MétaCan
Menu
Retour à la cohorte
Enregistrement W3107194732 · doi:10.1142/9789811220470_0005

Raising Funds with Smart Contracts: New Opportunities and Challenges

2020· book-chapter· en· W3107194732 sur OpenAlexaff
Katrin Tinn

Notice bibliographique

RevueWORLD SCIENTIFIC eBooks · 2020
Typebook-chapter
Langueen
DomaineBusiness, Management and Accounting
ThématiqueFinTech, Crowdfunding, Digital Finance
Établissements canadiensMcGill University
Organismes subventionnairesnon disponible
Mots-clésRaising (metalworking)BusinessFund raisingFinanceEconomicsEngineeringEconomic growthMechanical engineering

Résumé

récupéré en direct d'OpenAlex

Among recent FinTech developments, new digital ledger technologies have the potential to facilitate the financing of entrepreneurial projects, as they can enable different and better financing contracts. Costly verification is arguably one of the main reasons why bank financing and debt contracts have been traditionally so prevalent, with investors not being easily assured that entrepreneurs will report accurately future cash flows generated. The adoption of digital ledger technologies can mitigate this friction, by offering a better tool to maintain a shareable history of transactions, which not only reduces verification costs but also further enables “smart contracts” which can benefit from adjusting optimally to incoming data. Such smart contracts (the optimal form of which is found to be a dynamically adjusting profit-sharing rule) dominate less flexible debt and equity contracts that do not give the right incentives for the entrepreneur to continue to try to generate sales, especially when there is learning from data. There remain unresolved issues around digital ledger technology, especially with “proof-of-work” systems, which create limitations for realizing its potential. Permissioned systems may solve some of these problems but remain at an experimental stage. Third-party platforms that collect and share information are another way to reduce the verification costs faced by individual investors, and there seems to be a close link between the evolution toward “smart” contracts and crowdfunding. The appropriate supporting regulation still needs to be established and will have to tackle issues that are quite novel compared to what banking regulations and securities markets regulations have had to address.

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)0,020
score de la tête « metaresearch » (Gemma)0,037
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Autre · Signal consensuel: aucune
Score de désaccord entre enseignants0,021
Score d'incertitude au seuil0,106

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0200,037
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,002
Études des sciences et des technologies0,0030,010
Communication savante0,0150,033
Science ouverte0,0030,007
Intégrité de la recherche0,0100,007
Charge utile insuffisante (le modèle a refusé de juger)0,0210,005

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 Opus0,153
Tête enseignante GPT0,226
Écart entre enseignants0,073 · 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'étudeThéorique ou conceptuel
Domainenon disponible
GenreAutre

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

En bref

Citations2
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueWORLD SCIENTIFIC eBooksMême sujetFinTech, Crowdfunding, Digital FinanceTravaux en français237 207