| Project/Area Number |
23K12588
|
|---|
| Research Category |
Grant-in-Aid for Early-Career Scientists
|
| Allocation Type | Multi-year Fund |
|---|
| Review Section |
Basic Section 07100:Accounting-related
|
|---|
| Research Institution | Waseda University |
|---|
Principal Investigator |
金 奕群 早稲田大学, 商学学術院, 講師(任期付) (20879449)
|
|---|
| Project Period (FY) |
2023-04-01 – 2025-03-31
|
| Project Status |
Discontinued (Fiscal Year 2023)
|
| Budget Amount *help |
¥4,420,000 (Direct Cost: ¥3,400,000、Indirect Cost: ¥1,020,000)
Fiscal Year 2025: ¥780,000 (Direct Cost: ¥600,000、Indirect Cost: ¥180,000)
Fiscal Year 2024: ¥1,430,000 (Direct Cost: ¥1,100,000、Indirect Cost: ¥330,000)
Fiscal Year 2023: ¥2,210,000 (Direct Cost: ¥1,700,000、Indirect Cost: ¥510,000)
|
|---|
| Keywords | XBRL / 機械学習 / BERT / 財務報告 / 情報開示 |
|---|
| Outline of Research at the Start |
XBRLは，標準化された財務報告・事業報告用のコンピュータ言語であり，資本市場における情報利用者の処理コストを低減させるために，多くの国において企業情報の開示に使用されている。そこでは，開示書類の提出者による裁量的に使用されている拡張項目は，XBRLによる情報処理コストの低減効果を阻害している可能性が指摘されている。
本研究は，日本企業における拡張項目の使用実態を明らかにしたうえで，拡張項目の使用が情報利用者の意思決定に及ぼす影響を検証する。
|
| Outline of Annual Research Achievements |
本年度は，2014年3月期から2023年36月までの決算短信のXBRLデータを利用して，拡張項目の使用に関して調査を実施した。決算短信は，サマリー情報と添付資料により構成され，前者の中では，拡張項目がほぼ使用されていない。添付資料の中では，財務諸表情報が含まれており，財務諸表においては，平均的に400個以上の項目が使用されているが，拡張項目の平均値は10を下回っている。一方，拡張項目が個別企業独自に使用したものであるため，全項目の中で8割以上が拡張項目であることがわかった。
本年度は，上記の調査に加えて，拡張項目の機械的処理に関して，BERT（Bidirectional Encoder Representations from Transformers）の適用を試みた。2024年の1月に，「BERT-Based Prediction Model of Management Sales Forecast Error Using Japanese Firms' Earnings Meeting Transcripts」を海外学会で発表し，プロシーディングの中で論文として公表した。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
XBRLのデータ整理と拡張項目の使用に関する調査は，2023年度中に概ね完成した。現在，分析に使用可能なデータベースにしている。なお，BERTの実装に関しても，一定の経験を積んだ。今後の作業は，データに分析手法の適用と予想している。
|
| Strategy for Future Research Activity |
本年度中は，すでにパイロットテストを開始した。具体的には，機械学習の手法を適用して，決算短信のXBRLデータをインプット情報として，株価の変化を予測している。その結果によると，項目の「重なり」が多いサマリー情報を使用する場合，予測精度が高く，「重なり」の程度が低い財務諸表情報を使用する場合，ノイズが増加した可能性があるため，予測精度が低くなっている。今後は，予測に適する変数の選択と機械学習の手法に関するチューニングを実施する予定である。
|
