Raising Funds with Smart Contracts: New Opportunities and Challenges
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
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.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,000 | 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