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
Bibliographic record
Abstract
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.
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 | 0.001 | 0.004 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 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) | 0.009 | 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".