MétaCan
Menu
Retour à la cohorte
Enregistrement W3097739454 · doi:10.1108/sbm-02-2020-0013

Chinese Super League stock prices and team performance

2020· article· en· W3097739454 sur OpenAlexaff
Eric Mao, Brian P. Soebbing, Nicholas M. Watanabe

Notice bibliographique

RevueSport Business and Management An International Journal · 2020
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueSports Analytics and Performance
Établissements canadiensUniversity of Alberta
Organismes subventionnairesnon disponible
Mots-clésStock (firearms)LeagueOriginalityFinancial economicsCapital asset pricing modelEconomicsEmpirical researchBusinessRestricted stockStock exchangeCorporationStock marketEmpirical evidenceMarketingEconometricsFinanceEngineeringPsychology

Résumé

récupéré en direct d'OpenAlex

Purpose Utilizing the capital asset pricing model (CAPM), the purpose is to analyze whether the stock prices of the corporation that owns sport teams fluctuate based on team performance in the Chinese Super League (CSL). Design/methodology/approach Several CSL teams are publicly owned corporations. As such, the authors look to see if on-field performance impacts the stock price of the firms. Using the news model from previous research, seemingly unrelated regressions are estimated on CSL games from 2014 through 2017. Findings The results from the main models indicate some evidence of a statistical relationship between on-field team performance and stock price. Furthermore, the findings for individual teams across markets did not hold consistent across different markets. More specifically, the authors found some instances where successful on-field performance led to a decline in stock prices. Originality/value The present study further contributes to the growing literature related to on-field performance and stock prices. Unlike previous research, the use of the CSL as the empirical setting provides the opportunity to use multiple stock markets which provides an opportunity to further examine this relationship. Finally, the study contributes broadly to the literature on professional sports ownership structures around the world.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,118
Score d'incertitude au seuil0,527

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,022
Tête enseignante GPT0,233
Écart entre enseignants0,211 · 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 tête enseignante, pas un consensus.

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

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 revueSport Business and Management An International JournalMême sujetSports Analytics and PerformanceTravaux en français237 207