MétaCan
Menu
Retour à la cohorte
Enregistrement W4250975494 · doi:10.1287/mnsc.2020.3938

Collateralized Networks

2021· article· en· W4250975494 sur OpenAlexfundno aff
Samim Ghamami, Paul Glasserman, H. Peyton Young

Notice bibliographique

RevueManagement Science · 2021
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueBanking stability, regulation, efficiency
Établissements canadiensnon disponible
Organismes subventionnairesUniversity of OxfordYork University
Mots-clésCollateralDefaultPaymentBusinessCollateralized debt obligationLeverage (statistics)BankruptcyActuarial scienceFinanceComputer science

Résumé

récupéré en direct d'OpenAlex

This paper studies the spread of losses and defaults in financial networks with two interrelated features: collateral requirements and alternative contract termination rules. When collateral is committed to a firm’s counterparties, a solvent firm may default if it lacks sufficient liquid assets to meet its payment obligations. Collateral requirements can, thus, increase defaults and payment shortfalls. Moreover, one firm may benefit from the failure of another if the failure frees collateral committed by the surviving firm, giving it additional resources to make other payments. Contract termination at default may also improve the ability of other firms to meet their obligations through access to collateral. As a consequence of these features, the timing of payments and collateral liquidation must be carefully specified to establish the existence of payments that clear the network. Using this framework, we show that dedicated collateral may lead to more defaults than pooled collateral, we study the consequences of illiquid collateral for the spread of losses through fire sales, we compare networks with and without selective contract termination, and we analyze the impact of alternative resolution and bankruptcy stay rules that limit the seizure of collateral at default. Under an upper bound on derivatives leverage, full termination reduces payment shortfalls compared with selective termination. This paper was accepted by Kay Giesecke, finance.

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 candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,833
Score d'incertitude au seuil0,685

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,002
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
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 Opus0,019
Tête enseignante GPT0,228
Écart entre enseignants0,209 · 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'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

Citations27
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueManagement ScienceMême sujetBanking stability, regulation, efficiencyTravaux en français237 207