Downsides and DCF: Valuing Biased Cash Flow Forecasts
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The discounted cash flow valuation method relies on expected cash flows. But because they often ignore low‐probability downside events, the forecasts of expected cash flows that are provided by corporate managers and analysts are often excessively optimistic, or upwardly biased. As a result, such forecasts need to be adjusted when used in valuations. Whereas academics generally prefer adjustments of the cash flow forecasts, practitioners typically account for such downsides by increasing t he discount rate above the market‐based cost of capital. This article suggests that the appropriate adjustment to the DCF formula should depend on the nature of the omitted downside. The author shows that when the down side is assumed to be “temporary”— say, a large, weather‐related loss—the appropriate adjustment to the DCF formula is to reduce the forecasts by the expected downside and set the discount rate equal to the market‐based cost of capital. But when the omitted downside scenario is expected to be “permanent”—in the sense that the event reduces all subsequent future cash flows—the appropriate adjustment is to reduce the cash flows and increase the discount rate to reflect the probability that such a downside occurs. By endorsing both of these prescriptions, the author effectively acknowledges that there is a reasonable conceptual basis for both the academic approach of adjusting the forecasted cash flows and the practitioner approach of inflating the discount rate. The appropriate approach depends on the characterization of the omitted downside as either temporary or permanent.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle