Inferência Causal na pesquisa em contabilidade

Resumo:

This paper examines the approaches accounting researchers use to draw causal inferences using observational (or non-experimental) data. The vast majority of accounting research papers draw causal inferences notwithstanding the well-known difficulties in doing so. While some recent papers seek to use quasi-experimental methods to improve causal inferences, these methods also make strong assumptions that are not always fully appreciated. We believe that accounting research would benefit from: more in-depth descriptive research, including a greater focus on the study of causal mechanisms (or causal pathways); increased emphasis on structural modeling of the phenomena of interest. We argue these changes offer a practical path forward for rigorous accounting research.


Gow, Ian D. and Larcker, David F. and Reiss, Peter C., Causal Inference in Accounting Research (May 2016). Journal of Accounting Research, Vol. 54, No. 2, 2016; Rock Center for Corporate Governance at Stanford University Working Paper No. 217; Stanford University Graduate School of Business Research Paper No. 16-16. Available at SSRN: https://ssrn.com/abstract=2729565 or http://dx.doi.org/10.2139/ssrn.2729565

Rir é o melhor remédio

Lista: Cursos de Idiomas mais Procurados

Para quem fala inglês, os cursos mais procurados no Duolingo são:

Espanhol = 22,7 milhões
Francês = 13,1
Alemão  = 7,48
Japonês = 5,95
Italiano = 5,18
Coreano = 3,61
Chinês = 3,42
Russo = 3,04
Português = 2,22

E são 27 milhões matriculados no curso de inglês, para quem fala espanhol.

To be Fucked

Um curso na Universidade do Oregon, com o professor Sanjay Srivastava foi considerado por Cochrane como o programa mais hilário. O curso chama "Everything is Fucked".

Na introdução, o professor explica o que significa, na ciência, "to be fucked". O curso mostra situações onde algo está errado e que, por isto mesmo, representa um desafio. O conteúdo inclui, por exemplo, "psicologia is fucked".

Rir é o melhor remédio

Não fique triste em um sábado. Espere até segunda. Você tem que chorar em horário comercial. Não deixe o capitalismo vencer.

Entrevista com Hoogervorst

O presidente do Iasb, Hans Hoogervorst (foto), concedeu uma entrevista, onde analisou as realizações e o trabalho que ainda está por ser feito. Isto inclui:

a) medidas não GAAP
b) a questão da mudança no clima e seu reflexo na contabilidade
c) um provável estudo sobre o relatório da administração,
d) projeto de demonstrações financeiras primárias

Alguns destes tópicos já foram comentados neste blog. Um ponto importante é que Hoogervorst parece ainda não estar satisfeito com a contabilidade de seguradoras:

‘It has been clear that a lot of investors avoid investing in insurance companies because they cannot understand the accounting’, he says. ‘The existence of the new standard might draw more investors to the business of insurance’. At present he says that ‘it is a bit of a mess’.

Honestamente espero que o projeto do Iasb de se intrometer no Relatório da Administração não siga adiante. É necessário que a administração tenha liberdade para falar o que deseja nesta parte. Sem ter que cumprir "regrinhas" ditadas pelo regulador.

Aqui também. Eis o resumo do vídeo: Q1: Climate Change and financial risks. Q2: Climate-related financial disclosures. Q3: The Management Commentary Practice Statement. Q4: The potential impact of IBOR. Q5: The likely Changes to IFRS17. Q6: The benefits of the Primary Financial Statements project. Q7: The evolution of IFRS. Q8: Plans for the remaining years of Hoogervorst’s Chairmanship.

Precificação de ativos via Deep Learning

Resumo:

We propose a novel approach to estimate asset pricing models for individual stock returns that takes advantage of the vast amount of conditioning information, while keeping a fully flexible form and accounting for time-variation. Our general non-linear asset pricing model is estimated with deep neural networks applied to all U.S. equity data combined with a substantial set of macroeconomic and firm-specific information. We estimate the stochastic discount factor that explains all asset returns from the conditional moment constraints implied by no-arbitrage. Our asset pricing model outperforms out-of-sample all other benchmark approaches in terms of Sharpe ratio, explained variation and pricing errors. We trace its superior performance to including the no-arbitrage constraint in the estimation and to accounting for macroeconomic conditions and non-linear interactions between firm-specific characteristics. Our generative adversarial network enforces no-arbitrage by identifying the portfolio strategies with the most pricing information. Our recurrent Long-Short-Term-Memory network finds a small set of hidden economic state processes. A feedforward network captures the non-linear effects of the conditioning variables. Our model allows us to identify the key factors that drive asset prices and generate profitable investment strategies.

Fonte: Deep Learning in Asset Pricing (with L. Chen and J. Zhu)