The Failure of Silicon Valley Bank: A Test of Market Efficiency
Notice bibliographique
Résumé
The unexpected collapse of Silicon Valley Bank (SVB) on March 10, 2023, sent shockwaves through the tech industry. SVB, a long-standing financial institution serving tech startups for nearly four decades, suddenly shifted from solvency to insolvency within 48 hours, marking the second-largest bank failure in U.S. history. This event provides an excellent opportunity to test the Efficient Market Hypothesis (EMH), particularly its semi-strong form, which posits that rapid information absorption prevents significant stock price gains in response to new information. This research uses the standard event study methodology in the finance literature to investigate SVB’s collapse and its impact on the stock prices of 30 banks traded on the New York Stock Exchange. The study aims to discern whether stock returns exhibited reactions prior to, on, or after the public announcement of SVB’s failure, thereby assessing market efficiency. Using historical stock and S&P 500 index data, the study analyzes holding period returns, performs regression analyses for pre-event periods, and calculates average excess returns. Results indicate statistically significant negative impacts on stock prices surrounding and on the event date. Furthermore, consistent with behavioral finance theory, a decline in adjusted stock prices approximately 7 days before the event suggests anticipatory market behavior, in line with semi-strong market efficiency. SVB’s case emphasizes the role of external factors, regulatory changes, and industry concentrations in shaping market responses. This research contributes empirical evidence to the discourse on market efficiency, highlighting the need for a nuanced understanding of market behaviors during crises. Lessons from SVB’s collapse will inform regulatory and risk management strategies, impacting future discussions on market efficiency. Likewise, the study results support the semi-strong form efficient market hypothesis and suggest the possibility of trading on this information up to 7 days prior to the announcement consistent with the behavioral finance literature (Bacon & Howell 2021). This study provides valuable insights into market dynamics during unprecedented events, influencing future discussions on regulation, risk management, and market efficiency.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,015 |
| 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 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».