Агрессивный признания доходов: бык или медведь последствия?

Аннотация

В заранее Enron период 1990-х годов, председатель SEC Артур Левитт начал кампанию против руководства заработка. В эпоху после окончания "Enron SEC активизировала процесс выявления фирм, которые продолжают управлять заработка. В течение обоих периодов, то можно утверждать, что метод учета чаще всего применяется для управления заработка признания выручки. Казалось бы, что в случае определенных видов практики, признание доходов, используются для перекачки доходов и стоимости акций, сообщение, что SEC ориентирована на фирму для практики признания выручки бы разваливающийся влияние на цены акций. Целью данной работы является оценка степени взаимосвязи между SEC ориентации прокламации для агрессивного признания доходов и соответствующее изменение цен акций компании. Нейронной сети анализ 45 SEC целевых фирм за период с 2000 по 2005 год показал, что подобные заявления не имеют негативное влияние на курс акций как на момент объявления и шесть месяцев спустя. Эти аналитические результаты показывают, что усиление контроля ревизии или увеличение штрафов может быть лучше пути, чтобы компенсировать фирм использования агрессивных признания доходов сок акций через прибыль управления ..

JEL классификациям: C65, E44, G18

Ключевые слова: Доходы управления, SEC, признание доходов, нейронные сети

I. ВВЕДЕНИЕ

Он часто предлагается, что усилия компании по управлению прибыль, на самом деле, попытки управлять акций. Логики следует, что если компания хочет представить определенный уровень доходов, он может сделать это путем предоставления доходов, необходимые для получения этих доходов. Обеспечивая необходимый уровень доходов может обеспечить желаемый акций. Если это так, то следующий вопрос: "Что происходит с курсом акций в результате сообщение, что в КЦББ США было нацелено на данной фирмы за нарушение принципа признания доходов?" Принцип признания выручки предусматривает, что доход признается, когда он понял, или когда она заработала. Компании применяют агрессивные методы признания доходов обеспечить доходы, необходимые для выполнения доходов прогнозов.

Очень часто ипотеки, что риск в управлении поступления за счет агрессивного признания доходов велик, поскольку он вполне может стать мишенью SEC которые могли бы повлечь прекращение этой практики. Это может привести к дефляции цены акций фирмы до уровня ниже, чем то, что было бы осуществить без агрессивного признания доходов. Раздел 704 Закона Сарбейнса-Оксли от 2002 года гласит: "Под GAAP, выручка не должна быть признана, пока не будут реализованы, реализуемых и заработали". Вопросы, касающиеся признания доходов преобладали финансовые мошенничества. В частности, ряд государственных компаний, имеющих, чтобы увеличить прибыль сводов почти на 50% с 1998 по 2000 год (О'Коннор, 2002). SEC издал Персонал бюллетень № 101, который предназначен для затягивания стандартов бухгалтерского учета в отношении признания доходов (Heffes, 2001). Основная цель бюллетеня 101 заключается в сокращении случаев завышения доходов номера, которые, в свою очередь, должно предоставить инвесторам более точное представление о реальном финансовом исполнении фирмы. Основной принцип принципов SEC является то, что доходы не должны быть признаны, пока он не "понял и получил" (Griffin, 2001).

Задача анализа влияния макроэкономических новостей, как SEC таргетинга объявлений на цены акций осложняется присущей нелинейной динамики рынка. В этой связи один аналитический подход, который наблюдается рост использования в анализе цен на акции являются нейронные сети (Pai, 2005). Искусственных нейронных сетей (НОП) являются отделение искусственного интеллекта, которая направлена на решение проблемы анализа и прогнозирования данных путем имитации биологической нейронной сети нашли в мозге человека. Нейронных сетей были охарактеризованы как "вычислительных устройств, использующих принципы построения аналогичной системе обработки информации человеческого мозга" (Бхарат, 1994). Данные исследований показывают, что более половины нейронной сети финансовых приложений участие прогнозирования фондового рынка (Фадлалла, 2001). Нейронные сети являются потенциально хорошо подходит для обнаружения воздействия макроэкономических новостей на колебания котировок акций, поскольку они не требуют предварительного предположения о возможных связях между фирмой и рынком. Эта статья состоит из трех частей: (1) Краткое введение в нейронных сетей и обзор соответствующей литературы, (2) анализ данных, собранных в последнее время SEC таргетинга объявлений, и (3) оценка последствий в отношении будущих SEC действия ..

II. Нейронных сетей

Искусственных нейронных сетей (НОП) являются отделение искусственного интеллекта, которая направлена на решение проблемы анализа и прогнозирования данных путем имитации биологической нейронной сети нашли в мозге человека. NNS использовать сложные отношения сети для имитации соединений между наборами данных. Среди прочего, NNS имеют то преимущество, что они не требуют предварительного предположения о возможных отношениях, как и в случае с традиционными методами анализ, например, регрессия. Архитектуры Н. состоит, как минимум, из трех слоев: нейрон входного сигнала или нейрон слоя, скрытого слоя, а также выход нейрона. Там может быть более чем один промежуточный или "скрытый" слой нейронов. Именно эти скрытые слои нейронов и сложность взаимосвязей, увеличить вычислительную мощность NNS. Использование скрытых слоев как NNS процесс нелинейности в данных моделей и почему NNS особенно хорошо подходят для решения сложных отношений, как те нашли на финансовых рынках. Нейронных сетевых моделей, как множественная регрессия, на которые воздействует степенями свободы. В некоторых случаях добавив больше скрытых слоев может увеличить степень свободы для данной базы данных.

В наиболее распространенных схем, каждый нейрон в один слой соединен с каждым нейроном в слое над ней, как показано на рисунке 1. В этом примере, прогноз изменения в накоплении происходит в зависимости от входного состояния и набора веса. Конкретных государств к участию в этой примером являются следующие: (1) состояние экономики, (2) фирмы типа (производство или услуги) и (3) базы активов фирмы на момент объявления SEC. Значения входных состояний может исходить от активации нейронов или других конкретных факторов окружающей среды, например, изменения в цены акций. Например численные значения внутри узла представляет собой пороговое значение для стрельбы или активации нейрона. В этом случае, если сумма весов превышает 1,5, то нейрон "выстрелил", что указывает определенный уровень изменения цен акций. Значения для весов и порогов определяется посредством итеративного процесса с целью минимизации суммарной погрешности.

[Рисунок 1 опущены]

Нейронных сетей видели более широкое использование в финансовых приложениях, поскольку они, как правило, превосходят традиционные методы регрессии (Цзян, 2003; Zhang, 2004). В частности, нейронные сети выступают как аналитический инструмент выбора, когда основные связи между переменными, несколько плохо определены, как и в случае доходности акций (Olson, 2003). Нейронные сети были использованы для разработки инвестиционных портфелей. С поправкой на риск возвращается за портфели выбраны нейронные сети превысили достигается с помощью других методов прогнозирования (Икинс, 2003). Нейронные сети применяются также к проблеме анализа ненормальное возвращается на основе инсайдерской торговли. Результаты показали, что нейронные сети, как правило, работают лучше на более долгосрочные прогнозы (например, 12 месяцев) по сравнению с краткосрочной перспективе и для малых и средних предприятий по сравнению с крупными фирмами (безопасного, 2002). Результаты этого исследования показали, что нейронные сети удалось обнаружить ненормальное возвращается в которых подчеркивается тот факт, что сложные схемы движения рынка могут быть успешно проанализированы с использованием нелинейных методов. Модель нейронной сети состоит из 1 вход, 1 скрытых и один выходной слой. Кроме того, модель нейронной сети, как правило, превосходят другой подход интеллектуального анализа данных называется многомерной адаптивной регрессии Шипы (MARS).

III. ЛИТЕРАТУРА

Литература богата в области управления доходов в корпоративной стратегии (Чай, 2002; Грант, 2000; Пейн, 2000). В более широком смысле, заработок управления определяется как субъективные решения, принятые руководством в отношении корпоративных финансовых операций с намерением ввести в заблуждение акционеров и рынков, а для фактического экономического состояния фирмы. Давления для управления доходов, как правило, не в ответ на одно условие, но и различных внутренних и внешних сил. Конкретные примеры доступа к долговым рынкам, управление компенсации, плохое планирование и конкуренция. Например, многие фирмы используют долга для финансирования краткосрочных и долгосрочных инвестиций. Как правило, при определении кредитоспособности фирмы агентств кредитный рейтинг использовать данные о производительности в том числе отчетов о доходах. Таким образом, снижение доходов или отрицательные ожидания будущих доходов может привести к падению кредитный рейтинг компании. Подобные случаи в свою очередь, может увеличить стоимость фирмы капитала и тем самым снизить перспективы для новых вопросов задолженности. Основной стратегии, используемые для управления доходы признания доходов и расходов на реструктуризацию (Хили, 1999).

Как правило, агрессивного признания доходов можно охарактеризовать по трем основным категориям: неправильное сроки, фиктивных доходов, а также ненадлежащего оценки (Groveman, 1996). Конкретные примеры ненадлежащего времени: (1) проведение открытой книги после окончания отчетного периода (2) сделок, связанных с третьей стороны, как "закон и провести" продажи, продажи груза, боковые письмо соглашений, а также другие непредвиденные обстоятельства продажи, и (3 ) доходы от нескольких элементов или в комплекте контрактов. Фиктивная доходов включает фальсификации документов продажи, стороны соглашений с клиентами, которые не были зарегистрированы, и на верхнем конце корректировки высшим руководством. Неправильная оценка стремится манипулировать безнадежных долгов счет и сумму счета списана как безнадежная.

С учетом текущей практики агрессивного признания доходов может SEC заявления помочь улучшить влияние на цены акций. Анализ 50 крупнейших один день цена движется в стандарте

На микроэкономическом уровне общей темой является то, что цены на акции появятся, будут обусловлены старомодным сообщили прибыль (Бернштейн, 2002). Именно на этом фоне, что вопрос об ориентации объявлений SEC приходит в поле зрения. Могут ли подобные объявления быть квалифицированы как просто еще одно общее экономическое послание что в конечном итоге, не имеющих влияние на цены акций или же они служат важным сдерживающим фактором и стабилизатором рынка?.

Основная гипотеза данного исследования заключаются в следующем:

* Сроки H1: SEC объявления окажут непосредственное влияние на стоимость акций целевых фирмы

* Сроки H2: SEC объявления повлиять на стоимость акций целевых фирмы через полгода

Для проверки этих гипотез базы данных была разработана для 45 фирм, которые были мишенью для агрессивных SEC практики признания доходов в период с 2000 по 2005 год. Характеристики собрал базу данных приведены в следующем разделе.

IV. БАЗА ДАННЫХ

Образец базы данных был разработан на основе обзора SEC таргетинга объявлений с 2000 по 2005 год. Поиск показал, что 117 фирм были названы SEC для агрессивных признания доходов над изучением сроки. Этот набор был сокращен до 45 фирм из-за отсутствия либо данных или потому, что некоторые фирмы объединились и вышли из бизнеса. Чтобы понять, как акций целевых компаний реагирует на SEC начинками, данные были собраны на складе Цена 100 торговых дней до объявления через шесть месяцев после объявления. Для того, чтобы компенсировать движения рынка, данные по S

Как правило, рост безработицы приводит к тому, к росту цен на акции в то время как снижение скорости, обычно подавляет рост фонда (Ghosh, 2006). Например, данные в таблице 1, показывают, что около 33% выборки состоит производства связанных фирм и 53% были маленькая шапочка (рыночная капитализация меньше, чем $ 1 млрд) ..

Стандартный подход для изучения влияния макроэкономических новостей, как SEC таргетинга объявлений на цены акций осуществляется через так называемые события методологии исследования (Barber, 1997). Этот подход ориентирован на расчет 3 статистика: AR (ненормальное возврата), ЦАР (нарастающим итогом сверхдохода) и АКАР (совокупный средний ненормальное возврата). AR определяется путем вычитания ожидаемый доход от фактического сообщили возвращения. Ожидаемая прибыль на основе линейной регрессии ставку доходности для отдельных фонда по сравнению с нормой прибыли для С. 500. Регрессионной модели была разработана на основе 100 дней непосредственно перед объявлением. Эта модель включает в себя оценку риска бета-коэффициента за этот период. Средняя бета риска для базы данных была 0,97. А.Р., ЦАР и АКАР отношения представлены ниже.

[AR.sub.it] = [R.sub.it] - ([a.sub.i] [b.sub.i] * [SP500.sub.t]) (1)

[CAR.sub.it] = [суммирования] [AR.sub.it] (2)

[CAAR.sub.t] = [суммирования] [CAR.sub.it] / N (3)

[R.sub.it] является норма прибыли для безопасности я за день т, [SP500.sub.t] является возвращение рынка и N это число целевых компаний. 21-дневный период был использован в качестве горизонта событий, сразу после объявления и снова шесть месяцев спустя. Это часто называют (-10, 10) сроки (Фаруки, 2004). Методология исследования события опирается на три основных допущениях: 1) возвращает фонда для образца фирмы являются независимыми, 2) риск бета постоянным горизонтом событий, и 3) Нормальное распределение чрезмерной прибыли. Хотя некоторые нарушения этих предположений произойдет, последствия таких нарушений, по результатам может быть существенным. [CAAR.sub.t] используется для определения сечения стандартного отклонения для всех целевых компаний. Соответствующего стандарта 1 - образец-статистики для проверки гипотез заключается в следующем:

T = [CAAR.sub.t] / [сигма] ([CARR.sub.t]) / [квадратный корень из (N)]

Технический анализ показывает, что этот тест подходит для 1-примеры приложений, как в настоящем исследовании, в то время как за две пробные тесты тест Вилкоксона является предпочтительным (Хиггинс, 1998). Рисунок 2 представляет собой график ежемесячной доходности по S

На рисунке 3 показан сюжет например CAR для Xerox сразу после SEC подала гражданский судебный действия мошенничества в окружной суд Соединенных Штатов против Xerox по 11 апреля 2002. Эти данные сообщил на 21-дневный пост временного горизонта объявления. Совокупный ненормальное обмен на Xerox в конце 21-дневный горизонт событий была примерно -22%, а шесть месяцев спустя CAR составила 7%.

[Рисунок 2 опущены]

[Рисунок 3 опущены]

В таблице 2 представлены коэффициенты нулевой корреляции для базы данных.

Таблица 2 показывает следующее значимые корреляции:

* CAP

* CAP

* ROA

Эти данные показывают, что крупные фирмы, крышка доходность большей отдачи от активов по сравнению с маленьких компаний. Кроме того, и, возможно, не удивительно существует положительная автокорреляция между ROA за предыдущий год и год объявления SEC. В таблице 3 приведены результаты исследования гипотезы два испытания. Эти результаты свидетельствуют о том, что SEC объявления не имеют существенное влияние на средний CAR сразу же после подачи SEC или шесть месяцев спустя.

База данных была дальнейшего изучения с помощью одного скрытого слоя, корма вперед модель нейронной сети предсказатель. Таблица 6 докладов результирующая R-квадратов и относительное значение предиктор переменных для двух целевых случаях (например, CAR0 и CAR6). Переменная рейтинг основан на CARO. В отличие от модели SMR модели Н. дизайн включает в себя все переменные, кандидат предсказатель. Н. Н. важность факторов дать ответ на относительный вклад каждого предиктора переменной. Тем не менее, они не являются полезными для оценки воздействия изменений в стоимости предиктор переменной значение целевой переменной. Ни одна из переменных кандидата предиктор были обнаружены статистически значимые использованием ступенчатой множественной регрессии для любой целевой переменной (CAR0 и CAR6) на уровне 0,05.

Обращает на себя внимание смещение акцентов в течение 6-месячного периода. Если КОА "доминировать" фактор для оценки CARO, CAP имеет далеко и далеко крупнейших значение фактора по отношению к CAR6. На рисунке 4 представлена зависимость предсказал CARO по сравнению с фактическими CARO. [] R.sup.2 от 0,79 обнадеживает. Как правило, опорные группы используются для более точной оценки эффективности модели NN. Тем не менее, относительно небольшой размер выборки исключается использование опорные группы (например, из выборки).

[Рисунок 4 опущены]

V. ВЫВОДЫ

Основные гипотезы в данном исследовании является то, что SEC сообщения о нарушениях признания выручки окажет влияние на стоимость акций целевой компании. Однако эта гипотеза не может быть поддержано, поскольку объявления SEC не повлечь за собой различные картины. В частности, влияние наполнителей по ценным бумагам цена акций целевых компаний 45 рассмотрены в данной работе, как представляется, случайно распределенных по средней кумулятивной ненормальное возвращения нулю как на следующий день после уведомления SEC и шесть месяцев спустя. Стандартный ступенчатой множественного регрессионного анализа нашли ни один из кандидатов предиктор переменные значимы на уровне 0,05. Нейронной сети анализ обнаружил, что РОА была крупнейшим важности фактором в оценке CAR0 и CAP для прогнозирования CAR6. Полученные [R.sup.2 с] были 0,79 и 0,97, соответственно.

Это исследование состояло из 45 фирм из первоначального списка 117 целевых компаний за период с 2000 по 2005 год. Одной из областей для улучшения, чтобы существенно увеличить размер выборки. Это легче сказать, чем сделать, поскольку некоторые целевые фирм либо объединения или выходить из бизнеса. Разработка больших образца позволит внедрение более переменных, таких как предиктор заработка на соотношение цены и сохранение соотношения, которые были признаны полезными в оценке кумулятивного ненормальное возвращает (Фаруки, 2004). Кроме того, более крупную выборку будет разрешать использовать опорные группы для лучшей оценки работы нейронной сети модель. Другой аналитического рассмотрения в крупную базу данных будет использовать стандартизированные модели кумулятивного ненормальное возвращения.

Хотя другие исследования показали, что рынок делает реагировать на заявления частного сектора, таких, как закрытие завода или увольнения, возможно, правительство основе объявления не несут такой же вес (Кашефи, 2002). Если правительство желает, чтобы лучше контролировать зарабатывать управления, кроме как через воздействие SEC заполнения уведомлений на стоимость акций, по-видимому является неэффективным, то, возможно, больший эффект может быть подход, как того требует усиление контроля ревизии или увеличение штрафов. Для некоторых фирм исследованных в данной работе штрафы были меньше, чем $ 100000. В любом случае последующего обнаружения заработка управления поведением нужно прийти рано, так как время основной союзник руководства.

Ссылки

Барбер Б., Лион, J. (1997), Обнаружение долгосрочные Аномальная доходность по акциям: Эмпирические питанием и Спецификация испытаний статистики. Журнал Финансовая экономика, Vol. 54, № 1, 165.

Бернштейн, R. (2002), сообщает Доходы: Ultimate Водитель акций. АУИИ Conference Proceedings, Vol. 19 № 3, 49.

Бхарат, R.; Drose, J. (1994), нейронные вычислительная сеть, McGraw-Hill.

Чай, M.; Тунг, S. (2002), Влияние Сроки заработка Объявление по управлению прибыль. Журнал Бизнес Финансы

Катлер, D. (1989), Что влияет на цены на акции? Журнал Управление портфелем, Vol. 15, № 3, 4.

Икинс, С. Г. (2003), может на основе стоимости фонда критерии выбора Доходность Superior с поправкой на риск Возвращает: Применение нейронных сетей. Международный обзор финансово-анализ, Vol. 12, № 1, 83.

Фадлалла А., Лин, C. (2001). Анализ применения нейронных сетей в области финансов. Интерфейсы, Vol. 33, № 4, 112.

Фаруки, М. (2004). Изучение воздействия Текущий Стоимость Leveraged Выкуп сообщении. Journel сравнительного международного менеджмента, Vol. 7, № 2, 20.

Фрэнсис, J.; Шиппер, K.; Винсент, Л. (2003), относительной и добавочное пояснительной способности заработной платы и альтернативной (на прибыль), показатели деятельности за возврат. Современные бухгалтерских исследований, Vol. 20, № 1, 121.

Гоша, A.; Клейтон Р. (2006). Собственных и заемных средств реакцию рынка на работу отчеты. Обзор бассейна Тихого океана по финансовым рынкам

Грант, C.; Чонси, M.; Грант, G. (2000), прибыль управления и злоупотребления материальности. Журнал Бухгалтерский учет, Vol. 190, № 3, 41.

Гриффин, R. (2001), учет поступлений, если финансовая отчетность. Пенсильвания CPA Journal, Vol. 72, № 2, 6.

Groveman, H. (1996), Как ревизоров можно обнаружить искажение финансовой заявление. Обеспеченного кредитора, Vol. 52, № 3, 46.

Hardouvelis, Г. (1987), макроэкономической информации и цен на акции. Журнал Экономика

Хили, P.; Wahlem, J. (1999), обзор литературы Заработок управления и его последствия для установления стандартов. Учет Horizons, Vol. 13, № 4, 365.

Heffes, E. (2001), SAB 101: новые Руководящие принципы признания доходов. Финансовый директор, Vol. 17, № 3, 59.

Хиггинс, E. (1998), мощность первой и второй Пример Т-статистика данное событие вызванных Разница Увеличение и анормальных фонда Возвращает: сравнительное исследование. Ежеквартальный журнал Бизнес

Кашефи, J.; McKee, G. (2002), реакции цен на акции к увольнения Объявления. Журнал бизнес-менеджмента, Vol. 8, № 2, 99.

Цзян, M. (2003), Сравнительная оценка методов классификации. Системы поддержки принятия решений, Vol. 35, № 4, 441.

Маккуин, G.; Роли, В. (1993), цены на акции, новости и условия ведения бизнеса. ABI / Информ, Vol. 6, № 3, 683.

О'Коннор, R. (2002), избежать неожиданностей управления доходами. Strategic Finance, Vol. 83, № 10, 42.

Олсон, D.; Моссман, C. (2003), нейронные сети Прогнозы канадского доходы от акций с использованием бухгалтерских коэффициенты, Международный журнал по прогнозированию, Vol. 19, № 3, 453.

Пай, P.; Лин, C. (2005), Гибридная ARIMA и поддержка векторной машина модели в наличии прогнозирования цен. Omega, Vol. 33, № 6, 497.

Пейн, J.; Робб, S. (2000), прибыль Управление: Влияние бывших Ожидания анте. Журнал учета, аудита и финансов, Vol. 15, № 4, 371.

Расселл, M.; Махар, J.; Dreniak, B. (2005), обследование на фондовом рынке Ответ на общественный резонанс вокруг Спортивный индоссантов. Маркетинг Менеджмент Journal, Vol. 15, № 2, 57.

Безопасный А., (2002), Сравнение двух методов интеллектуального анализа данных для прогнозирования Аномальная возврат фондового рынка. Интеллектуальный анализ данных, Vol. 7, № 3, 11.

Zhang, W.; Као, В.; Schniederjans, М. (2004), нейронные сети Прибыль на акцию Прогнозирование модели: сравнительный анализ альтернативных методов. Decision Sciences, Vol. 35, № 2, 205.

ОВЕН П. ЗАЛ JR. *

Pepperdine University

* Авторы хотели бы выразить признательность за вклад г-жи Heakyoung Парк к настоящему документу.