Chapitre 14. Les investissements en disponibilités et en valeurs mobilières de placement
Bibliographic record
Abstract
Les entreprises détiennent souvent une importante trésorerie. Bien que les actifs sans risque procurent une faible rentabilité, ils représentent un investissement à faible (ou sans) risque. Lorsque la liquidité est investie au taux du marché, elle a une valeur neutre. Sous quelques conditions, cependant, d’importantes liquidités peuvent créer ou détruire de la valeur. Pour les grandes entreprises bénéficiant d’un accès au marché des capitaux mais ayant un nombre limité d’opportunités d’investissement, l’accumulation d’une importante trésorerie est difficile à justifier et peut conduire à la diminution de la valeur. Pour les petites entreprises, avec des opportunités d’investissement croissantes, avec un fort potentiel de croissance et un accès limité au marché des capitaux, le maintien d’une importante trésorerie peut être regardé de manière positive, non seulement parce que cela leur permet de réaliser ces investissements mais aussi parce que cela augmente la probabilité de leur survie.Les entreprises investissent parfois en actifs risqués, tels que les actions ou les obligations d’autres entreprises. Certaines réalisent ces investissements, guidées par les promesses d’une rentabilité supérieure ; cette rentabilité élevée est accompagnée, cependant, d’un risque élevé, et ne va pas augmenter la valeur de l’entreprise. D’autres réalisent ces investissements pour des raisons stratégiques et utilisent ces placements en actions pour influencer le développement de produits et créer des synergies. Enfin, certaines sociétés investissent en actions qu’elles pensent sous-évaluées et espèrent réaliser un gain. Les sociétés financières investissent en actifs risqués car cela fait partie de leur activité principale.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one teacher head, not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".