MétaCan
Menu
Retour à la cohorte
Enregistrement W3125178110 · doi:10.1111/1911-3846.12127

Understanding Cross‐Country Differences in Valuation Ratios: A Variance Decomposition Approach

2015· article· en· W3125178110 sur OpenAlexvenueno aff
Timothy K. Chue

Notice bibliographique

RevueContemporary Accounting Research · 2015
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueFinancial Markets and Investment Strategies
Établissements canadiensnon disponible
Organismes subventionnairesHong Kong Polytechnic University
Mots-clésDividendValuation (finance)EarningsEconomicsProfitability indexEarnings growthFinancial economicsEconometricsVariance decomposition of forecast errorsAccountingFinance

Résumé

récupéré en direct d'OpenAlex

Abstract We use a variance decomposition approach to examine why aggregate valuation ratios differ across countries. In a cross section of 22 developed countries from 1980 to 2009, we find that 50 percent of all cross‐country differences in the aggregate price‐to‐book ratio (P/B) can be explained by cross‐country differences in expected future five‐year profitability. In the second half of our sample period, this percentage exceeds that of the first half, rising to almost 64 percent. Although international differences in accounting standards and conventions may have made earnings from different countries more difficult to compare relative to dividends, we find that it is still cross‐country differences in expected future profitability, rather than dividend growth rates, that are more closely related to international differences in valuation ratios. Even among 25 emerging markets, we find that expected future profitability at the five‐year horizon can account for 29 percent of all cross‐country P/B variations. Our results show that international investors are able to identify substantial cross‐country differences in future‐earnings prospects and incorporate them into stock market valuations.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,013
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,023

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,013
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0030,003
Études des sciences et des technologies0,0000,000
Communication savante0,0020,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,440
Tête enseignante GPT0,364
Écart entre enseignants0,076 · 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 source (Gemma direct ou Codex distillé), 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

Citations3
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueContemporary Accounting ResearchMême sujetFinancial Markets and Investment StrategiesTravaux en français237 207