Benefits and Consequences of CECL-Adoption During COVID-19
Notice bibliographique
Résumé
The current expected credit loss (CECL) accounting model, which came into effect in 2020 in the United States, aims to address banks’ procyclical behavior and the delayed recognition of loan loss provisions (LLPs) experienced under the incurred credit loss model. Starting from 2020, major CECL-adopting banks initially increased LLPs, but quickly made large reversals in 2021, and then increased LLPs again in 2022, indicating procyclicality and contradicting the intended CECL purpose, which is for banks to build up long-term stable reserves. We explore this unexpected phenomenon by studying the consequences of adopting CECL and potential motivations for banks’ short-termism in building and releasing LLPs under the new accounting policy. Using a sample of U.S. Bank Holding Companies, we document that CECL-adopters exhibit increased volatility in LLPs and allowances for loan loss, report timelier and more valid LLPs, and show greater earnings response coefficients than non-CECL-adopters. However, we find that banks’ rapid LLP reversals in 2021 may have been motivated by opportunistic earnings management incentives. Our findings suggest that while the CECL model was intended to foster counter-cyclical and timelier loan loss provisioning, banks could have exploited its flexibility in LLP estimation for managerial opportunism, resulting in challenges for the policy intended to reduce banks’ procyclical behavior.
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 | 0,001 | 0,001 |
| 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 | 0,000 |
| 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 ».