Corporate Bitcoin Holdings: A Cross-Sectional Analysis of Sectoral Risk, Regulatory Influence, and Decentralized Governance
Notice bibliographique
Résumé
The integration of Bitcoin into corporate treasuries constitutes a critical strategic choice, motivated by its capacity to bolster liquidity and serve as an inflation hedge, while simultaneously being encumbered by pronounced financial volatility and regulatory ambiguity. This investigation examines sectoral variations in Bitcoin adoption, with particular attention to the manner in which financial risks, regulatory structures, and decentralized governance mechanisms shape corporate conduct across the technology, cryptocurrency mining, retail, healthcare, and e-commerce sectors. Drawing on a cross-sectional dataset encompassing 102 publicly traded firms collectively holding 1,001,861 BTC, the analysis employs MAD-based volatility, Firth logistic regression incorporating a U.S. regulatory dummy to account for the BITCOIN Act of 2025, and heatmap visualization to evaluate risk profiles and adoption patterns. Results demonstrate marked sectoral disparities: the technology and mining sectors command predominant holdings yet confront heightened risk exposure, whereas retail and healthcare sectors proceed with greater caution, guided by considerations of cost-value efficiency and regulatory adherence. The U.S. regulatory dummy is significant, indicating the BITCOIN Act facilitates high Bitcoin adoption, while recent transactional activity is marginally significant. The heatmap accentuates the technology sector’s pre-eminence in aggregate Bitcoin reserves and illuminates the differential influence of regulatory frameworks in non-U.S. jurisdictions. Anchored in Institutional Theory, the Technology Acceptance Model, and Transaction Cost Economics, the study advances the field by quantifying sector-specific risks and visually representing regulatory impacts, thereby furnishing actionable insights for treasury risk management and regulatory policy formulation within a decentralized financial ecosystem.
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 | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».