MétaCan
Menu
Retour à la cohorte
Enregistrement W4416207526 · doi:10.70315/uloap.ulbec.2025.0203023

Principles of Mortgage Loan Portfolio Formation in Commercial Banking

2025· article· W4416207526 sur OpenAlexaffabout
Junan Zhang

Notice bibliographique

RevueUniversal Library of business and economics. · 2025
Typearticle
Langue
DomaineEconomics, Econometrics and Finance
ThématiqueBanking stability, regulation, efficiency
Établissements canadiensMorgan Solar (Canada)
Organismes subventionnairesnon disponible
Mots-clésUnderwritingSecuritizationMortgage underwritingPortfolioDebtLoanDiversification (marketing strategy)Mortgage insuranceShared appreciation mortgage

Résumé

récupéré en direct d'OpenAlex

This article is dedicated to the principles of forming a commercial bank’s mortgage loan portfolio, drawing on Canadian practices and comparing them with international approaches. The relevance of the topic is driven by the high share of mortgage assets on bank balance sheets and the increased debt burden of households. The novelty is formulated by linking regulatory requirements, insurance mechanisms, diversification, and asset-liability matching into a unified risk management framework. The paper describes underwriting standards, the logic of mandatory and portfolio insurance, diversification strategies that account for climate factors, and the impact of securitization on liquidity and capital. The study examines regulatory documents, industry reports, and academic publications on credit risk and stress testing. Particular attention is given to the consequences of short-term interest rate fixation in Canada and the impact of term renewals on portfolio stability. The work aims to develop a set of principles for maintaining an acceptable risk-return trade-off. To achieve this objective, comparative analysis, synthesis, regulatory analysis, and elements of scenario-based stress testing were employed. The conclusion describes the practical applicability of the findings for banks and supervisory authorities. The article will be useful for risk managers, regulators, and researchers of banking stability.

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)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,527
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,003
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,017
Tête enseignante GPT0,191
Écart entre enseignants0,174 · 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.

Devis d'étudeObservationnel
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

Citations0
Publié2025
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueUniversal Library of business and economics.Même sujetBanking stability, regulation, efficiencyTravaux en français237 207