L’effet de l’annonce d’un évènement de fraude médiatisée sur la réputation (financière) et le risque des industries
Bibliographic record
Abstract
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.
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 | 0.007 | 0.041 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.003 |
| Science and technology studies | 0.002 | 0.003 |
| Scholarly communication | 0.013 | 0.007 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.039 | 0.004 |
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".