Le rôle des états financiers dans la prédiction des rendements boursiers
Bibliographic record
Abstract
Les états financiers publiés par les entreprises publiques ont pour objectif de communiquer sur la performance financière de celles-ci ainsi que sur les risques auxquelles elles sont exposées. Ces informations sont destinées aux investisseurs afin de réduire l’asymétrie informationnelle et de les aider à prendre les meilleures décisions d’investissement. Cela dit, dans un marché boursier, influencé par plusieurs autres facteurs (l’offre, la demande, les médias, les spéculateurs, les analystes financiers, les événements macro-économiques…), est-ce que les états financiers conservent leur pertinence et sont toujours capables de permettre aux investisseurs de réaliser des rendements supérieurs à ce que le marché peut offrir ? Notre recherche vise à déterminer si l’analyse fondamentale permet de réaliser des rendements anormaux et s’il y a une relation entre cette analyse et les rendements des actions sur le marché boursier canadien. Pour répondre à cette question nous avons analysé les entreprises qui constituent l’indice S&P/TSX Composé sur la période qui s’étale entre 2010 et 2018. Les méthodes utilisées consistent en une analyse fondamentale concentrée sur l’identification de signaux comptables calculés à partir des états financiers (ratios). Une analyse technique a également été effectuée, et qui consiste à identifier les signaux d’achat et de ventes des titres boursiers à partir d’une analyse de leurs cours historiques. Les résultats de notre recherche laissent supposer que sur le marché boursier canadien, l’analyse fondamentale permet de générer des rendements supérieurs à ceux du marché, et meilleurs que ceux générés par l’analyse technique. _____________________________________________________________________________ MOTS-CLÉS DE L’AUTEUR : états financiers, analyse fondamentale, analyse technique, efficience des marchés, rendements
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 | 0.027 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.004 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.006 | 0.003 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.010 | 0.002 |
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".