Pricing and Mispricing of Accounting Fundamentals in the Time‐Series and in the Cross Section
Notice bibliographique
Résumé
Abstract This study examines the extent to which parsimonious and general cross‐sectional valuation models, restricted to include only publicly available historical accounting information, explain share prices in the cross section, identify periods when market mispricing may be more pervasive, and also identify which shares within those cross sections are more likely to be mispriced. Our model simply includes historical book value, earnings, dividends, and growth, but it explains on average over 60 percent of the cross‐sectional variation in share prices in annual estimations across 1975–2011. We also examine the extent to which the residuals indicate mispricing. The quintile of stocks picked by our model as most likely underpriced outperform the quintile of stocks picked as most likely overpriced by an average of 9.9 percent over the following 12 months, after controlling for size. We also predict and find that value residuals are better predictors of future abnormal returns: (i) among firms that are not covered by analysts; (ii) among firms that face fewer accounting measurement challenges; and (iii) when we estimate value model parameters by industry/year. We also predict and find our approach works better in periods when the mapping of fundamentals into prices is weaker. This study contributes a novel and straightforward approach to map accounting fundamentals into share prices in order to identify mispricing in time‐series and in the cross section.
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 | 0,003 | 0,012 |
| 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 | 0,001 | 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 ».