MétaCan
Menu
Retour à la cohorte
Enregistrement W3121312738

Entry, Imperfect Competition, and Futures Market for the Input

2012· preprint· en· W3121312738 sur OpenAlexaffabout
Georges Dionne, Marc Santugini

Notice bibliographique

RevueRePEc: Research Papers in Economics · 2012
Typepreprint
Langueen
DomaineBusiness, Management and Accounting
ThématiqueRisk Management in Financial Firms
Établissements canadiensHEC Montréal
Organismes subventionnairesnon disponible
Mots-clésFutures contractEconomicsHedgeProduction (economics)Cournot competitionImperfect competitionMicroeconomicsOligopolyRisk aversion (psychology)Competition (biology)ImperfectPerfect competitionSupply and demandFinancial economicsExpected utility hypothesis
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

We analyze firms' entry, production and hedging decisions under imperfect competition. We consider an oligopoly industry producing a homogeneous output in which risk-averse firms face an entry cost upon entering the industry, and then compete in Cournot with one another. Each firm faces uncertainty in the input cost when making production decision, and has access to the futures market to hedge the random cost. We provide two sets of results. First, under general assumptions about risk preferences, demand, and uncertainty, we characterize the unique equilibrium. In contrast to previous results in the literature (without entry), both production and output price depend on uncertainty and risk aversion. Specifically, when entry is endogenized and the futures price is not actuarially fair, access to the futures market does not lead to separation. Second, to study the effect of access to the futures market on entry and production, we restrict attention to constant absolute risk aversion (CARA) preferences, a linear demand, and a normal distribution for the spot price. In general, the effect of access to the futures market on the number of firms and production is ambiguous.

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)0,023
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: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,265
Score d'incertitude au seuil0,886

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,023
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0020,001
Bibliométrie0,0020,005
Études des sciences et des technologies0,0010,000
Communication savante0,0020,004
Science ouverte0,0010,001
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,2650,025

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 Opus0,024
Tête enseignante GPT0,276
Écart entre enseignants0,252 · 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
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
Publié2012
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueRePEc: Research Papers in EconomicsMême sujetRisk Management in Financial FirmsTravaux en français237 207