MARC

 008260126s2025        us                              c    eng  d
■001000017357270
■00520260202103159
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798283140704
■035    ▼a(MiAaPQ)AAI31998422
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a658
■1001  ▼aBini,  Pietro.▼0(orcid)0000-0002-8346-0533
■24510▼aThree  Essays  in  Asset  Pricing  and  Machine  Learning
■260    ▼a[Sl]▼bCornell  University▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a241  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-12,  Section:  B.
■500    ▼aAdvisor:  Cong,  Lin.
■5021  ▼aThesis  (Ph.D.)--Cornell  University,  2025.
■520    ▼aThis  dissertation  investigates  two  significant  areas  in  financial  markets:  the  institutional  dynamics  of  life  insurance  companies  as  major  corporate  bond  investors,  and  the  emerging  challenges  of  large  language  models  applications  in  finance.  Together,  these  research  streams  contribute  to  our  understanding  of  both  traditional  financial  institutions  and  innovative  technological  disruptions  in  the  field.In  the  first  two  chapters,  I  examine  the  critical  role  of  life  insurance  companies  as  the  largest  domestic  investors  in  the  corporate  bond  market.  Chapter  1  analyzes  the  implications  of  life  insurance  companies  outsourcing  their  investment  decisions  to  external  advisers.  Life  insurers  collectively  outsource  nearly  $1  trillion  in  bond  investments  to  a  relatively  small  number  of  common  external  advisers,  rais-  ing  important  questions  about  systemic  risk  through  portfolio  concentration.  My  research  finds  that  portfolio  similarity  is  three  times  higher  between  insurer  pairs  with  the  same  adviser,  and  1.5  times  higher  between  insurer-mutual  fund  pairs  sharing  an  adviser.  This  interconnectedness  has  dual  implications  for  systemic  risk:  while  portfolio  similarity  amplifies  fire  sale  risks  when  these  institutions  face  common  shocks  (such  as  during  monetary  tightening  cycles),  it  can  also  enhance  financial  stability  when  institutions  face  divergent  shocks.  During  mutual  fund  outflows,  insurers  purchasing  bonds  sold  by  associated  mutual  funds  provide  a  stabilizing  effect  on  market  prices.Chapter  2  (joint  work  with  David  Ng  and  Xing  Zhou)  studies  the  sources  and  frictions  of  alpha  in  insurance  corporate  bond  portfolios.  We  study  the  perfor-  mance  of  corporate  bond  portfolios  of  life  insurers  based  on  detailed  daily  portfo-  lios  that  we  construct  from  the  combination  of  holdings  and  transaction  data  from  regulatory  filings.  Our  analysis  reveals  that,  on  average,  life  insurers'  portfolios  do  not  outperform  the  broader  market,  although  performance  varies  significantly  across  insurers  and  over  time.  We  find  that  investments  in  illiquid  bonds  can  yield  higher  returns  and  alpha;  however,  regulatory  restrictions  on  managing  the  duration  gap  between  assets  and  liabilities  offset  these  potential  gains.Building  on  my  interest  in  financial  market  dynamics,  Chapter  3  (joint  work  with  Will  Cong,  Xing  Huang,  and  Lawrence  J.  Jin)  extends  my  research  into  the  frontier  of  financial  technology  by  examining  behavioral  biases  in  Large  Language  Models  (LLMs)  when  making  economic  and  financial  decisions.  This  work  ad-  dresses  critical  questions  about  the  reliability  of  AI  systems  in  financial  applica-  tions:  Do  generative  AI  models  exhibit  systematic  behavioral  biases  similar  to  hu-  mans?  If  so,  how  can  these  biases  be  mitigated?  We  conduct  a  comprehensive  set  of  experiments-originally  designed  to  document  human  biases-on  prominent  LLM  families  with  variations  in  model  version  and  scale.  Our  findings  reveal  that  for  experiments  concerning  the  psychology  of  preferences,  LLM  responses  become  increasingly  irrational  and  human-like  as  models  become  more  advanced  or  larger.  Conversely,  for  experiments  concerning  the  psychology  of  beliefs,  the  most  advanced  large-scale  models  frequently  generate  more  rational  responses.  We  further  explore  various  methods  for  correcting  these  behavioral  biases  and  find  that  prompting  LLMs  to  make  decisions  according  to  the  Expected  Utility  framework  appears  most  effective.This  dissertation  contributes  to  both  traditional  finance  literature  on  institutional  investors  and  the  emerging  field  of  AI  applications  in  finance,  offering  insights  that  enhance  our  understanding  of  financial  market  stability  and  the  potential  limitations  of  technological  innovation  in  the  sector.
■590    ▼aSchool  code:  0058.
■650  4▼aFinance
■650  4▼aComputer  science
■653    ▼aBehavioral  biases
■653    ▼aCorporate  bonds
■653    ▼aInsurance
■653    ▼aLarge  language  models
■653    ▼aMachine  learning
■690    ▼a0508
■690    ▼a0984
■690    ▼a0511
■690    ▼a0454
■71020▼aCornell  University▼bManagement.
■7730  ▼tDissertations  Abstracts  International▼g86-12B.
■790    ▼a0058
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17357270▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서