How do Firms Hedge in Financial Distress? - Classification of hedging strategies in the US oil industry 2013-2015
Notice bibliographique
Résumé
We examine how firms hedge in financial distress. Using hand-collected data from oil and gas producers, we find that derivative portfolios in these firms are characterized by short put options. These positions are part of a composite three-way collar strategy that combines buying put options and selling put and call options with differing strike prices. We show that because liquidity demand varies with the degree of financial distress, the three-way collar strategy is the optimal risk management strategy that preserves incentives for future growth. The sample consists of publicly traded oil and gas producers in the US (SIC code 1311) between Q1:2013 and Q4:2015. Hedging strategies are hand-coded based on quarterly reports (10Q/10-Q reports). We sum each firm's outstanding derivatives positions regardless of maturity for each quarter and create a variable per hedging strategy that takes the value 1 if the sum is positive, zero otherwise. We classify individual firms’ hedge portfolios into five distinct hedging strategies based on the character of the provided protection and the cash flow impact. The dataset contains the classifiers for these five hedging strategies and is identified by quarter and global company key (GVKEY). The dataset contains quarterly classification of US oil companies' hedging strategies over the period 2013-2015. The strategies are classified based on reporting in each company's quarterly report. Five strategies are identified (described in the data file). Companies are identified by Global Company Key. The Global Company Key or GVKEY is a unique six-digit number key assigned to each company in the Capital IQ Compustat database
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,006 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».