Do Analysts’ Cash Flow Forecasts Improve Their Target Price Accuracy?
Notice bibliographique
Résumé
ABSTRACT The literature on the usefulness of analysts’ cash flow forecasts is unsettled, with Call et al. ( ), Mohanram ( ), and Radhakrishnan and Wu ( ) providing evidence in favor of their usefulness, and Givoly et al. ( ), Bilinski ( ), and Ecker and Schipper ( ) questioning this. Target prices provide a good setting to test the usefulness of cash flow forecasts because they are an ultimate output of an analyst's valuation process to which cash flow forecasts are an input. Moreover, studying the effect of cash flow forecasts on target prices is more relevant for assessing their usefulness than is studying their effect on earnings‐forecast accuracy, as the accuracy of target prices requires a comparison with market prices, which are less subject to management influence than reported earnings. By improving an analyst's understanding of unexpected accruals and permanent earnings, a cash flow forecast can increase an analyst's target price accuracy and signal an analyst's superior forecasting ability. We examine whether, conditional on their earnings forecasts, analysts’ cash flow forecasts improve their target price accuracy. We find that when analysts issue cash flow forecasts, their target price accuracy increases. We also find that this accuracy increases with the accuracy of their cash flow forecasts. Finally, we find that this increased target price accuracy is greater for more challenging‐to‐value firms. Our study provides confirmatory evidence of the usefulness of analysts’ cash flow forecasts.
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 | 0,010 | 0,145 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».