Confidence Level of Income Valuation of Banks on the Basis of Regression Analysis
Bibliographic record
Abstract
Cílem tohoto příspěvku je analyzovat přesnost stanovení predikce úrokových výnosů a výnosů z poplatků a provizí banky vypočítaných pouze odhadem na bázi regresní analýzy s vysvětlujícími proměnnými např. HDP, sazby PRIBOR, změny měnových kurzů apod. pro první a druhý rok finančního plánu oceňované komerční banky, přičemž tato přesnost bude stanovena jako procentuální odchylka od skutečně dosažené hodnoty vykázané v účetních výkazech oceňované banky. Otázkou je, jaká přesnost odhadu je ještě akceptovatelná a jaká už nikoliv. Oceňovací praxe povětšinou považuje za relativně dobrý odhad s odchylkou do 10 % od skutečného stavu a za maximálně akceptovanou odchylku do 20 %. Tu má v průměru pouze odhad čistého úrokového výnosu pro první rok plánu. Přesnost odhadu závisí zejména na přesnosti jednotlivých ocenění, kde tři z nich splňují akceptovanou odchylku 20 %. Přesnější informace bude možné získat dalšími výzkumy, až budu známa data pro další roky.
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 machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.024 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.008 | 0.001 |
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 source (direct Gemma or distilled Codex), 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".