The Relation between Aggregate Earnings and Security Returns over Long Intervals*
Notice bibliographique
Résumé
Abstract This paper provides a theoretical explanation and consistent empirical evidence for the increase in the contemporaneous correlation between returns and aggregate earnings as the return interval is lengthened. Consistent with intuition and with Easton, Harris, and Ohlson 1992, the analysis shows that aggregation over time renders the lag in accounting recognition relatively less important and thus improves the returns‐earnings R2. Interestingly, the analysis also reveals that aggregating earnings over longer periods increases the positive covariance between aggregate earnings and the accounting lag, which may further increase the R2. This positive covariance can lead to an earnings coefficient greater than one over some range of aggregation, which is consistent with the findings of Easton et al. that over the 10‐year interval the returns‐earnings regression slope coefficient is greater than one (1.7). The empirical results highlight the fact that the slope coefficient, which is greater than one and increasing with the interval, accounts for much of the increment to the returns‐earnings R2. In fact, constraining the slope coefficient to be one results in an R2 of 11 percent for the 10‐year interval, which is considerably lower than the R2 of 47 percent when the regression is unconstrained. Hence, the positive covariance between current earnings and the accounting lag, rather than the diminishing effect of the accounting lag, appears to be the dominant explanation for the observed high R2 over long intervals.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».