摘要：应计费用是收益的非现金部分。 它们代表对现金流量进行的调整，以产生在很大程度上不受现金收付时间影响的利润衡量标准。 先前的研究发现了两个异常现象：盈利能力的预期回报增加和应计费用的减少。 我们表明，基于现金的运营盈利能力（一种不包括应计费用的衡量标准）优于包括应计费用的盈利能力衡量标准。 此外，基于现金的运营盈利能力包含了预测平均回报横截面的应计费用。 与同时添加应计因素和包含应计费用的盈利因素相比，投资者可以通过在投资机会集中仅添加基于现金的运营盈利能力因素来提高策略的夏普比率。
1，介绍
包括会计应计费用在内的盈利能力衡量指标的预期回报增加（例如，Novy-Marx，2013 年；Ball、Gerakos、Linnainmaa 和 Nikolaev，2015 年）。应计项目是会计师对经营现金流进行的调整，以更好地衡量当期公司业绩（Dechow， 1994 年）。 Sloan (1996) 记录了应计费用与预期收益横截面之间的稳健负相关关系。这种被称为“应计异常”的关系无法用 Fama and French (1996) 三因子模型来解释，他们最近的五因子模型包括盈利因子 (Fama and French, 2015)、Novy-Marx (2013) 毛利润因子，或侯、薛和张 (2015) q 因子模型。 1 此外，当使用包括基于应计利润衡量的资产定价模型进行评估时，应计异常实际上会增强。我们展示了三个主要结果。首先，以现金为基础的经营盈利能力是一种没有会计应计调整的盈利能力衡量标准，它比毛利润率、营业利润率和净收入更好地解释了预期回报的横截面，所有这些都包括应计费用。其次，基于现金的运营盈利能力在解释预期回报的横截面方面表现出色，以至于它包含了应计异常。事实上，与同时添加应计项目和盈利策略相比，投资者在他们的投资机会集中添加基于现金的运营盈利能力会更好。第三，基于现金的运营盈利能力解释了未来十年的预期回报。总之，我们的结果为应计异常提供了一个简单而令人信服的解释。今天的应计利润较高的公司未来的回报较低，因为它们以现金为基础的利润较低。当它们被包含在没有盈利能力指标的资产定价模型中时，应计项目会预测回报，因为它们与盈利能力的现金部分负相关。我们的研究结果解释了为什么在使用资产定价模型进行评估时，应计异常会增加，其中包括 盈利能力度量：应计项目允许回归从基于应计项目的盈利能力变量中提取基于现金的部分。在我们的分析中，任何仅因应计费用本身而增加的盈利能力与横截面回报无关。我们通过回归应计收益和盈利能力来开始我们的实证分析。在盈利能力指标中，Ball、Gerakos、Linnainmaa 和 Nikolaev (2015) 发现运营盈利能力比其他常用指标更好地解释了预期回报的横截面，例如毛利润率 (Novy-Marx, 2013) 和“底线”净收入（鲍尔和布朗，1968 年）。当我们对经营盈利能力和应计项目的回报进行回归时，我们发现这两个指标的系数符号不同，但经济幅度相似。这些估计表明，在保持其他一切不变的情况下，对运营盈利能力的积极“冲击”预示着受到冲击的公司的平均股票回报更高。然而，如果我们将这种冲击的影响完全归因于应计费用——也就是说，这些公司的利润更高，只是因为收益的非现金部分增加了——营业利润率和应计费用的抵消斜率表明，这些公司的平均回报将保持不变。换句话说，有证据表明，在预期收益的横截面中，只有营业利润的现金部分很重要，应计费用的预测能力可归因于它们与现金部分的负相关。当我们通过从运营盈利能力中清除应计费用来创建基于现金的运营盈利能力衡量标准时，我们会生成一个显着更强的未来股票表现预测指标，有效地包含了应计异常。 2 虽然应计项目相对于运营盈利能力具有显着的增量预测能力，但我们发现它们在预测按基于现金的运营盈利能力排序的投资组合中的回报方面没有增量能力—— 性。此外，以现金为基础的经营盈利能力因素对横截面的经营盈利能力和应计费用进行定价。这些结果的经济意义可以通过比较使用传统的四个因素（市场、规模、价值和动量）和基于应计费用、运营盈利能力和基于现金的运营盈利能力的因素组合生成的投资组合的最大夏普比率来证明.结合现金支付 经营盈利能力因子与传统的四个因素导致最高的夏普比率，这大大高于使用传统因素以及应计费用和经营盈利能力因素产生的最大夏普比率。 Sloan (1996) 假定应计异常的出现是因为投资者不明白应计比现金流的持久性差，这会导致定价错误。这个想法是，如果投资者认为应计费用和现金流量同样持久，那么当应计费用不持续时，他们可以预见地会出现负面意外，这就解释了平均回报和应计费用之间的负相关关系。这种对应计异常的解释意味着，即使我们控制基于现金的运营盈利能力，应计也可以预测未来的意外情况。然而，我们观察到其他情况——如果我们控制基于现金的运营盈利能力，则应计项目没有解释力。我们发现，以现金为基础的运营盈利能力可以预测未来十年的回报。这可能表明市场对现金流信息的初始反应不足，并在十年内逐渐得到纠正。或者，这个结果可能表明，基于现金的盈利能力和预期回报共享共同的经济决定因素（如风险），随着时间的推移相对稳定（Ball，1978 年）。本研究与之前的研究有关，该研究检查现金流量与预期回报横截面之间的关系。 Foerster、Tsagarelis 和 Wang（2015 年）研究了现金流解释相对于基于收益的盈利能力指标的平均回报的能力。他们关注自由现金流的衡量标准，而不是基于现金的运营盈利能力，并且没有检查现金流与应计异常之间的关系。 Desai、Rajgopal 和 Venkatachalam (2004) 研究了应计异常是否是价值溢价的表现。他们发现，作为价值溢价的代表，来自运营的总现金流量与价格的比率对应计异常具有解释力。 Cheng 和 Thomas (2006) 发现异常应计费用对经营现金流对价格的控制具有增量解释力，并得出结论：应计费用不是经营盈利能力的一部分，与预期收益横截面的关系与价值溢价不同。优质的。相比之下，我们发现在控制基于现金的经营盈利能力时，应计项目没有增量解释力。此外，我们的实证测试控制了账面市值比。因此，基于现金的经营盈利能力与预期收益横截面的关系不同于价值溢价。
2. 什么是应计费用？
应计项目的会计作用是促进公司绩效的定期测量（Dechow，1994）。 为此，会计师根据预期的交付现金收入，将公司收入“累积”为该期间交付给客户的商品和服务的价值。 某一期间应计的收入通常与同期收到的现金金额不同，因为某些现金收入可能发生在未来或以前的期间。 会计师通过记录应计收入来调整当期现金收入以应对这些时间差异。 同样，会计师根据所用资源的现金支付的预期价值，将费用计算为生产交付的商品和服务所消耗的资源成本。 会计费用与支付时间分开，会计师通过使用费用应计来调整任何时间差异。 然后将会计收益定义为基于应计费用的收入减去基于应计费用的费用。 盈余代表当期公司向客户提供的产品和服务增加的价值的会计估计。
现金流量和收益之间的时间差异来自两个主要来源。 第一个来源是现金流入和流出时间的冲击（“支付冲击”）。 支付冲击可能来自随机的外生事件（例如，公司的客户在当前财政期结束之前或之后支付他们的信贷购买）和内生管理行为（例如，公司延迟或加速支付） 其账单）。 这些冲击会影响特定财政年度内是否发生现金流入和流出，因此它们是财政年度现金流量差异的来源。 权责发生制会计试图通过根据已交付商品和服务的预期现金收入以及所用资源的预期现金流出的费用来记录收入，从而从收益中清除这种差异。现金流量和收益之间时间差异的第二个主要来源是由于正增长或负增长导致的营运资金净投资。成长通常会改变营运资金的最佳水平，例如库存和应收账款，在其他条件相同的情况下，这会影响当期现金流。公司的营运资金投资，例如增加存货，是根据预期的未来业务水平进行的，它们对现金流量的影响不是由当期向客户提供商品和服务引起的，因此会计师不允许它们会影响当期费用和收入。与应计和运营盈利能力不同，基于现金的运营盈利能力因此包含有关支付冲击和增长的信息，以及盈利能力。虽然基于权责发生制的收益旨在提供更好的当期绩效衡量标准（Dechow，1994 年），而管理人员无法通过现金收支时间轻松 *** 纵，但基于现金的盈利能力衡量指标有可能为未来提供更多信息。股票回报。
3. 数据
为了构建我们的样本，我们遵循 Novy-Marx (2013) 和 Ball、Gerakos、Linnainmaa 和 Nikolaev (2015)。我们从证券价格研究中心 (CRSP) 获取每月股票收益，并从 Compustat 获取年度会计数据。我们从在 NYSE、Amex 和 Nasdaq 交易的所有公司开始我们的样本，不包括普通普通股以外的证券。退市收益取自CRSP；如果没有退市回报，而退市与业绩相关，我们将回报为 -30% (Shumway, 1997; Beaver, McNichols and Price, 2007)。我们将 CRSP 上的公司与 Compustat 进行匹配，并将年度会计信息滞后六个月。例如，如果一家公司的财政年度在 12 月结束，我们假设该信息在次年 6 月底之前是公开的。我们的样本从 1963 年 7 月开始，到 2014 年 12 月结束。样本包括没有缺失股票市值、账面市值比、毛利润、总资产账面价值、当月回报和前一年期间。我们排除了金融公司，金融公司被定义为一位数标准行业分类代码为 6 的公司。我们按照 Ball、Gerakos、Linnainmaa 和 Nikolaev (2015) 中的计算方法计算运营盈利能力：销售额减去销售成本减去销售、一般和管理费用（不包括研发支出）。该衡量指标反映了公司运营的绩效，不受非运营项目（例如杠杆和税收）的影响。为了评估运营盈利能力的现金部分预测回报的能力，我们去除了包含在运营盈利能力计算中的应计部分，以创建基于现金的运营盈利能力衡量标准。这些组成部分是应收账款、存货、预付费用、递延收入、应付账款和应计费用的变化。该指标不同于其他常用的现金流量指标。资产定价文献中常用的现金流量衡量标准是在非特殊项目之前但在利息、折旧、税收和优先股股息加折旧之后的收益（例如，Fama 和 French，1996 年）。该措施包括“营运资金”应计费用，例如应付账款、应收账款和库存的变化。
另一种常见的衡量标准是根据美国公认会计原则计算的运营现金流，它与基于现金的运营盈利能力不同，因为它扣除了税款和利息，因此是现金流的杠杆衡量标准。我们最初遵循 Sloan (1996) 并使用 Compustat 上的资产负债表项目（例如，应收账款、应付账款、递延收入和库存的变化）计算我们的应计项目。我们使用资产负债表来创建基于现金的经营盈利能力和应计项目，因为现金流量表应计项目仅从 1988 年开始可用。 Hribar 和 Collins (2002) 表明资产负债表应计项目会受到大型公司投资和融资决策的影响比如股票发行和并购。因此，在下文中，我们还使用 1988 年后样本的现金流量表中的信息构建了应计项目和基于现金的运营盈利能力指标。我们在附录中提供了运营盈利能力、基于现金的运营盈利能力和应计费用的详细描述和公式。所有盈利能力和应计变量均按滞后一年的总资产账面价值进行调整。为了生成账面市值比，我们将股权的账面价值计算为股东权益，加上资产负债表递延税，加上资产负债表投资税收抵免，加上退休后福利负债，再减去优先股。我们将资产负债表递延税和投资税收抵免的缺失值设置为零。为了计算优先股的价值，我们将其设置为等于可用的赎回价值，否则等于清算价值或账面价值，按顺序排列。如果缺少股东权益，我们将其设为等于普通股的价值（如果有），或者总资产减去总负债。然后，我们使用来自 Ken French 网站的 Davis、Fama 和 French (20 0 0) 股权账面价值来填补缺失值。在 Fama 和 MacBeth (1973) 回归中，我们每个月都会重新计算解释变量。在我们的一些经验规范中，我们将公司分为 All-but-microcaps 和 Microcaps。根据 Fama 和 French (2008)，我们将 Microcaps 定义为股票市值低于 NYSE 市值分布的第 20 个百分点的股票。在投资组合分类中，我们每年在 6 月底重新平衡投资组合。当我们根据运营盈利能力、应计项目和基于现金的运营盈利能力将股票分类到投资组合或构建因子时，我们只包括所有三个变量都具有非缺失值的股票。
表1 描述性统计数据，1963-2014 年。 面板 A 显示了我们分析中使用的变量的分布。我们将描述性统计量计算为百分位数的时间序列平均值。营业利润率 (OP) 是毛利润减去销售、一般和管理费用（不包括研发支出），并按滞后一年的总资产账面价值计算得出。应计项目是流动资产的变动减去现金变动、流动负债变动、流动负债变动、应付所得税变动和滞后一年的总资产账面价值减缩的折旧。以现金为基础的营业利润率 (CbOP) 是营业利润率减去应收账款的变化、存货的变化和预付费用的变化，加上递延收入的变化、应付账款的变化和应计费用的变化，被滞后一年的资产账面价值减少。我们在附录中描述了运营盈利能力、应计项目和基于现金的运营盈利能力的构建。我们分析中使用的其他变量定义如下： log (BE/ME) 是账面市值比的自然对数； log (ME) 是股票市值的自然对数； r1, 1 为前一个月收益； r12, 2 是前一年跳过上个月的回报。面板 B 显示了运营盈利能力、应计项目和基于现金的运营盈利能力之间的 Pearson 和 Spearman 等级相关性。我们的样本期从 1963 年 7 月开始，到 2014 年 12 月结束。我们从在 NYSE、Amex 和 Nasdaq 交易的所有公司开始我们的样本，不包括普通普通股以外的证券。然后，我们要求公司具有以下项目的非缺失值：股权市值、账面市值比、毛利润、总资产账面价值、当月回报和前一年的回报。我们排除了金融公司，金融公司被定义为一位数标准行业分类代码为 6 的公司。
表 1 的面板 A 报告了会计和控制变量的汇总描述性统计数据。我们将描述性统计量计算为百分位数的时间序列平均值。缩小的变量表现出异常值，表明需要在横截面回归中修剪这些变量或基于投资组合分类进行推断。平均年营业利润率约为总资产的 12.9%，应计费用为 -2 。总资产的 9%，与 折旧和摊销导致负号。年均以现金为基础的经营盈利能力占总资产的 11.7%。 B 组展示了 Pearson 和 Spearman 的相关性 营业利润率、应计费用和基于现金的营业利润率之间的关系。出现了几种模式。首先，运营盈利能力指标高度相关（Pearson，0.845；Spearman，0.805）。其次，应计费用和营业利润率呈正相关（Pearson，0.163；Spearman，0.130）。第三，当我们从运营盈利能力中去除应计项目时，应计项目和基于现金的运营盈利能力呈负相关（Pearson, -0 . 252 ; Spearman, -0 . 280 ）。这种负相关意味着由于应计费用高而盈利的公司在现金基础上的利润低于报告低应计费用的公司。在下文中，我们在 Fama 和 MacBeth（1973）回归和投资组合分类中探讨了应计费用与基于现金的运营盈利能力之间的这种负相关关系。
4. 回报的横截面 4.1
Fama 和 MacBeth 回归 表 2 显示了平均斜率系数估计值（乘以 100）及其来自 Fama 和 MacBeth (1973) 对运营盈利能力、应计项目和基于现金的运营盈利能力的月度股票回报回归的 t 值。根据先前的研究（例如，Novy-Marx，2013 年），我们在回归中包括以下控制变量：账面市值比的自然对数、股票市值的自然对数以及过去的回报前一个月和前 12 个月期间，不包括 t − 1 月。我们使用 1963 年 7 月至 2014 年 12 月的数据每月估计回归。为了比较盈利能力指标和应计项目的解释力，我们关注 t 值。 Fama 和 MacBeth (1973) 回归中的平均系数估计可以解释为多空交易策略的月度回报，这些策略在每个回归量与其他回归量正交的那部分变化上进行交易。因此，与 Fama-MacBeth 斜率相关的 t 值与这些自筹资金策略的夏普比率成正比。它们等于年化夏普比率乘以 √ T ，其中 T 代表样本中的年数。
图 A 显示了除微胶囊外的所有样品的结果。第 1 列复制了 Ball、Gerakos、Linnainmaa 和 Nikolaev（2015 年）的表 6 中关于运营盈利能力的结果。在本专栏中，我们仅根据运营盈利能力和控制变量来修剪样本。在其余列中，我们需要有关应计项目和基于现金的运营盈利能力的信息，并遵循 Novy-Marx（2013 年）和 Ball、Gerakos、Linnainmaa 和 Nikolaev（2015 年）将所有自变量修剪到第 1 个和第 99 个百分位数的方法。为确保来自不同模型规格的回归系数在各列之间具有可比性，我们在逐个表格的基础上进行了一致的修剪，但第 1 列除外。因此，每个面板的第 2-7 列中显示的不同规格基于相同的观察。
在第 1 列中，与运营盈利能力相关的 t 值为 8.86。当我们将样本限制在第 2 列中应计项目和基于现金的运营盈利能力没有缺失值的公司时，与运营盈利能力相关的 t 值下降到 7.04。在第 3 列中，与应计相关的 t 值为 -3 。 9 .这个结果复制了 Sloan (1996) 记录的长期应计异常——也就是说，高应计的公司平均获得低回报。当运营盈利能力和应计费用都包含在第 4 列的回归模型中时，运营盈利能力不能解释应计异常，反之亦然。事实上，与应计项目相关的 t 值相对于第 3 列中的独立等价物的绝对值增加。这一发现与 Fama 和 French (2015) 中的估计一致，这表明将盈利因素纳入资产定价模型在对按应计项目排序的投资组合进行定价的能力方面使模型恶化。在第 4 列中，运营盈利能力和应计项目的斜率系数的绝对值在数量级上相似（2.55 和 1.58），但不是我们的论文所建议的加法倒数，即应计项目预测回报，因为它们与经营盈利能力。 Hribar 和 Collins (2002) 表明，从资产负债表计算应计会引入测量误差。这些错误可能会削弱应计系数。事实上，我们在下面表明，当我们使用现金流量表衡量应计项目时，经营盈利能力和应计项目的系数接近于加法倒数。在第 5 列中，我们排除了与运营盈利能力相关的应计费用，并检查了基于现金的运营盈利能力的预测能力。基于现金的运营盈利能力的斜率与运营盈利能力的斜率相似（2.60 对 2.55）。然而，当我们从运营盈利能力中去除应计费用时，t 值从 7.04 增加到 9.69。
表 2 Fama-MacBeth 回归中的盈利能力和应计费用。 该表显示了平均 Fama 和 MacBeth (1973) 回归斜率（乘以 100）及其来自预测每月回报的横截面回归的 t 值。 使用从 1963 年 7 月到 2014 年 12 月的数据每月对回归进行估计。我们在表 1 的图例中描述了样本。图 A 显示了除微盘外的所有结果，图 B 显示了微盘的结果。 微型股是指股票市值低于纽约证券交易所市值分布的第 20 个百分点的股票。 我们在附录中描述了运营盈利能力、应计项目和基于现金的运营盈利能力的构建。 回归 (2)–(7) 中的变量根据所有解释变量在第 1 个和第 99 个百分位数处进行修剪。 第一列不需要非缺失的应计费用或基于现金的经营盈利能力，而其余列需要非缺失值 。
如果我们将 Fama 和 MacBeth (1973) 的回归斜率视为以运营盈利能力和基于现金的运营盈利能力进行交易的多空策略的月度回报，则第 2 列和第 5 列中的估计值的比较表明 当我们从基于应计的运营盈利能力转变为基于现金的运营盈利能力时，盈利策略增加了近 40%（t 值 = 4.6）。 8 Ball、Gerakos、Linnainmaa 和 Nikolaev（2015 年）发现，营业利润率比毛利润率或净收入具有更大的解释力。 因此，我们可以从第 2 列到第 5 列的显着增加推断出，基于现金的运营盈利能力的夏普比率也高于毛盈利能力和净收入的夏普比率。
当基于现金的营业利润率和应计费用同时包含在回归中时（第 6 列），基于现金的营业利润率仍然非常显着（ t 值为 7.4）并包含应计费用的影响，在统计上与零（ t -值 = 0.34）。基于现金的运营盈利能力包含应计项目这一事实与 Sloan (1996) 的假设不一致，即投资者“关注”盈利能力本身。根据他的假设，投资者不理解应计费用的持续性不如现金流量，因此当应计费用不持续时，他们会感到意外。如果投资者无法区分应计项目和现金流的持续性差异，那么即使我们控制以现金为基础的运营盈利能力，应计项目也会预测未来的意外情况。此外，我们的结果是，在预期回报的横截面中，只有营业利润的现金部分很重要，这解释了为什么应计项目在包含盈利能力的回归中预测回报：它们允许回归从基于应计项目的盈利能力中提取现金部分多变的。
当我们在运营盈利能力和基于现金的运营盈利能力（第 7 列）之间进行赛马时，运营盈利能力失去了大部分预测能力，其 t 值降至 1.56。基于现金的运营盈利能力以 5.27 的 t 值赢得了这场赛马。表 2 的 B 组报告了 Microcaps 的相同回归，它们占所有公司的 55%，但在经济上仅占总市值的 3%。这些结果模拟了所有但微胶囊样品报告的结果。营业盈利能力和应计费用都是未来回报的有力预测指标。当在单独的回归中使用运营盈利能力和应计项目时，它们的 t 值为 5.29（第 2 列）和 -6 。 30（第 3 栏）。当这些变量在同一个回归中时，它们的 t 值的绝对幅度增加到 5.85 和 -8 。 26（第 4 列），营业利润率和应计费用的斜率系数的绝对值在大小上相似（2.30 和 2.49）。然而，基于现金的盈利能力指标继续占主导地位，t 值为 9.62（第 5 列）。与面板 A 的样本类似，基于现金的运营盈利能力包含了应计项目的解释力（第 6 列），并以运营盈利能力（第 7 列）赢得了赛马。
经营利润率与现金经营利润率的比较。 如果我们将第 2 列和第 5 列中的 Fama-MacBeth 斜率估计解释为已实现回报，则它们表明运营盈利能力和基于现金的运营盈利能力策略获得相似的平均回报，但后一种策略的波动性较小。 为什么基于现金的运营盈利能力的 Fama-MacBeth 斜率估计波动较小？ 比较第 2 列和第 5 列中的估计值排除了两种可能性。 基于现金的运营盈利能力的平均 R 略低于运营盈利能力（5.4% 对 5.5%），并且两个规范中控制变量的斜率估计值相似。 这些估计意味着 t 值不会增加，因为基于现金的运营盈利能力解释了更多的回报变化，或者因为它与其他回归变量的相关性不同。
我们推测解释如下。第 7 列中运营盈利能力的微不足道系数表明，与基于现金的运营盈利能力正交的运营盈利能力部分并不能系统地预测高回报或低回报。同时，第 7 列中经营利润回归的略高 R 2 表明具有该正交分量的高或低值的股票一起移动。换句话说，表 2 中的估计与预期收益和正交分量之间的关系一致，每个月都不同，无条件期望为零。 9 我们注意到运营盈利能力和基于现金的运营盈利能力策略的这种行为特定于 Fama 和 MacBeth (1973) 回归。当我们后来根据营业利润率和基于现金的营业利润率构建因子时，基于现金的营业利润率因子比营业利润率因子具有更高的均值和更低的标准差。
子样本 图 1 绘制了与 Fama-MacBeth 斜率的十年滚动平均值相关的 t 值，其中包括运营盈利能力、应计项目和基于现金的运营盈利能力。 这些斜率来自表 2 面板 A 第 2、3 和 5 列中的回归。 x 轴上的值表示十年平均值的终点。 例如，第一点是 1973 年 6 月，它报告了与使用 1963 年 7 月至 1973 年 6 月。
在样本期间，运营盈利能力和基于现金的运营盈利能力的 t 值均为正值。 比较两者，基于现金的运营盈利能力的 t 值通常更大。 对于应计项目，滚动平均值直到 2008 年都是负值。从 2004 年左右开始，所有三种策略的 t 值都趋于零，表明结构性转变始于前十年。 重要的是，这种转变并非特定于收益变量，并且与之前的研究结果一致，即几乎所有异常在此期间都会产生较低的回报（例如，Keloharju、Linnainmaa 和 Nyberg，2015 年）。
替代规格。 在构建表 2 中显示的应计费用和基于现金的运营盈利能力衡量标准时，我们使用资产负债表方法来计算应计费用。 Hribar 和 Collins (2002) 表明，从资产负债表中提取的应计费用会受到大型公司事件（如合并、收购和资产剥离）的影响。 例如，存货或应收账款的大量增加可能是由于在一个资产负债表日和下一个资产负债表日之间发生的合并。 在我们的分析中，我们使用资产负债表应计费用，因为它们涵盖了从 1963 年开始的样本期间，这在以前的资产定价研究中很常用。 不受此类大型公司事件影响的另一种方法是使用现金流量表中的信息计算应计费用。 但是，美国公司只需要从 1988 年开始报告现金流量表，因此在此日期之前无法从该来源获得应计数据。
为了评估我们的结果是否受到资产负债表应计费用的影响，我们使用现金流量表应计费用复制表 2 的面板 A，以生成我们的应计费用和基于现金的运营盈利能力指标。 10 结果如表 3 所示。 我们估计了两个规格。 首先，我们使用基于现金流量表的权责发生制计量。 在第二个规范中，我们使用现金流量表应计项目来创建应计项目和基于现金的运营盈利能力指标。 两种规格的结果都模拟了表 2 的面板 A 中显示的结果，尽管 t 值由于较短的采样周期而减弱。
图 1. Fama 和 MacBeth (1973) 回归中的运营盈利能力、应计项目和基于现金的运营盈利能力的子样本分析。 该图显示了与表 2 的面板 A 的第 2、3 和 5 列的 Fama-MacBeth 回归斜率的滚动十年平均值相关的 t 值。每个十年期间结束于 x 轴上指示的日期。 例如，第一点是 1973 年 6 月，它们报告了与使用 1963 年 7 月至 1973 年 6 月的数据估计的 Fama-MacBeth 回归中的营业盈利能力、应计费用和基于现金的营业盈利能力相关的 t 值。我们描述了样本 在表 1 的图例中。
表3 Fama-MacBeth 回归中的盈利能力和应计费用：使用现金流量表的替代规范。
该表显示了平均 Fama 和 MacBeth (1973) 回归斜率（乘以 100）及其来自预测每月回报的横截面回归的 t 值。这些回归是使用 1988 年 7 月至 2014 年 12 月的数据每月估计的，使用 All-but-microcaps，即股票市值高于 NYSE 市值分布的第 20 个百分点的股票。我们在表 1 的图例中描述了样本。在规范 1 中，我们使用现金流量表应计项目构建了应计项目度量。在规范 2 中，我们使用现金流量表应计项目来构建应计项目和基于现金的运营盈利能力指标。样本在回归 (1)–(4) 和回归 (5)–(8) 中保持不变。我们在附录中描述了我们如何构建应计项目和基于现金的运营盈利能力指标。根据前两列中使用的解释变量在第 1 个和第 99 个百分位数处修剪变量：营业盈利能力、账面市值比、规模、前一个月回报和前一年跳过一个月的回报。
重要的是，当我们在第 1 列和第 5 列中将营业盈利能力与应计费用一起包括在内时，营业盈利能力和应计费用的斜率系数在绝对幅度上比表 2 面板 A 第 4 列中显示的斜率系数更接近。 当我们使用现金流量表计算应计测度时，应计系数绝对值的增加导致了这两个表之间的差异。 这一发现与资产负债表中具有较大噪声的应计项目相一致，这削弱了系数估计。
总体而言，相对于先前研究中考虑的盈利能力衡量标准，基于现金的运营盈利能力具有最强的预测能力。 此外，基于现金的经营盈利能力包含了应计异常。
4.2.投资组合排序
鉴于利润度量和应计项目的偏态分布和极端观察（见表 1），我们还进行了投资组合测试，这提供了一种潜在的更稳健的方法来评估预测能力，而无需强加 Fama 和 MacBeth (1973) 中嵌入的参数假设回归。表 4 比较了投资组合中的运营盈利能力、应计项目和基于现金的运营盈利能力。对于每个排序变量，该表报告了投资组合的价值加权平均超额收益、资本资产定价模型 (CAPM) 阿尔法和三因子模型阿尔法。省略了市场上的负载、大小和价值因素以节省空间。面板 A 使用所有股票的数据形成投资组合，面板 B 分别形成小型和大型股票的投资组合，在纽约证券交易所市值中值断点处进行划分。我们每年在 6 月底重新平衡投资组合，样本从 1963 年 7 月到 2014 年 12 月。
所有三个指标——运营盈利能力、应计项目和基于现金的盈利能力——都显着预测了投资组合类型的未来回报。在面板 A 中，基于运营盈利能力形成的高-低十分位组合的超额收益为每月 29 个基点（t 值 = 1.84），对于应计项目，超额收益为 -35 个基点（t -值 = -2.55）。与表 2 中的 Fama 和 MacBeth 回归一致，最高超额回报是基于现金的运营盈利策略——每月 47 个基点，t 值为 3.14。当我们使用 CAPM 和三因素模型评估策略时，我们发现了类似的结果。基于运营盈利能力形成的高减低十分位数投资组合的 CAPM alpha 为 42 个基点（t 值 = 2.81）和三因素模型 alpha 为每月 74 个基点（t 值 = 5.98） .基于应计项目形成的等效策略获得 -43 个基点的 CAPM alpha (t -value = -3.15) 和 -39 个基点的三因子模型 alpha (t -value = -2 . 98)。类似于表 2 中的 Fama 和 MacBeth (1973) 回归，基于现金的盈利能力继续表现出最强的预测能力。高减低策略每月获得 65 个基点的 CAPM alpha，t 值为 4.74，三因素模型 alpha 为每月 89 个基点，t 值为 8.48。对于盈利策略，当使用三因素模型评估高减低策略时，阿尔法值会增加。正如 Novy-Marx (2013) 所表明的，出现这个结果是因为盈利能力与价值呈负相关。
图 B 显示结果并不特定于小型股票或大型股票，尽管小型股票之间的高-低回报利差更大。 例如，以现金为基础的经营盈利能力为基础的高减低策略，在小型股票领域获得 102 个基点（t 值 = 9.27）的月度三因素模型 alpha 和 75 个基点的 alpha ( t -value = 6.31) 在大股票中。 对大股票的估计与 A 组的估计非常接近，因为在 A 组中，我们使用纽约证券交易所的断点形成投资组合并使用价值加权回报。
5. 以现金为基础的经营盈利因素
我们接下来构建捕捉平均回报与运营盈利能力、应计项目和基于现金的运营盈利能力之间关系的因素。 我们用这些因素扩充 Fama 和 French (1993) 三因素模型，然后检查这些扩充模型在股票回报横截面中的价格应计程度。
为了构建盈利因素，我们遵循 Fama 和 French (2015) 的六种投资组合方法；这也是 Fama 和 French (1993) 用来构建 HML 因子的方法。我们首先根据公司是低于还是高于纽约证券交易所市值中值断点，将股票按规模分为大小子组。然后，我们根据运营盈利能力将独立排序分为弱（即低于纽约证券交易所第 30 个百分位断点）和稳健（即高于纽约证券交易所第 70 个百分位断点）。这些种类产生了六个价值加权的投资组合。运营盈利能力因子 RMW OP 是通过将两个稳健盈利能力组合的平均值减去两个弱盈利能力组合的平均值来构建的。基于现金的运营盈利能力因子 RMW CbOP 以相同的方式构建，除了第二种是基于现金的运营盈利能力。为了构建应计因子 ACC，我们将应计用于第二类，并切换弱和稳健的投资组合以生成具有正均值的因子。表 5 显示了四个传统因素和三个与收益相关的因素的平均年化回报、标准差和 t 值。在与收益相关的因素中，应计因素的平均年化回报率最低 (2.7%)，t 值最低 (3.42)。基于现金的运营盈利能力因子的平均年化回报率（4.88% 对 3.25%）和 t 值（6.29 对 3.65）远高于运营盈利能力因子。
定价组合按规模和应计项目排序。表 6 面板 A 中的第一组数字报告了超过一个月国库券利率的 25 个投资组合的平均每月回报，这些投资组合使用规模和应计费用的双向独立排序形成。与先前的研究一致，平均回报在规模和应计项目上都有所下降。由小额低应计股票组成的投资组合，平均每月超额收益为 0.94%； big-high 应计投资组合的月回报率为 0.31%。面板 A 中的其余块显示了三因子模型和同一模型的增强版本的每月 alpha 值和相应的 t 值。
表 4 按运营盈利能力、应计项目和基于现金的运营盈利能力排序的投资组合回报。
该表报告了投资组合的价值加权平均超额收益、CAPM alpha 和三因子模型 alpha，这些模型按运营盈利能力、应计项目和基于现金的运营盈利能力排序，每个都按总资产的账面价值进行缩放。 我们在每年 6 月底根据纽约证券交易所的断点将股票分类为十分位数，并持有下一年的投资组合。 面板 A 使用所有股票。 B 组分别报告了小型股票和大型股票的结果。 小股票是指股票市值低于纽约证券交易所市值分布中位数的股票。 样本从 1963 年 7 月开始，到 2014 年 12 月结束。我们在表 1 的图例中描述了样本。
与三因素模型相比，增加了运营盈利因素 (RMW OP) 的三因素模型会产生更明显的 alpha。 这两种模型之间的差异在低应计股票和高应计股票中尤为明显。 这一证据与 Fama 和 French (2015) 的研究结果一致，即当我们以经营盈利能力为条件时，应计异常会加强。 这一结果也与我们在表 2 中的证据相符。
表 5 每月因子回报的汇总统计。
此表显示了月度因子的年化平均回报和标准差。因素包括传统的四个因素：市场收益减去无风险利率，MKT；大小，SMB；值，HML；和势头，UMD。此外，我们根据应计费用、运营盈利能力和现金运营盈利能力构建了三个额外的因素。这些额外因素是使用与 Fama 和 French (2015) 相同的六种组合方法形成的；也就是说，我们首先将股票按规模分为小（纽约证券交易所第 50 个百分位以下）和大（纽约证券交易所第 50 个百分位以上）和（独立地）按盈利能力分为弱（纽约证券交易所第 30 个百分位以下）和稳健（纽约证券交易所第 70 个百分位以上） ，然后将每个因子定义为差值 (1/2) × (small-robust + big-robust) − (1/2) ×(small-weak + big-weak)。对于应计因素，强标签和弱标签是相反的。样本从 1963 年 7 月开始，到 2014 年 12 月结束。我们在表 1 的图例中描述了样本。
表 6 中报告的下一个模型通过运营盈利能力和应计因素对三因素模型进行了扩充。该模型在定价应计方面的性能显着提高。此练习类似于使用三因素模型根据规模和账面市值比为 25 个 Fama-French 投资组合定价。这里的问题是单个应计因素（与其他因素结合）可以为 25 个投资组合的整个表面定价。高和低应计五分位数中的 alpha 和相关的 t 值在幅度上减小并且通常失去统计显着性。即使这个模型，尽管包括了应计因素，也不能为所有投资组合定价。例如，应计收益第二高的小股票的 alpha 为每月 23 个基点 (t-value = 3.15)。
表 6 中的最终模型仅使用基于现金的运营盈利能力因子来扩充三因子模型。该模型的性能（由 alphas 和 t 值判断）与包含运营盈利能力和应计因素的模型的性能相当。面板 B 中报告的测试统计数据支持这一结论。 Gibbons、Ross 和 Shanken (1989) 检验统计量范围从 2.32 到 3.99，具体取决于模型。以现金为基础的经营盈利能力因子增强的三因子模型表现最好；最差的模型是增加了运营盈利因素的三因素模型。我们还报告了其他三个总结模型性能的统计数据：A | ˆα|是平均绝对回归截距； A (| a i | ) A (| ̄r i | ) 是 Fama 和 French (2016) 的度量，用于捕获模型无法解释的 alpha 离散度； A ( R 2 ) 是回归 R 2 s 的平均值。除了平均 R 2 之外，三因子模型在这些比较中表现最好。与其他三种模型相比，基于现金的运营盈利能力因素的模型与同时增加运营盈利能力和应计因素的模型在很大程度上没有区别。增加了运营盈利能力的三因素模型表现最差。比较资产定价模型。我们接下来解决这些资产定价模型中哪种最好的问题。例如，考虑到三因素模型的平均绝对阿尔法最低，我们是否应该更喜欢这种模型而不是增加了基于现金的运营盈利因素的模型？ Barillas 和 Shanken (2015) 表明，可以在不使用测试资产的情况下评估资产定价模型的相对性能。正如 Fama (1998) 所讨论的，资产定价模型的相对性能可以通过比较每个模型对排除因素进行定价的能力来评估。 Barillas 和 Shanken (2015) 提供了以下示例来说明其结果的直觉。假设我们有兴趣比较 CAPM 和三因素模型。 CAPM 的测试资产限制——即资产的 CAPM alpha 联合为零——可以用两种方式表述。我们可以检查 CAPM 对测试资产的定价情况，或者，我们可以检查 CAPM 对排除因素（SMB 和 HML）的定价情况以及三因素模型对测试资产的定价情况。也就是说，只有当 SMB 和 HML 的单因素模型 alpha 为零并且测试资产的三因素模型 alpha 为零时，CAPM 才是正确的模型。因此，在评估 CAPM 和三因素模型的相对性能时，测试资产是无关紧要的。唯一重要的是 CAPM 为排除的因素定价的能力。表 7 的面板 A 评估了三因子模型和该模型的增强版本解释每个模型省略的因子的回报的程度。该分析类似于（ Fama and French, 2016 , Table 6 ）中使用的分析。例如，三因素模型在三个盈利因素上留下了相当大的阿尔法值。运营盈利因子的三因子模型 alpha 为 46 个基点（t 值 = 7.01）；基于现金的运营盈利能力因子的 alpha 为 58 个基点（t 值 = 10.09）；并且应计因子的 alpha 为 22 个基点（t 值 = 3.34）。这些统计显着的 alpha 值表明，相对于三因子模型，这些盈利能力因子中的每一个都包含有关预期回报的有用信息；或者，换句话说，增加了这些因素中的任何一个的资产定价模型在三因素模型中占主导地位。
表 6 定价 25 个按规模和应计项目排序的投资组合。
该表显示了 25 个投资组合的年化 alpha 和与这些 alpha 相关的 t 值，这些投资组合由规模和应计费用的独立排序形成。 我们在每年 6 月底根据纽约证券交易所的断点将股票分类为五分之一，并持有下一年的投资组合。 面板 A 报告了平均每月超额回报以及三因子模型的 alpha 和来自三个附加模型的 alpha，这些模型通过运营盈利能力、应计项目和基于现金的运营盈利因素来增强三因子模型。 面板 B 报告评估模型性能的测试统计数据：A| ˆα| 是平均绝对回归截距； GRS 是 Gibbons、Ross 和 Shanken (1989) 检验统计量； A(|ai |) A(| ̄ri |) 是 Fama 和 French (2016) 的度量，用于捕获模型无法解释的 alpha 离散度； A(R2 ) 是回归 R2 s 的平均值。 样本从 1963 年 7 月开始，到 2014 年 12 月结束。
当我们用基于现金的运营盈利能力因子来扩充三因子模型时，扩充后的模型对营运盈利能力因子进行定价。 此回归的 alpha 为负且在统计上不显着（ t 值 = -1 . 15 ）。 反过来说是不对的。 增加了运营盈利能力的三因子模型为基于现金的运营盈利因子留下了 27 个基点（t 值 = 7.08）的 alpha。 最后的回归表明，虽然三因子模型和增加运营盈利能力的模型都不能为应计因素定价，但增加了基于现金的运营盈利能力的三因子模型却可以。 应计因子的 alpha 仅为 12 个基点，t 值为 1.69。
表 7 比较资产定价模型。
该表检查了三因素模型和三因素模型的增强版本的相对性能。 面板 A 报告了跨越回归的估计。 左侧变量是运营盈利能力因子、基于现金的运营盈利能力因子或应计收益因子的月度回报。 解释变量为三因素模型因素和经营盈利能力和现金经营盈利能力因素。 面板 B 报告了使用 Barillas 和 Shanken (2015) 的似然比检验来比较非嵌套模型的模型的成对模型比较。 AIC 是模型 2 和模型 1 在 Akaike 信息准则中的差异，它调整估计参数数量的似然。 最后一列报告模型 1 与模型 2 的相对调整可能性。样本始于 1963 年 7 月，结束于 2014 年 12 月。我们在表 1 的图例中描述了样本。
面板 B 将增加了基于现金的运营盈利能力的三因素模型与两种替代模型进行了比较。第一个替代模型是增加了运营盈利因素的三因素模型；第二种选择增加了应计因素。我们使用 Barillas 和 Shanken (2015) 中提出和使用的似然比检验来比较这些模型。在这些测试中，可能性的测试资产部分相互抵消，因为它在每个模型中都是相同的；这部分基于包含来自两个模型的所有因素的复合模型。我们报告了 Akaike 信息标准 (AIC) 的差异，该标准调整了估计参数数量的可能性。这些比较表明，数据压倒性地支持增加了基于现金的运营盈利能力的三因素模型。具体而言，AIC 的差异表明，同时增加运营盈利能力和应计费用的三因素模型是最佳模型的可能性可以忽略不计，e − 1 2 (24 . 98) 。
6. 投资机会集和事后最大夏普比率
我们可以计算与不同因素集相关的夏普比率，以从投资者的角度衡量我们结果的经济意义。在本节中，我们从传统的四个因素（市场、规模、价值和动量）和基于应计费用、运营盈利能力和基于现金的运营盈利能力的因素构建事后均值方差有效投资组合。这些投资组合夏普比率的差异衡量了投资者可以通过增加应计费用、运营盈利能力和基于现金的运营盈利能力的投资机会来提高其投资组合的均值方差效率的程度。表 8 显示了切线组合权重和夏普比率。 1963 年至 2014 年样本期间市场投资组合的（年化）夏普比率为 0.39，当我们使用规模、价值和动量因子构建（事后）均值方差有效投资组合时，该比率增加到 1.06。与这三个因素一起交易市场的投资者将通过将应计因素添加到投资机会集中而受益。通过这样做，夏普比率增加到 1.12。然而，运营盈利能力和基于现金的运营盈利能力对投资者来说都比应计因素更有价值。添加运营盈利因素而不是应计因素将夏普比率提高到 1.4，添加基于现金的运营盈利因素将其增加到 1.67。
表 8 最大事后夏普比率。
该表显示了通过使用不同的因素组合和实现最大夏普比率所需的每个因素的权重可以实现的最大事后夏普比率。 因素包括传统的四个因素：市场收益减去无风险利率，MKT； 大小，SMB； 值，HML； 和势头，UMD。 此外，我们基于应计项目构建了三个额外的因素， 经营盈利能力和基于现金的经营盈利能力。 样本从 1963 年 7 月开始，到 2014 年 12 月结束。我们在表 1 的图例中描述了样本。
与表 7 中的结果一致，基于现金的运营盈利能力（但不是运营盈利能力）因子包含应计费用。已经交易基于现金的运营盈利策略的投资者将不会从将应计因素添加到投资机会集中受益——最大夏普比率从 1.67 增加到 1.69。相比之下，对于交易运营盈利能力因素的投资者来说，增加应计因素的价值与完全不交易盈利能力因素时的价值大致相同——正如夏普比率的增加所表明的那样。
如果投资者将基本因素与经营盈利能力和应计因素一起交易，则投资者可以达到的事后最大夏普比率低于投资者将基本因素与基于现金的经营盈利能力因素一起交易的情况，分别为 1.54 和 1.67 .因此，与同时添加应计项目和运营盈利能力相比，投资者在投资机会集中仅添加基于现金的运营盈利能力会做得更好。这一结果意味着，与基于现金的运营盈利能力相比，应计收益和运营盈利能力的回报变化更多地与预期回报的变化无关。营业利润率和应计费用的更高未定价变化增加了夏普比率的分母。因此，仅交易基于现金的运营盈利能力会导致更高的夏普比率。
7. 增加预测范围
我们接下来研究应计项目和基于现金的运营盈利能力预测回报有多远，并将它们的预测能力与运营盈利能力进行比较。图 2 中的前三个面板绘制了收入相关变量的平均 Fama 和 MacBeth (1973) 回归斜率及其相应的 95% 置信区间来自控制变量和三个收入滞后值的月回报横截面回归-相关变量。我们以一个月为增量将延迟增加到十年。从 1973 年 7 月到 2014 年 12 月，使用 All-but-microcaps 的数据估计每个月的回归。从 1973 年开始，我们确保对所有滞后使用相同的左侧数据。表 2 中的 Fama 和 MacBeth (1973) 回归表明，当与控制变量的当前值结合使用时，基于现金的运营盈利能力的当前值以 9.69 的 t 值预测回报。我们现在使用这些回归来评估嵌入在三个收益指标中的信息的寿命。在图 2 中，我们假设虽然我们知道控制变量的当前值，但我们不知道盈利度量的当前值。如果投资者被迫使用五年前的盈利能力信息，他们还会从这些盈利能力指标中受益吗？图 2 的面板 A 和 B 显示，运营盈利能力和基于现金的运营盈利能力至少在十年内持续预测回报。尽管这些变量随着回报期的增加而变得陈旧，但它们继续具有对当前控制变量递增的预测能力。虽然预测能力会随着时间的推移而衰减，但它仍然是可靠的。持续的预测能力与盈利变量和预期回报一致，这些因素共享共同的经济决定因素，例如随着时间的推移相对稳定的风险。图 2 的面板 C 显示，应计项目仅预测未来一年的回报，即使如此，统计显着性也是微不足道的。经过一年的滞后，置信上限大多超过零。该点估计在七年后变为正值，这表明与基于现金的运营盈利能力和运营盈利能力相比，应计项目的长期预测能力可以忽略不计。为了比较面板 A、B 和 C 中显示的收入相关变量的解释力，我们在面板 D 中绘制了斜率系数的 t 值。
图 2. Fama 和 MacBeth (1973) 对滞后运营盈利能力、基于现金的运营盈利能力和应计项目的股票回报的回归。该图的面板 A、B 和 C 显示了平均 Fama 和 MacBeth (1973) 回归斜率（乘以 100）及其对应的 95% 置信区间，它们来自对控制变量的月度股票回报回归以及三个与收益相关的滞后值变量：营业利润率、基于现金的营业利润率和应计费用。面板 D 比较了这些回归的 t 值。为了便于比较，我们将应计的 t 值乘以负 1。图 E 显示了基于现金的运营盈利能力和运营盈利能力之间夏普比率差异的平均值和自举 95% 置信区间。这些夏普比率是通过将 Fama-MacBeth 斜率估计视为多空交易策略的回报来计算的，这些策略在每个回归变量中与每个其他回归变量正交的那部分变化上进行交易。回归中的控制变量是：前一个月回报、前一年回报跳过一个月、日志到市场和日志大小。滞后以一个月的增量增加到十年。控制变量（但不是三个与收益相关的变量）随时间更新。从 1973 年 7 月到 2014 年 12 月，每个月的回归都使用 All-but-microcaps 的数据进行估计，这些数据是股票市值高于 NYSE 市值分布的第 20 个百分点的股票。我们在表 1 的图例中描述了样本。所有滞后都使用相同的数据。
与表 2 中的回归一致，基于现金的运营盈利能力的 t 值通常高于运营盈利能力或应计项目的 t 值。 13 应计的一年期 t 值复制了 Sloan (1996) 的应计异常，但不控制基于现金的运营盈利能力，我们已证明将其包含在内。请注意，基于现金的运营盈利能力的一年期 t 值绝对值是应计项目的 t 值的三倍。在面板 E 中，我们接下来绘制了基于现金的运营盈利能力与不同时期的运营盈利能力之间夏普比率差异的均值和 95% 置信区间。与面板 D 一致，夏普比率的平均差异随着时间的推移而减小，但在七年内保持正值。 95% 的置信区间在四年内高于零，这意味着在至少四年的时间里，投资者以现金为基础的运营盈利能力比运营盈利能力要好得多。
8. 结论
我们研究了一种没有会计应计调整的基于现金的经营盈利能力衡量标准。在解释预期收益的横截面并包含应计异常时，该指标显着优于运营盈利能力（Ball、Gerakos、Linnainmaa 和 Nikolaev，2015 年）（Sloan，1996 年）。事实上，与同时添加应计项目和盈利策略相比，投资者在他们的投资机会集中添加基于现金的运营盈利能力会更好。我们的证据表明盈利公司的平均回报很高。在我们的分析中，任何仅因应计费用本身而增加的盈利能力与横截面回报无关。当按照 Sloan (1996) 中的资产负债表数据计算应计费用时，以及从 1988 年才可用的现金流量表数据计算应计费用时，我们观察到这一结果。与往常一样，不同的时间段或应计措施可能会产生不同的结果。一旦从运营盈利能力中清除了应计费用，就会获得对未来股票表现的明显更强的预测。
权责发生制会计调整当期现金流量，目的是更好地衡量公司当期绩效（Dechow，1994 年），从而使会计盈余在合同环境中比以现金为基础的衡量指标更有用（例如，对于绩效评估）。 这不是预期共同构成收益的应计费用和现金流量部分对未来回报具有类似预测能力的理由。 我们的证据是，基于现金的盈利能力提供了更强的未来回报信号。
Appendix. Measuring operating profitability, cash-based operating profitability, and accruals 略
References 略
欢迎分享，转载请注明来源：内存溢出
微信扫一扫
支付宝扫一扫
评论列表（0条）