MétaCan
Menu
Retour à la cohorte
Enregistrement W3160192916 · doi:10.4018/978-1-7998-6643-5.ch017

Credit Risk Aversion Model During Economic Downturns and Recovery

2021· book-chapter· en· W3160192916 sur OpenAlexaboutno aff
Akwesi Assensoh-Kodua

Notice bibliographique

RevueAdvances in finance, accounting, and economics book series · 2021
Typebook-chapter
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueBanking stability, regulation, efficiency
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésDefaultQuarter (Canadian coin)Juvenile delinquencyCredit cardEconomicsPaymentActuarial scienceBusinessFinancial systemFinanceCriminologyGeographyPsychology

Résumé

récupéré en direct d'OpenAlex

Credit defaulting in the financial sector is a worldwide delinquency that has become a nightmare for this sector. The search for a solution to root out this problem remains a big challenge for academics, the financial sectors, and the governments. For instance, per the American Bankers Association's (ABC) Consumer Credit Delinquency Bulletin, unserviced bank cards plunged two basis points to 2.96% of all accounts between July-August 2019. This value remained below the 15-year average of 3.68%. (Per ABC, delinquency is a late payment that is 30 days or more overdue.) Though these terrifying statistics sounds like good news, the Trans Union's Industry Insights Report found that the unserviced credit card rate reached 1.81% in the third quarter of 2019, rising from 1.71% for the third quarter of 2018. These figures from the credit bureau are based on accounts that are 90 days or more overdue.

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)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: aucune
Score de désaccord entre enseignants0,605
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,004
Science ouverte0,0000,000
Intégrité de la recherche0,0010,001
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 Opus0,007
Tête enseignante GPT0,184
Écart entre enseignants0,177 · 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.

Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreSynthèse

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
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAdvances in finance, accounting, and economics book seriesMême sujetBanking stability, regulation, efficiencyTravaux en français237 207