La précision des analystes financiers en Europe : l’effet pays et l’effet secteur revisités
Bibliographic record
Abstract
Nous analysons les erreurs de prévision commises par les analystes financiers pour 13 pays européens sur la période 1990-2006. Afin de mettre en évidence les effets pays, industries et ceux spécifiques à la firme comme sources de variation des erreurs de précision, nous adaptons une méthode développée par Heston et Rouwenhorst (1994) pour étudier la décomposition de la variance des rendements boursiers. Nous estimons chaque effet à l’aide d’une régression avec des variables muettes, puis nous décomposons la variance en mettant en évidence la contribution de chaque effet. Nos résultats révèlent que les différences entre les pays, secteurs industriels ou nombre d’analystes offrent une faible explication aux erreurs de prévision. Par contre, notre analyse dynamique montre clairement que l’effet pays domine de façon continue l’effet industrie et le nombre d’analystes sur les marchés financiers européens jusqu'en 2004 où un retournement de tendance est observé. Lorsque le biais de prévision est étudié, l'ordonnancement est inversé dès 1997. Par contraste, le type de bénéfice – profits ou pertes – et la variation des bénéfices – augmentation ou diminution – jouent un rôle très significatif dans la performance des analystes financiers.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.019 | 0.055 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".