Does annual report readability explain the accrual anomaly?
Notice bibliographique
Résumé
Purpose The purpose of the study is to investigate the possible role of annual report readability in accrual anomaly, shedding light on why investors fail to incorporate accruals information in a timely and unbiased manner beyond the original naive investor fixation explanation. Design/methodology/approach Using five proxies of annual report readability and available data over 1993–2017, we investigate whether accrual overpricing is more severe when annual reports are less readable. Findings We find little (substantive) evidence of accrual overpricing among high (low) readability firms. The readability effects are contingent on the level of business complexity and earnings management. Research limitations/implications This study extends the original naive investor fixation explanation and documents annual report complexity as a market friction in explaining the accrual anomaly, contributing to the mispricing vs risk debate and supporting the efficient market hypothesis. Practical implications Low readability of annual reports is a red flag to investors. Social implications This study provides support for regulatory initiatives aimed at enhancing readability of corporate disclosures to address market frictions and improve market efficiency. Originality/value Accrual anomaly has posed a challenge to the efficient market hypothesis. This study draws on and adds to the line of research indicating that annual report complexity is a friction erecting a barrier to transparency, hindering market efficiency. This study contributes to our understanding of the enigmatic accrual anomaly.
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 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 | 0,003 | 0,029 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 tête enseignante, 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 ».