MétaCan
Menu
Retour à la cohorte
Enregistrement W3123473042

The Timeliness of Accounting Write-Downs by U.S. Financial Institutions During the Financial Crisis of 2007-2008

2010· article· en· W3123473042 sur OpenAlexaff
Dushyantkumar Vyas

Notice bibliographique

RevueTSpace (University of Toronto) · 2010
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueRisk Management in Financial Firms
Établissements canadiensUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésAccountingBusinessFinancial crisisLeverage (statistics)Corporate governanceFinancial ratioAccounting information systemBenchmarkingFinancial systemEconomicsFinance
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

This study examines the timeliness of write-downs taken by U.S. financial institutions during the financial crisis of 2007-2008. The timeliness of write-downs is measured by benchmarking the quarterly accounting write-down schedule with the devaluation schedule implied by credit indices such as the ABX. The results show that accounting write-downs are less timely than the devaluations implied by credit indices. In a cross-sectional analysis of the determinants of the timeliness of write-downs, I document that higher corporate governance quality is positively related to timelier write-downs. Furthermore, I observe that regulatory investigations and litigation pressure are positively related to the timeliness of write-downs, whereas the write-downs by firms with more complex exposures, higher financial leverage, and tighter regulatory constraints are less timely. In addition, I control for numerous exposure-specific characteristics and document that less risky exposures, and exposures that were affected later during the financial crisis, were written down later. Regarding the consequences of timeliness, this study finds that the exposure to risky assets is reflected faster in stock returns for firms with timelier write-downs.

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)0,010
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,017
Score d'incertitude au seuil0,034

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,010
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,002
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,008
Tête enseignante GPT0,208
Écart entre enseignants0,199 · 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'étudeObservationnel
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

Citations17
Publié2010
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueTSpace (University of Toronto)Même sujetRisk Management in Financial FirmsTravaux en français237 207