Notice bibliographique
Résumé
This thesis combines three papers studying the effects of innovations in modern digital platforms on investors and securities. In Chapter 1, I build a model where endogenous prices set by entrepreneurs play a central role in determining the success rates of their projects. Individuals with private information about the value of projects choose the appropriate time for investments using equity crowdfunding platforms. When opportunity costs are sufficiently low, investors with sufficiently high valuations promote the project to others by investing early. As opportunity costs increase, entrepreneurs lower prices to make the project more competitive compared to outside options, creating the "pricing effect." I then show that, as a consequence of the pricing effect, increases in opportunity costs improve project success rates during times of high costs. Furthermore, if prices remained unchanged, then more valued projects would be more likely to succeed. However, entrepreneurs increase asset prices as they have more valued projects, discouraging individuals to invest. As a result of this increase in asset prices, projects with lower expected values have higher success rates than those with higher expected values.Chapter 2 is a joint work with Redouane Elkamhi. We extend Kyle (1985) by introducing transparency in trade orders and insiders with single/multiple accounts. We find that splitting orders across time without fully revealing private information requires multiple accounts. Therefore, insiders with a single account trade more aggressively than insiders with multiple accounts. This heterogeneity in trade behaviors leads to non-monotonicity between volume and fundamental value. In Chapter 3, using an event study analysis with 60 cases from the Coinbase exchange over the period 2016–2021, I discover that newly included coins into the Coinbase exchange, on average, experience 16.8% gain in its price in the first day following the inclusion announcement. Price appreciation continues in the following days, reaching a high of 22.52% on the fourth day. Price depreciation occurs at a slower rate, taking another 14 days to lose all of the gains seen in the first four days, which shows that Coinbase effect is not persistent but leads to short-term bubbles for event coins.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,002 |
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 ».