MétaCan
Menu
Retour à la cohorte
Enregistrement W640576820 · doi:10.34989/swp-2012-38

Liquidity and Central Clearing: Evidence from the CDS Market

2021· preprint· en· W640576820 sur OpenAlexaff
Joshua Slive, Jonathan Witmer, Elizabeth Woodman

Notice bibliographique

RevueEconstor (Econstor) · 2021
Typepreprint
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueBanking stability, regulation, efficiency
Établissements canadiensBank of Canada
Organismes subventionnairesnon disponible
Mots-clésClearingMarket liquidityFinancial systemBusinessFinancial crisisCentral bankLiquidity riskMonetary economicsEconomicsFinanceMonetary policyMacroeconomics

Résumé

récupéré en direct d'OpenAlex

An international initiative to increase the use of central clearing for OTC derivatives emerged as one of the reactions to the 2008 financial crisis. The move to central clearing is a fundamental change in the structure of the market. Central clearing will help control counterparty credit risk, but it also has potential implications for market liquidity. We analyze the relationship between liquidity and central clearing using information on credit default swap clearing at ICE Trust and ICE Clear Europe. We find that the central counterparty chooses the most liquid contracts for central clearing, consistent with liquidity characteristics being important in determining the safety and efficiency of clearing. We further find that the introduction of central clearing is associated with a slight increase in the liquidity of a contract. This is consistent with two countervailing effects. On one hand, central clearing will likely increase collateral requirements relative to the pre-reform bilaterally-cleared market, thereby increasing clearing costs and possibly reducing the liquidity of the market. On the other hand, improved management of counterparty credit risk, increased transparency and operational efficiencies at central counterparties could bring more competition into OTC derivative markets and serve to increase liquidity.

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)0,002
score de la tête « metaresearch » (Gemma)0,002
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,043
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,002
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0010,000
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0060,000

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 Opus0,034
Tête enseignante GPT0,235
Écart entre enseignants0,200 · 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

Citations11
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEconstor (Econstor)Même sujetBanking stability, regulation, efficiencyTravaux en français237 207