An Adjustment Procedure for Predicting Betas When Thin Trading is Present: Canadian Evidence

We have incorporated effects of the process that generates true betas for TSE stocks, as well as thin trading effects, into the beta adjustment model. We note the Blume and Dimson and Marsh beta adjustment techniques aim at eliminating beta forecast error through regression tendency bias. Effects of other sources of forecast error have been ignored. We show the process generating security betas affects both cross-sectional correlation coefficient and order bias, while thin trading affects only cross-sectional correlation coefficient. We demonstrate that when OLS beta estimates are used to forecast their future risk levels, order bias accounts for 86% of forecast error, while thin trading effects account for 14% of forecast error. A beta regression tendency model which properly accounts for effects of cross-sectional correlation (which is a function of thin trading) and order bias completely abates forecast error. Our results have implications for the use of correlation coefficient to measure stability of betas across time, for beta adjustment models proposed in the literature, and for event study methodologies that rely on prediction errors.     

The effect of repeat restructuring charges on analysts’ forecast revisions and accuracy

The primary objective of this study is to examine the effect of prior restructuring charges on analyst forecast revisions and accuracy. We find evidence that analysts respond differently to first-time restructuring firms than to repeat restructuring firms. Analysts revise their forecasts of both one-year-ahead earnings and five-year long-term growth in earnings more negatively for first-time restructuring firms than for firms with prior charges. When we examine forecast errors in the year subsequent to the restructuring, we find that current charges complicate analysts’ earnings forecast task. We further find that the decline in analyst forecast accuracy is mitigated by prior charges within past two years.     

业绩预告披露与盈余管理研究

盈余管理存在的根本原因在于投资者与管理层之间的信息不对称。业绩预告作为上市公司未来经营成果、财务状况与现金流量的预测,在很大程度上会影响投资者对上市公司的评估及其投资决策。从业绩预告披露的特征方面出发,研究业绩预告披露与盈余管理之间的关系,包括业绩预告的性质、预告精确度、预告误差分别与盈余管理程度的关系,结果发现：发布业绩预告的公司,盈余管理水平更高。预告精确度以及预告期间与预测当期盈余管理水平正相关,预测误差与盈余管理水平负相关。当消息类型不同的时候,预测的强制性与否以及＂变脸＂对盈余管理水平的影响不同。结论支持了上市公司财务报告迎合业绩预告披露的说法。     

基于ARIMA模型预测我国2012年的货运量

本文的数据来源于《新中国60年统计资料汇编》、中华人民共和国国家统计局,根据《新中国60年统计资料汇编》里面0146.xls中1949-2008年全国货运量的数据、中华人民共和国国家统计局中2009、2010年月度与年度货运量数据,建立时间序列模型序列,运用ARIMA模型进行分析,主要包括时间序列分析、平稳化处理、模型的识别、模型的定阶和参数估计这四个主要步骤,运用Eviews6.0软件,对我国2011年和2012年的货运量进行了预测,为制定物流发展政策、确定物流基础设施建设规模、分析物流市场态势提供定量依据。     

公平信息披露与分析师预测精度——来自中国上市公司的经验证据

证券分析师是证券市场重要的信息加工者和传播者,他们的信息行为对中小投资者和市场效率有重要影响。本文基于2003~2009年分析师的年度盈利预测数据,运用面板计量模型实证检验了公平信息披露规则的实施对分析师预测精度的影响。研究结果表明:分析师预测精度在规则实施后显著下降了;而且,随着规则实施时间的推移,分析师预测精度进一步下降;另外,分析师对信息披露水平较差的上市公司的预测精度下降幅度更大。     

中国加油站行业发展前景预测

本文选取北美、欧洲和亚洲的11个国家为样本,以汽车保有量、公路网密度、加油站数量、燃油零售量等数据为基础,通过与我国的相关情况进行了比较,分析了部分发达国家加油站行业的发展历程和影响因素,据此对2020年我国加油站的数量进行了预测,并对加油站行业的发展前景做出了预测分析,提出加油站向服务站转化是大势所趋,非油品业务将引导加油站行业的发展;市场和油价的放开决定加油站行业发展的进程,国家的政策导向对加油站行业发展产生决定性的影响。     

基于灰色残差模型的中国税收收入预测

税收是国家财政收入的重要来源,准确的税收预测结果对于制定各项经济政策具有非常重要的意义。为提高中国税收收入的预测精度,适应资源配置、收入再分配和宏观经济调控的需求,在传统灰色预测技术的基础上,建立了残差灰色预测模型,并通过实例分析验证了该模型的实用性和精确性。     

基于KPCA-SVM的公路客运量预测研究

支持向量机(Support Vector Machine,SVM)是建立在统计学习理论和结构风险最小化准则基础上的机器学习方法,该方法可以较好的解决以往很多学习方法的小样本、高维数、非线性和局部最小点等实际问题.本文利用支持向量机(SVM)回归理论和方法,建立基于核函数主成分支持向量机(Kernel Principal Component Analysis-Support Vector Machine,KPCA-SVM)回归模型,并用2000-2008年杭州市公路客运量为样本进行了预测,结果表明,KPCA-SVM模型具有较高的预测精度和可靠性,是一种有效的公路客运量预测方法.     

我国天然气供求分析和未来消费政策选择

天然气是世界第二大能源,近年来在我国保持了快速增长的态势,未来随着我国天然气消费量和进口量的增加,我国天然气安全问题日益凸现。因此,我国必须高度重视天然气消费政策。文章剖析了我国天然气供给和消费现状,预测了未来我国天然气供给和消费的需求量以及供给缺口,分析了未来我国天然气的安全形势,提出了对天然气的消费应该有所鼓励、有所限制的消费政策。     

黑龙江省大豆价格预测分析

黑龙江省是国家重要的商品粮生产基地,全省70%的耕地生产粮食,70%的农民收入来自于种植业,而大豆的产量居全国第一,占1/3左右.农民种植大豆的收入占人均年收入的25%左右.正是由于大豆生产在黑龙江省粮食生产中的特殊地位,使大豆价格倍受关注.对大豆价格预测也显得尤为重要.因而,建立或选择合理的预测模型是问题的关键.