MétaCan
Menu
Retour à la cohorte
Enregistrement W3107264758 · doi:10.1155/2020/6639636

An Incentive Mechanism Model of Credit Behavior of SMEs Based on the Perspective of Credit Default Swaps

2020· article· en· W3107264758 sur OpenAlexaff
WU Sheng-hong, Pei Mu, Jiaxian Shen, Wenyi Wang

Notice bibliographique

RevueComplexity · 2020
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueBanking stability, regulation, efficiency
Établissements canadiensUniversity of Toronto
Organismes subventionnairesMajor Project of Philosophy and Social Science Research in Colleges and Universities of Jiangsu ProvinceGovernment of Jiangsu ProvinceNational Natural Science Foundation of China
Mots-clésCredit default swapBusinessCredit referenceCredit default swap indexCredit riskCredit historyCredit enhancementLoanMoral hazardFinanceCredit valuation adjustmentCredit crunchIncentiveCredit card interestFinancial systemEconomicsMicroeconomics

Résumé

récupéré en direct d'OpenAlex

The rapid development of credit default swap (CDS) market has changed the manner of credit risk management of banks to some extent and has had a new influence on the bank-enterprise credit model. In this study, the credit financing process of credit risk in small- and medium-sized enterprises (SMEs) gathers within a bank, which makes it difficult for SMEs to raise funds. On the basis of the perspective of CDS, we construct an incentive game model of bank-enterprise credit behavior and analyze the influence mechanism of the credit financing of SMEs on CDS contract coupon rate, CDS payout ratio, bank-enterprise credit effort, and loan recovery rate when considering CDS. The result shows that the CDS contract leads to insufficient supervision after a bank loan, the moral hazard of the SMEs rises, and the probability of credit default events increases. In addition, in view of CDS, the SMEs can access more credit funds.

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)0,002
score de la tête « metaresearch » (Gemma)0,004
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,008
Score d'incertitude au seuil0,026

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,004
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,000
Études des sciences et des technologies0,0010,001
Communication savante0,0020,003
Science ouverte0,0010,001
Intégrité de la recherche0,0030,002
Charge utile insuffisante (le modèle a refusé de juger)0,0080,000

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 Opus0,102
Tête enseignante GPT0,275
Écart entre enseignants0,173 · 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'étudeSimulation ou modélisation
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

Citations7
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueComplexityMême sujetBanking stability, regulation, efficiencyTravaux en français237 207