핵심성과지표를 이용한 주식투자전략에 관한 연구

선우희연; 하원석; 박두리; 이우종

추천

검색

자료유형: 학술저널

저자정보: 선우희연 (세종대학교) 하원석 (중앙대학교) 박두리 (서강대학교) 이우종 (서울대학교)

저널정보: 성균관대학교 경영연구소 자산운용연구 자산운용연구 제11권 제1호

발행연도: 2023.6

수록면: 1 - 32 (32page)

이용수

📌

연구주제

📖

연구배경

🔬

연구방법: 이 논문의 연구방법이 궁금하신가요?

🏆

연구결과: 이 논문의 연구결과가 궁금하신가요?

초록· 키워드

Rouen et al. (2021)은 미국 상장기업의 연차보고서(10-K)에 머신러닝을 적용하여 일회성 손익을 식별하고이를 당기손익에 가감하여 산출한 핵심손익(core earnings)의 지속성과 가치관련성에 대하여 논의하였다. 이에 본 연구는 핵심손익과 전통적인 성과지표들의 지속성 및 가치관련성을 상대적으로 평가해보고, 주식투자전략에의 시사점을 도출하고자 한다. 2012-2020 기간의 국내 상장법인의 자료를 분석한 결과, 다양한 성과지표중에서 영업손익과 핵심손익의 미래이익의 예측력이 가장 높았으며 당기 및 차기 주식수익률과도 양(+)의상관관계를 보였다. 이러한 결과는 국내 주식시장이 영업손익과 핵심손익의 가치관련성(혹은 지속성)를 충분히즉각적으로 이해하지 못한다는 증거로 해석된다. 또한 영업외손익(당기손익과 영업손익의 차이)과 비핵심손익(당기손익과 핵심손익의 차이)은 일부 소규모 주식군(small-cap stocks)에서 당기 및 차기 주식수익률과 양(+)의상관관계를 보였다. 상기 결과는 영업손익과 핵심손익이 함께 주요 성과지표로 활용될 수 있으며, 이를 이용한투자전략이 일부 유효함을 의미한다. 본 연구에서는 핵심손익을 구성할 때 머신러닝 과정을 생략하고 손익계산서에서 즉각적으로 이용가능한 정보만을 활용하였으므로, 만약 핵심손익이 머신러닝 과정을 거쳐서 정제된다면영업손익보다 더 높은 지속성과 가치관련성을 나타낼 가능성을 배제할 수 없다. 그러나 핵심손익이 정교하게도출되는 과정에서 발생하는 비용을 감안하면, 손익계산서에 보고되는 영업손익을 핵심성과지표의 대안으로사용하는 것도 실익이 있다.

Separating transitory components from recurring components of earnings is a primary task in financial statement analysis. A recent study by Rouen et al. (2021) uses a proprietary database compiled by New Constructs and evaluate whether their earnings measure after excluding transitory components from GAAP earnings has incremental explanatory power for future earnings. They show that their “core” earnings measure (as referred to in Rouen et al. (2021)) is more persistent than Compustat-defined operating income, suggesting that a core earnings measure effectively excludes transitory (i.e., less persistent) components of GAAP earnings. They also find that investors and financial analysts do not immediately incorporate the differential implications of the recurring and non-recurring components of earnings into stock prices, and that a trading strategy based on their non-core earnings components yields annual abnormal return of 8%. Given the findings of Rouen et al. (2021), it is an empirical question whether a core earnings measure distinguishes between recurring and transitory components of earnings more effectively than do other earnings measures in countries outside the U.S. In this study, we follow the procedure outlined in Rouen et al. (2021) and attempt to exclude the non-recurring components from net income of Korean listed firms. Specifically, we identify the non-recurring components of earnings from the DataGuide database and estimate a core earnings measure by excluding from net income (1) currency fluctuations, (2) discontinued operations, and (3) gains and losses labeled as “other” on the income statement. We then compare the persistence and return predictability of core earnings and various commonly used adjusted income measures such as operating income, gross margin, income before income taxes, and income from continuing operations of Korean firms listed in KOSPI and KOSDAQ from 2012 to 2020. The results suggest that operating income is most persistent, followed by core earnings, income from continuing operations, gross margin, and income before income taxes when predicting one-year ahead net income. We further report that both non-operating income (i.e., net income minus operating income) and non-core earnings (i.e., net income minus core earnings) have some information contents in that they are predictive of one-year ahead net income with smaller magnitudes compared to their counterparts. Portfolio analyses based on operating income and core earnings show that both measures are predictive of future stock returns, implying that investors in the Korean stock market act as if they fail to fully incorporate the information contained in the transitory and permanent components of current earnings into stock prices, similar to the findings of Rouen et al. (2021). Our results confirm that 1) operating income and core earnings are comparably superior to other adjusted earnings measures as key performance indicators of a firm and 2) a trading strategy based on these measures yields profitable returns in the Korean stock market. Our results should be interpreted with caution. While Rouen et al. (2021) indicate that New Constructs uses both fundamental analysis and machine learning to extract transitory components of earnings, the core earnings measure used in this study only utilizes the income statement items readily available from the DataGuide database for Korean listed firms. A procedure that closely replicates Rouen et al. (2021) (including machine learning) may yield a core earnings proxy with improved persistence and future earnings predictability by distinguishing between transitory and permanent components of earnings more effectively. Despite the differences in the measurement, our results suggest that operating income is comparable to core earnings in terms of earnings and return predictability without considering a machine-learning algorithm for estimating core earnings. Given that implementation of a machine-learning algorithm could be costly, operating income could be an effective alternative to core earnings. Future research is warranted to further establish a cost-effective measurement of permanent components of earnings.

#가치관련성 #영업손익 #이익지속성 #핵심손익 #core earnings #earnings persistence #operating income #return predictability

참고문헌

참고문헌 신청

최근 본 자료

전체보기

배경 및 목적
대상 및 방법론
분석 및 수행
결과 및 의의

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

초록· 키워드

AI가 분석한 연구 핵심

이 논문의 한줄 요약

이 논문의 연구방법

목차

참고문헌

함께 읽어보면 좋을 논문

이 논문의 저자 정보

이 논문과 함께 이용한 논문

최근 본 자료

댓글(0)