Revisi Estimasi Laba Tertimbang
factor.formula
Pertama, hitung ukuran revisi estimasi laba terakhir setiap institusi yang dirilis dalam tiga bulan terakhir.
Untuk setiap institusi, revisi perkiraan laba didefinisikan sebagai: perubahan persentase dalam laba bersih perkiraan saat ini (nilai perkiraan untuk periode pelaporan tertentu yang dipublikasikan pada waktu saat ini) relatif terhadap nilai perkiraan terakhir untuk periode pelaporan yang sama yang diterbitkan oleh institusi satu bulan yang lalu dalam enam bulan terakhir.
Kemudian, metode Accwt2 digunakan untuk mengambil rata-rata tertimbang dari revisi perkiraan laba terakhir setiap institusi dalam tiga bulan terakhir untuk mendapatkan revisi perkiraan laba tertimbang akhir.
Penjelasan rinci:
- :
Nilai perkiraan laba institusi i pada waktu t untuk kuartal q (atau periode pelaporan).
- :
Nilai perkiraan laba untuk kuartal q (atau periode pelaporan) yang sama yang dirilis oleh institusi i satu bulan sebelum waktu t (yaitu, t-1m). Nilai ini adalah nilai perkiraan terbaru untuk kuartal q yang dirilis dalam 6 bulan terakhir.
- :
Revisi perkiraan laba institusi i untuk kuartal q pada waktu t dihitung sebagai (E_{i,t,q} - E_{i,t-1m,q})/E_{i,t-1m,q}
- :
Bobot institusi i ditentukan oleh metode Accwt2, yang merupakan metode pembobotan berdasarkan kinerja historis perkiraan analis, memberikan bobot yang lebih besar kepada analis dengan akurasi perkiraan yang lebih tinggi.
- :
Revisi perkiraan laba tertimbang pada waktu t dihitung sebagai sum(R_{i,t,q} * w_i) , di mana sum merepresentasikan jumlah semua analis
factor.explanation
Ukuran revisi laba tradisional biasanya didasarkan pada perubahan dalam perkiraan konsensus, sementara faktor ini dapat lebih baik mencerminkan heterogenitas pandangan analis dan lebih komprehensif mencerminkan perubahan ekspektasi pasar terhadap prospek laba perusahaan dengan memeriksa tingkat revisi perkiraan setiap institusi dan menimbangnya. Ketidaksepakatan antara analis dapat mengindikasikan volatilitas harga saham di masa depan. Menggunakan metode pembobotan Accwt2 dapat memberikan bobot yang lebih tinggi kepada analis dengan kinerja perkiraan historis yang lebih baik, sehingga meningkatkan kandungan informasi faktor tersebut.