firms using ICOs, for investors, and for financial regulators.
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle