کد محصول: h161
قیمت فایل ترجمه شده ۱۸۰۰۰ تومان
تعداد صفحه انگلیسی: ۴۱
سال نشر: ۲۰۱۳
تعداد صفحه ترجمه فارسی: ۲۹ صفحه WORD
عنوان فارسی:
مقاله ترجمه شده پیشبینی بلند مدت رشد درآمد از منابع اطلاعاتی چندگانه
عنوان انگلیسی:
Predicting Long-Term Earnings Growth from Multiple Information Sources
چکیده فارسی:
درحالیکه رشد درآمد موردانتظار در بلندمدت نقشمحوری در ارزیابی و سرمایهگذاری برنامههای کاربردی، پروکسی مشترک، و تحلیل پیشبینی رشد بلندمدت (LTG) ، بازی میکند و بیش ازحد خوشبینانه شناخته شدهاند. باراهنمایی یک مدلرشد تلطیفشده، این مقاله از ۳منبع اطلاعاتی برای بهبود پیشبینی رشد- پیشبینی تحلیلگران، قیمت سهام، و صورتهای مالی استفاده میکند. ما دریافتیم که مدل رشد از LTG، رشد درآمدهای گذشته، نرخ درآمد به سمت جلو به عنوان یک پیشبینی بی طرف استفاده کردهاست. از میان مدلها اغلب مدلهای دقیق در این مقاله بررسی میشوند. پیشبینی رشد نتایج را در سود بالاتر معاملات، پیشبینی دقیقتر سهام، و برآورد قابل اطمینانتر از هزینه حقوق صاحبان سهام را نشان میدهیم. این یافته ها بیانمیکنند که چنین بهبودی منجربه پیامدهای اقتصادی در ارزیابی و سرمایهگذاری برنامههای کاربردی میشود.
کلمات کلیدی: رشد طولانیمدت، پیشبینی رشد درآمد، پیشبینیهای تحلیلگران، ارزش حقوق صاحبان سهام، نسبت ارزش
مقدمه
رشد درآمد انتظاری بلندمدت، نقش محوری را در ارزیابی و سرمایهگذاری برنامههای کاربردی بازی میکند. گرچه، پروکسی مشترک آنها، تحلیلگران پیشبینی رشد بلندمدت (LTG)، خوش بینانه شناخته شدهاند. در این مقاله، ما بدنبال بهبود پیشبینی رشد بلندمدت درآمد بااستفاده از ۳منبع پیشبینی شده- پیشبینیهای تحلیلگران، صورتهای مالی، و قیمت سهام هستیم. ابتدا انواع مدلهای پیشبینی را ارزیابی میکنیم و خصیصههای تحت تاثیر قرارداده نشده پیشبینیها را با دقت بالا را شناسایی میکنیم. برای اثبات بهبود پیشبینی رشد دنبالههای اقتصادی، اینکه آیا پیشبینی بهبودیافته با استراتژیهای معاملاتی سودآور مرتبط است را نیز تست میکنیم، و ارزش ذاتی را دقیقتر برآورد میکنیم، و برآورد قابل اطمینانتری از هزینه حقوق صاحبان سهام انجام میدهیم.
بررسیهای این مقاله دو انگیزه کلی دارند. ابتدا، هردو برنامه کاربردی علمی و عملی برای شرکتهایی که درآمد بلندمدت را انتظار دارند، پروکسی تقاضا کردند. مثالهایی دراین زمینه شامل پیادهسازی تجربی از مدلهای ارزشگذاری شده و برآورد هزینه حقوق صاحبان سهام میشود. تحلیلگران اغلب به چشم انداز رشد بلندمدت درآمد به عنوان یک توجیه اصلی برای توصیههای سهام خود با قیمتهای هدف متوسل میشوند. نرخ ارزشگذاری مردمی، نسبت رشد قیمت به درآمد(PEG) ، نیازمند یک معیار از رشد بلندمدت سود موردانتظار به عنوان عنصرکلیدی است. در این برنامهها، کیفیت پیشبینی رشد سود بلندمدت عواقب مستقیمی بر کیفیت نتایج ارزیابی داشتهاست.
دوم، استفاده رایج از پروکسی رشد بلندمدت – LTG که توسط تحلیلگران منتشر شده، و بخاطر اشکالات آن شناخته شدهاست. و این تمایل به سمت بالا، غیردقیق، و شکست در ترکیب اطلاعات عمومی را نشان داده است. LTG نسبت به مدلهای سری زمانی وساده دارای دقت کمتری است. کیفیت پایین LTG به ناچار تحت تاثیر ارزیابی برنامههای کاربردی متکی برآن قرار میگیرد. بنابراین، بهبود پیشبینی رشد سود بلندمدت باید دارای یک مفهوم خوشآیند برای پژوهشها و عمل مورد ارزیابی صاحبان سهام باشد. یک استراتژی، برای استفاده از منابع چندگانه اطلاعات بهمنظور پیشبینی رشد بلند مدت اتخاذ شده است، که تفاوتش با مطالعات قبلی در استفاده از یک منبع واحد مدل سریزمانی است، Abarbanell و Bushee از صورتهای مالی، Nekrasov و Ogneva از قیمت سهام استفاده کردند. اطلاعات ادغام شده ازمنابع چندگانه پیشبینی جمعآوری میشود، چرا که منابع اطلاعاتی که باهم ارتباطی ندارند به طورمشترک به پیشبینی کمک خواهندکرد، که منجر به یک نتیجه برتر نسبت به نتیجه هر منبع به تنهایی میشود. سود بلند مدت بسیار نامشخص است و تحت تاثیر فاکتورهای زیادی است،که هر منبع اطلاعاتی یکتا نمیتواند اطلاعات را بهخوبی پوشش دهد، برای همین پیشبینی سود بلندمدت میتواند به طورعمومی از چند منابع اطلاعاتی چندگانه اتخاذ شود.
Abstract
While expected long-term earnings growth plays a pivotal role in valuation and investment applications, its common proxy, analysts’ long-term growth forecasts (LTG), is well known for being over-optimistic. Guided by a stylized growth model, this paper uses three information sources to improve growth prediction—analysts’ forecasts, stock prices, and financial statements. We find that the growth model using LTG, past earnings growth, the forward earnings-to-price ratio and past returns as predictors is unbiased and most accurate among the models considered in this paper. We further show that this growth prediction results in higher trading profits, more accurate equity predictions, and more reliable estimates of cost of equity. The findings suggest that this improvement in growth prediction leads to economically significant consequences in valuation and investment applications.