An empirical analysis of interest risk management in U.S. Commercial Banks
Notice bibliographique
Résumé
The present Dissertation discusses the decisions of interest risk management in U.S commercial banks for the last two stages of the previous business cycle. To address the research question, it was used cross-section and time-series quarterly data for multiple panel data regressions with on average 1060 U.S. commercial banks per quarter between 2001 and 2009. The panel data regressions contain variables related to banks’ characteristics and the macroeconomic environment. There are two different dependent variables that represent the two techniques of hedging interest rate risk: i) 1-year maturity gap divided by total assets, and ii) the natural logarithm of the total amount ($-value) of interest rate derivatives for hedging purposes. This Dissertation’s sample is divided in two periods: before the U.S. Subprime Crisis between 2001 and 2007 and during the U.S. Subprime Crisis (2007-2008). These two periods represent an expansion and a recession periods. The findings suggest that smaller banks have a more conservative maturity gap, while larger banks use more interest rate derivatives for hedging purposes. The macroeconomic environment does not seem to have an impact on the maturity gap for large derivatives users while it has for small commercial banks and for large non-derivatives user banks. When the decision is to use or not to use interest rate derivatives, the macroeconomic environment only affects large derivatives users.
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) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».