L’effet de l’annonce d’un évènement de fraude médiatisée sur la réputation (financière) et le risque des industries
Notice bibliographique
Résumé
Les fraudes financières ont eu des impacts significatifs sur les marchés financiers et bien que de nouvelles règlementations furent mises en place dans le passé, les entreprises continuent de tenter leurs chances et les cas de fraudes ont toujours continué à survenir. Parmi les cas de fraudes survenues dans l’histoire, certains sont d’une plus petite ampleur et d’autres ont ébranlé la place publique et les marchés. Nous n’avons qu’à imaginer les fraudes comptables d’Enron et WorldCom. Nous constatons dans la littérature que les médias ont un impact important sur les rendements boursiers et ceci est démontré entre autres par Liu, Smith et Syed (1990) Ferreira et Smith (2003) et Tetlock (2007) à l’aide d’informations en provenance du Wall Street Journal. Par ailleurs, nous notons un impact significatif sur le rendement des actionnaires (Karpoff, Lee et Martin (2008)) causé par les évènements de fraude financière. Alors, dans le cadre de ce mémoire, nous allons ajouter une compréhension supplémentaire à la littérature en analysant l’impact des annonces de fraude financières médiatisé sur le risque systématique et l’effet de contagion sur l’industrie de l’entreprise frauduleuse. Pour ce faire, nous utilisons une base de données de l’Université de Sherbrooke de 1 173 évènements de fraude comprise entre 2000 et 2019 traitées par le Wall Street Journal. Permettant ainsi d’analyser les évènements de fraudes au travers de ce quotidien. Nous employons une approche conditionnelle suivant la méthode de Ferson et Schadt (1996). En premier lieu, nous allons expliquer les variations du risque systématique de l’industrie de l’entreprise frauduleuse. Deuxièmement, nous nous penchons sur l’effet de contagion du risque systématique entre l’entreprise impliquée et son industrie. Pour terminer, nous apportons une compréhension supplémentaire en analysant les résultats obtenus en fonction des caractéristiques de la fraude comme le type de fraude, le type de victime, le type de finalité juridique et selon certains facteurs médiatiques du Wall Street Journal. Nous avons aussi trouvé une variation significative du risque systématique de l’industrie de l’entreprise frauduleuse ainsi qu’un effet de contagion. Pour conclure, la fréquence est le paramètre qui semble influencer le plus le risque, mais ce de façon non significative. Nous avons trouvé très peu de lien entre les paramètres médiatiques et le changement dans le risque systématique et l’effet de contagion.
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 | 0,007 | 0,041 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,013 | 0,007 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,039 | 0,004 |
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 ».