MétaCan
Menu
Retour à la cohorte
Enregistrement W3125389004 · doi:10.24149/wp0904

Preventing a Repeat of the Money Market Meltdown of the Early 1930s

2009· article· en· W3125389004 sur OpenAlexaff

Notice bibliographique

RevueFederal Reserve Bank of Dallas, Working Papers · 2009
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueBanking stability, regulation, efficiency
Établissements canadiensBank of CanadaSimon Fraser University
Organismes subventionnairesnon disponible
Mots-clésCollateralized debt obligationStock market crashBondFinancial crisisTreasuryEconomicsInterest rateFinancial systemBond marketMonetary economicsBusinessStock marketStock (firearms)Open market operationGreat DepressionFinanceMonetary policyCollateral

Résumé

récupéré en direct d'OpenAlex

This paper analyzes the meltdown of the commercial paper market during the Great Depression, and relates those findings to the recent financial crisis. Theoretical models of financial frictions and information problems imply that lenders will make fewer noncollateralized loans or investments and relatively more extensions of collateralized finance in times of high risk premiums. This study investigates the relevance of such theories to the Great Depression by analyzing whether the increased use of a collateralized form of business lending (bankers acceptances) relative to that of non-collateralized commercial paper can be econometrically attributable to measures of corporate credit/financial risk premiums. Because commercial paper and bankers acceptances are short-lived, they are more timely measures of the availability of short-term credit than are bank or business failures and the level or growth rate of the stock of bank loans, whose maturities were often longer and were renegotiable. In this way, the study adds to the literature on financial market frictions during the Great Depression, which aside from analyzing securities prices, typically investigates the behavior of credit-related variables that lag current conditions, such as bank failures, bankruptcies, the stock of money, or outstanding bank loans.

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 distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut 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 enseignants0,068
Score d'incertitude au seuil0,625

Scores Codex et Gemma par catégorie

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

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 Opus0,020
Tête enseignante GPT0,220
Écart entre enseignants0,201 · 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 tête enseignante, 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

Citations3
Publié2009
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFederal Reserve Bank of Dallas, Working PapersMême sujetBanking stability, regulation, efficiencyTravaux en français237 207