Understanding the Dynamics of IPO Underpricing and Its Effect on Bond Issuance Strategies
Notice bibliographique
Résumé
Important milestones in a company's life cycle, IPOs are often marked by underpricing. The equities of high-tech enterprises on the China Scientific and Technological Innovation Board (STAR Markets) are significantly underpriced during IPOs. In this paper, we use the Two-tier Stochastic Frontier Models to break IPO underpricing down into its component parts—the pricing effect of the primary market while the transaction effect of the secondary market—and then we examine how these two markets differ in their effects on IPO underpricing. We do this from an investor behavior perspective in order to understand why STAR Market has such high IPO underpricing. Furthermore, company size has little bearing on the IPO underpricing. As a result, the STAR Market's IPO underpricing has historically been mostly influenced by secondary market investor activity. To investigate this, we used Ordinary Least Squares regression modeling to look at how underpricing affected the long-term success of IPOs. In China's STAR market, underpriced IPOs were associated with better long-term success, according to the regression results. We provide an evolving framework of a market for IPOs, where companies seek investment funds by becoming public. In making decisions about going public, raising and investing funds, and pricing the IPO, the initial shareholders have access to confidential information about the quality of their company's investment prospects. There are two categories of outside investors: those who are privy to the original shareholders' hidden financial motivations and those who learn about the IPO market only from publicly available IPO market data.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».