Analyse de possibles délits d’initiés dans les conglomérats bancaires américains : de leurs émissions de prêts syndiqués à l’investissement boursier via leurs fonds communs de placements
Notice bibliographique
Résumé
L’objectif de ce mémoire est de vérifier si les conglomérats bancaires américains utilisent de l’information privilégiée provenant de leur branche de prêts syndiqués pour obtenir un rendement ajusté pour le risque supérieur dans leurs propres fonds communs de placement. Pour ce, nous vérifions la présence de rendements anormaux dans les fonds communs de placement qui sont gérés par la même institution financière à l’origine d’un nouveau prêt syndiqué (marché primaire). S’il y a bien de l’information privilégiée circulant entre les responsables des émissions de prêts syndiqués dans les conglomérats bancaires américains et les gestionnaires de fonds communs de placement du même conglomérat, ceci pourrait générer des rendements anormaux positifs pour ces fonds communs. À l’aide des bases de données de Loan Pricing Corp (LPC) pour obtenir de l’information sur toutes les premières émissions de prêts syndiqués de conglomérat lead entre 1999-2018 et la base de données CRSP pour obtenir les rendements de tous les fonds communs concernés pour la même période, nous avons pu analyser les rendements des fonds communs étudiés suivant les premières émissions de prêts. Nos résultats ne nous permettent pas de tirer des conclusions décisives concernant nos hypothèses. En effet, les performances moyennes des fonds communs de placement étudiés suivant une annonce de prêt syndiqué, ne sont pas significativement différents des rendements attendus selon le marché pour les variables binaires 1 jour, 5 jours, 10 jours et 20 jours. En cherchant plus loin, nous remarquons que les résultats de sous-échantillons qui segmentent nos données en fonction de périodes d’analyse plus courtes et de public d’investisseurs différents, ne conclut pas non plus qu’il y a des rendements anormaux positifs suivant de premières annonces de prêts syndiqués. Enfin, suivant nos analyses de moyennes, nous effectuons des tests pour vérifier si nos résultats significatifs sont eux même présents en proportion significative et nous ne trouvons pas une plus grande proportion de résultats significatifs positifs. De plus, étant donné notre grand nombre de régressions effectuées, nous pouvons estimer avec précisions que nos résultats sont différents de zéro et négatifs en moyenne, ce qui est contraire à notre hypothèse de départ.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 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 ».