MétaCan
Menu
Retour à la cohorte
Enregistrement W3174812485 · doi:10.34989/swp-2021-30

Bank Runs, Bank Competition and Opacity

2021· preprint· en· W3174812485 sur OpenAlexaff
Toni Ahnert, David Martínez-Miera

Notice bibliographique

RevueSSRN Electronic Journal · 2021
Typepreprint
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueBanking stability, regulation, efficiency
Établissements canadiensBank of Canada
Organismes subventionnairesnon disponible
Mots-clésTransparency (behavior)Monetary economicsBusinessFinancial systemIncentiveCompetition (biology)Competitor analysisDebtOfficial cash rateBank rateEconomicsFinanceMonetary policyCentral bankMarket economy

Résumé

récupéré en direct d'OpenAlex

"How is the stability of the financial sector affected by competition in the deposit market and by banks’ choices about the level of transparency? We propose a model in which both elements interact and influence investors’ withdrawal decisions and banks’ level of distress (that is, the probability banks will default on their debt). The model also shows how measures regulating bank competition and bank transparency affect the stability of the financial sector. Banks face a trade-off when choosing how transparent they should be—that is, how much information they should provide about their investment portfolios. On the one hand, greater transparency reduces costly investor withdrawals when the bank is solvent because investors have better information about bank returns. On the other hand, greater transparency improves the information of competitors, who are then more likely to enter the market and reduce the value of future bank profits. We show that policies that aim to increase bank competition lead to higher bank deposit rates, increasing both withdrawal incentives and instability. Policies that aim to increase transparency in the banking sector can also increase instability. The reason is that when banks are more transparent, they have incentives to raise their deposit rates—which leads to larger withdrawal incentives and higher levels of distress."

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)0,002
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: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,008
Score d'incertitude au seuil0,026

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,010
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,004
Communication savante0,0040,003
Science ouverte0,0010,002
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0080,000

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 Opus0,014
Tête enseignante GPT0,220
Écart entre enseignants0,205 · 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'étudeThéorique ou conceptuel
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

Citations4
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSSRN Electronic JournalMême sujetBanking stability, regulation, efficiencyTravaux en français237 207