Notice bibliographique
Résumé
Using a panel of commercial, co-operative and savings banks from G7 countries, we investigate whether change in sentiment and its volatility affect banks' lending behavior. Sentiment indicators, which gauge the state of the economy from the perspective of the economic agents, are widely considered as a critical component by academics, policy makers and media in the transmission of shocks into the economic activity. We also know that leading indicators usually change before the economic activities change as a whole and provide useful information on the state of the economy. Surprisingly, earlier studies have not examined the impact of the level and volatility of economic agents sentiment on banks' lending behavior. As each type of agent acts on a specific set of (imperfect) information that emanate from the state of the economy, rational inattention, or their own asymmetric goals and strategies, it is important find out whether bank managers respond to changes and variability in sentiment. To carry out our investigation, we construct a large panel of commercial, co-operative, and savings banks collected from the Bankscope database for the G7 countries including Canada, Germany, France, the UK, Italy, Japan, and the US. This database provides detailed bank-level information yet the sample size is constrained due to the fact that we seek to examine the role of Core Tier 1 capital on banks' lending. The final dataset that we employ in our analysis is comprised of more than 9, 000 banks and retains bank, country and time dimensions. The analysis covers the period between 1999-2014. The investigation implements GMM and fixed effects models to test various hypotheses. We show that the changes in economic agents' sentiment and its volatility affect bank lending negatively, while the impact sizes differ across indicators. We also find that the impact of volatility effects on banks' loan growth varies at excessive levels. We highlight the role of several bank-specific characteristics in transmission of uncertainty effects on the growth of bank loans, as uncertainty affects extenuate or mitigate through them.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».