MétaCan
Menu
Retour à la cohorte
Enregistrement W4389108344 · doi:10.5539/ibr.v16n12p51

The Multiple-Scenario Valuation Method: When Robust Strategy Meets Valuation Needs

2023· article· en· W4389108344 sur OpenAlexvenueno aff
Andrea Zanoni, Silvia Vernizzi

Notice bibliographique

RevueInternational Business Research · 2023
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueCapital Investment and Risk Analysis
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésValuation (finance)ConfusionVolatility (finance)BusinessComputer scienceEconomicsActuarial scienceRisk analysis (engineering)AccountingFinancial economics

Résumé

récupéré en direct d'OpenAlex

In the presence of great uncertainty and volatility, the valuation of single assets or enterprises can be extremely complicated. Over the last few years, the European Securities and Market Authority (ESMA) has analyzed the potential impacts of these uncertainties on the application of the Impairment of Assets (IAS 36) accounting standards and exhorted firms adopting the IAS/IFRS accounting standards to consider multiple scenarios in forecasting information. This study, adopting a theoretical and conceptual perspective, aimed to analyze the theoretical and practical implications of the shift from single-path to multiple-scenario analysis. This paper contributes to the literature in the following ways: first, it suggests a new perspective of analysis that combines valuation needs with a strategic approach (a robust strategy). Second, it contributes to clarifying the antecedents and consequences of the ESMA recommendations. Furthermore, the paper also has practical implications as it highlights some critical issues associated with every valuation process, including the need to cope with growing uncertainty, the necessity of clarifying the great misunderstanding related to the confusion between the multiple-scenario valuation method and sensitivity analysis, and, last but not least, the importance of the relationship between strategy and the valuation process.

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)0,007
score de la tête « metaresearch » (Gemma)0,002
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,566
Score d'incertitude au seuil0,998

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0070,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0010,000
Communication savante0,0010,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,003

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 Opus0,302
Tête enseignante GPT0,390
Écart entre enseignants0,088 · 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.

Devis d'étudeThéorique ou conceptuel
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

Citations0
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Business ResearchMême sujetCapital Investment and Risk AnalysisTravaux en français237 207