MétaCan
Menu
Retour à la cohorte
Enregistrement W245337225 · doi:10.1515/jbvela-2013-0022

Effect of Liquidity on Size Premium and its Implications for Financial Valuations

2014· article· en· W245337225 sur OpenAlexfundno aff
Frank Torchio, Sunita Surana

Notice bibliographique

RevueJournal of Business Valuation and Economic Loss Analysis · 2014
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueFinancial Markets and Investment Strategies
Établissements canadiensnon disponible
Organismes subventionnairesDalhousie University
Mots-clésValue premiumMarket liquidityFair valueLiquidity premiumEconomicsCapital asset pricing modelFinancial economicsEquity (law)Liquidity riskMarket capitalizationCapitalizationMarket valueCost of equityFair market valueMonetary economicsCost of capitalStock marketFinanceMicroeconomics

Résumé

récupéré en direct d'OpenAlex

Courts are often required to determine a stock’s “fair value,” which by definition excludes any reduction to value because of a lack of liquidity. The method of computing fair value most frequently used by practitioners is the discounted cash flow analysis, which requires calculating the cost of equity. Over the last decade, many practitioners have included a size premium in the computation of the cost of equity based on the finding that historic returns for firms with lower market capitalization are greater than the returns implied by the standard capital asset pricing model. Our findings show that a substantial fraction of the measurement of size premiums reflects a lack of liquidity, which disproportionately affects smaller sized companies. Because a reduction to value from illiquidity should not be reflected in the measurement of fair value, this finding has implications for assessments of fair value that employ the commonly used size premiums. Specifically, our findings suggest that valuations of small capitalization stocks that reflect these size premiums will cause the fair value to be underestimated because of the effect of lower liquidity. The smaller the size, the greater is the underestimation in value.

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 distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,724
Score d'incertitude au seuil0,465

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,035
Tête enseignante GPT0,268
Écart entre enseignants0,232 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Business Valuation and Economic Loss AnalysisMême sujetFinancial Markets and Investment StrategiesTravaux en français237 207