Essays in Corporate Finance
Notice bibliographique
Résumé
In this dissertation, I explore the effects of exogenous shocks on firms' and managers' behaviors. The first essay examines the effect of shareholder-initiated litigation risk on opportunistic insider trading by exploiting US states' staggered adoption of Universal Demand (UD) laws, which weakened shareholders' ability to file derivative lawsuits against corporate insiders. I find that UD laws lead to significantly more profitable insider trades, specifically insider sales. After the adoption of UD laws, insider sales on average avoid an additional loss of about 2 percent ($24,000) per month in buy-and-hold abnormal returns. The benefit of UD laws is greater for insiders of firms where information asymmetry is high and where monitoring by institutional blockholders is low. Moreover, the greater profitability of insider trading after UD laws comes from more opportunistic timing of trades. For instance, insiders engage in more profitable insider trading, both purchase and sales during pre-QEA period after UD laws. Overall, this study suggests that a decrease in shareholder-initiated litigation threat increases more serious types of insider trading in US firms. The second essay examines the ex-ante risk of credit rating change on firms' payout polices. My results suggest that firms near a credit rating change pay less dividend yields and are less likely to pay dividends compared to other firms. I find that firms that are on the border of their rating categories (POM) and on investment-speculative cutoffs (IG/SG) on average pay 0.09% and 0.20% less dividend yields respectively in the next quarter than other firms with similar underlying credit quality. These results are novel and are not obvious predictions of traditional theories of dividends. Furthermore, I find that POM firms are less likely to initiate a dividend and increase dividend yields compared to other firms. My results indicate that POM and IG/SG firms pay less dividend yields in all industries and almost every year from 1986 to 2016. Overall, my results show that firms with similar ability to pay dividends can have significantly different dividend payouts in response to their risks of rating change.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».