MARC

 008250123s2024        us                              c    eng  d
■001000017164927
■00520250211153104
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798384092216
■035    ▼a(MiAaPQ)AAI31673968
■035    ▼a(MiAaPQ)OhioLINKosu1703247567280448
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a630
■1001  ▼aDing,  Kexin.
■24510▼aEssays  on  Analyzing  Agricultural  Forecasts  and  Banking
■260    ▼a[Sl]▼bThe  Ohio  State  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a103  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-04,  Section:  B.
■500    ▼aAdvisor:  Katchova,  Ani  L.
■5021  ▼aThesis  (Ph.D.)--The  Ohio  State  University,  2024.
■520    ▼aIn  the  agricultural  sector,  forecasts  are  vital  for  producers,  commodity  and  financial  market  participants,  and  researchers.  My  three  dissertation  essays  focus  on  agricultural  forecast  and  agricultural  finance  analysis,  including  the  ex  post  evaluation  and  forecasting  modeling.The  first  essay  conducts  optimality  tests  on  the  World  Agricultural  Supply  and  Demand  Estimates  (WASDE)  forecasts  for  corn,  soybeans,  and  wheat  published  from  1988  to  2019.  Motivated  by  the  long-lasting  debate  on  whether  WASDE  forecasts  are  optimal,  we  employ  an  unknown  loss  method  for  ex  post  evaluation,  which  assumes  that  the  United  States  Department  of  Agriculture  (USDA)  forecasters'  loss  function  is  unknown.  Our  results  suggest  that  USDA  forecasters  generally  realize  optimality  during  the  data-generating  process.  Our  findings  are  consistent  with  previous  studies  when  narrowing  down  the  more  general  unknown  loss  function  to  the  symmetric  or  asymmetric  loss  function  which  assumes  a  specific  shape  for  the  loss  function.  This  study  provides  implications,  based  on  the  unknown  loss  function,  that  the  USDA  forecasters  can  boost  their  information  set  as  an  alternative  way  to  improve  the  WASDE  forecasts.The  second  essay  aims  to  investigate  the  factors  affecting  the  net  interest  income  of  U.S.  agricultural  banks,  using  data  collected  from  the  Uniform  Bank  Performance  Report  (UBPR).  Several  problems  emerge  along  with  the  non-agricultural  lending  occurring  in  agricultural  areas,  drawing  significant  attention  from  market  participants  and  researchers.  The  role  of  banks  in  the  agricultural  areas  is  decisive  for  financial  stabilization.  Their  net  interest  income  is  fundamental  for  driving  profitability  and  managing  risk.  Our  results  suggest  that  the  real  positive  effect  of  agricultural  loans  on  the  net  interest  income  may  be  long  underestimated.  Additionally,  low  liquidity  eliminates  the  positive  effect  of  loans  on  the  net  interest  income.The  third  essay  explores  the  performance  of  the  innovative  deep  learning  methods  for  forecasting  the  net  interest  income.  Financial  forecasting  in  banking  becomes  a  crucial  ingredient  of  decision-making  to  comply  with  regulations  and  governance.  Particular  priority  was  given  to  risk  management  when  concentrating  on  agricultural  banking.  Although  there  are  long-lasting  concerns  about  applying  deep  learning  in  agricultural  finance  management,  its  contributions  to  banks'  profitability  and  stability  are  significant.  Our  results  document  the  deep  learning  method  as  complementary  to  the  traditional  linear  model  to  achieve  predictability  and  maintain  interpretability.  Additionally,  a  higher  demand  for  loans,  arising  from  the  decline  in  farm  income,  may  dampen  the  sustainability  of  agricultural  banking  due  to  increased  credit  risk.
■590    ▼aSchool  code:  0168.
■650  4▼aAgriculture
■653    ▼aFinancial  market
■653    ▼aFinancial  forecasting
■653    ▼aAgricultural  banking
■690    ▼a0501
■690    ▼a0473
■690    ▼a0770
■71020▼aThe  Ohio  State  University▼bAgricultural,  Environmental  and  Developmental  Economics.
■7730  ▼tDissertations  Abstracts  International▼g86-04B.
■790    ▼a0168
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17164927▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books