Mapping Capital Ratios to Bank Lending Spreads: The Role of Efficiency and Asymmetry in Performance Indices
Notice bibliographique
Résumé
Beyond the 2007–2008 financial crisis, the collapse of the Silicon Valley Bank and the acquisition of Credit Suisse by the Swiss investment bank UBS Group AG in 2023 have brought fresh attention to the need for new regulatory capital, liquidity risk management, and leverage requirements. To meet tightened capital requirements, banks have to increase their capital ratios either by increasing equity or by decreasing risk-weighted assets. Both options lead to banks’ performance deterioration. One remedy for banks to recover is raising their lending spread. A critical question is how much the lending spread should be increased to offset the drop in the bank’s financial performance level. In this study, we focus on the asymmetries and efficiency consequences of performance indices such as economic value added (EVA) and the more commonly used return on equity (ROE) in determining the loan spread. Using data on the largest U.S. banks over the period 2018–2022, our results show that the ROE rule significantly overestimates the magnitude of the lending spreads required to offset the negative financial consequences of increases in capital ratios. The EVA approach, on the other hand, prescribes on average a significantly lower lending spread of 0.4505 basis points against a lending spread of 21.0441 basis points associated with the use of the ROE approach. The efficiency and the level of lending spreads should enable banks to maintain their competitive advantages in the loan markets impacting overall economic productivity and growth.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
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 tête enseignante, 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 ».