MétaCan
Menu
Retour à la cohorte
Enregistrement W3121603908

Deflating asset price bubbles with leverage constraints and monetary policy

2017· preprint· en· W3121603908 sur OpenAlexaff
Guidon Fenig, Mariya Mileva, Luba Petersen

Notice bibliographique

RevueRePEc: Research Papers in Economics · 2017
Typepreprint
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueEconomic theories and models
Établissements canadiensSimon Fraser UniversityUniversity of Saskatchewan
Organismes subventionnairesnon disponible
Mots-clésLeverage (statistics)EconomicsSpeculationAsset (computer security)Monetary economicsMonetary policyConstraint (computer-aided design)Interest rateBasis riskInflation (cosmology)Consumption-based capital asset pricing modelCapital asset pricing modelFinancial economicsFinance
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

This paper studies the interaction of labor, goods, and asset markets in experimental macroeconomies populated by household investors. We analyze the aggregate effects of two different policies intended to stabilize asset prices: leverage constraints and a `leaning against the wind' monetary policy that raises interest rates in response to asset price inflation. We find that introducing a leverage constraint significantly reduces asset prices when the constraint actually binds. Households often circumvent these constraints by excessively supplying labor and generating increased wealth which can be used for speculation. As a result, asset price deviations are significantly higher under a policy regime of leverage constraints. Raising interest rates according to a `leaning against the wind' policy effectively contracts asset prices with minimal impact on production. Our experimental findings suggest that asset inflation targeting is more effective than leverage constraints at stabilizing asset price.

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)0,001
score de la tête « metaresearch » (Gemma)0,007
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: Empirique
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,011

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,007
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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 Opus0,053
Tête enseignante GPT0,298
Écart entre enseignants0,245 · 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

Citations1
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueRePEc: Research Papers in EconomicsMême sujetEconomic theories and modelsTravaux en français237 207