The accounting treatment of research & development expenditures for financial firm performance: a machine learning approach

Abstract

This thesis analyses the predictive ability of R&D expenditures, on future firm financial performance, utilizing a European sample of publicly listed firms that reported under IFRS from 2005 to 2020. This study employs a forward-looking, out-of-sample predictive approach, contrasting with prior research that predominantly examines the relationship between R&D expenditure and subsequent profitability through in-sample regression analysis. This re-frames the enduring argument on R&D accounting treatment—whether to capitalize or expense—as a forecasting issue, coinciding with contemporary literature advocating for predictive analysis over solely explanatory methods. Machine learning algorithms are employed, such as, logistic regression, random forests, SVM and XGBoost, to predict one-step-ahead profitability measures such as ROA, Price, Returns, and EPS. This work departs from conventional econometric modeling, which focuses on parameter estimation, and illustrates the ability of machine learning algorithms to identify non-linear correlations and produce more precise out-of-sample predictions. Furthermore, it presents a data-driven approach by comparing theoretically produced financial ratios with models constructed from raw accounting data. Remarkably, the latter frequently demonstrate comparable, if not superior, predictive ability for future firm financial performance. To gain insights into the contribution of R&D expenditures to future firm performance, feature importance metrics and SHAP (SHapley Additive exPlanations) values are used to improve the interpretability of ML models, offering detailed insights into the impact of capitalized vs expensed R&D expenditures on predictive accuracy. Despite previous findings that capitalization promotes earnings manipulation and diminishes predictive accuracy, the results demonstrate that capitalized R&D costs can enhance future financial performance predictions. This indicates that the existing accounting treatment under IFRS, which allows for the capitalization of development expenditures under certain conditions, may more effectively communicate the information required by investors and policymakers to forecast future firm financial performance. This research contributes to the accounting and finance literature by providing substantial out-of-sample evidence about the predictive significance of R&D expenditures. This study offers methodological guidance for incorporating machine learning techniques into accounting research and explains the contentious topic of R&D capitalization, potentially advising standard setters, practitioners, and investors on the optimal interpretation and application of R&D information for prospective decision-making.

Αυτή η διατριβή αναλύει την προβλεπτική ικανότητα των δαπανών E&Α για την μελλοντική χρηματοοικονομική απόδοση των εταιρειών, χρησιμοποιώντας ένα ευρωπαϊκό δείγμα εισηγμένων εταιρειών που συντάσσουν τις οικονομικές τους καταστάσεις σύμφωνα με τα ΔΠΧΑ από το 2005 έως το 2020. Αυτή η μελέτη χρησιμοποιεί μια εκτός δείγματος προγνωστική προσέγγιση, σε αντίθεση με προηγούμενες έρευνες που εξετάζουν κυρίως τη σχέση μεταξύ δαπανών Ε&Α και της μελλοντικής κερδοφορίας μέσω ανάλυσης παλινδρόμησης εντός δείγματος. Αυτό επαναδιατυπώνει τη διαρκή συζήτηση σχετικά με την λογιστική αντιμετώπιση των δαπανών για Ε&Α—αν θα πρέπει να κεφαλαιοποιούνται ή να καταχωρούνται ως έξοδα—ως ένα ζήτημα πρόβλεψης, ευθυγραμμιζόμενο με τη σύγχρονη βιβλιογραφία που υποστηρίζει την προγνωστική ανάλυση έναντι των αποκλειστικά επεξηγηματικών μεθόδων. Χρησιμοποιούνται αλγόριθμοι μηχανικής μάθησης, όπως οι logistic regression, random forest, SVM and XGBoost, για την πρόβλεψη δεικτών κερδοφορίας, όπως ο δείκτης αποδοτικότητας συνολικών κεφαλαίων, η τιμή, οι αποδόσεις και τα κέρδη ανά μετοχή. Αυτή η εργασία απομακρύνεται από την παραδοσιακή οικονομετρική ανάλυση, η οποία επικεντρώνεται στην εκτίμηση παραμέτρων, και απεικονίζει την ικανότητα των αλγορίθμων μηχανικής μάθησης να εντοπίζουν μη γραμμικές συσχετίσεις και να παράγουν πιο ακριβείς προβλέψεις εκτός δείγματος. Επιπλέον, παρουσιάζει μια προσέγγιση βασισμένη σε δεδομένα συγκρίνοντας θεωρητικούς χρηματοοικονομικούς δείκτες με μοντέλα κατασκευασμένα από ακατέργαστα λογιστικά δεδομένα. Αξιοσημείωτο είναι ότι τα τελευταία συχνά επιδεικνύουν συγκρίσιμη, αν όχι ανώτερη, ικανότητα πρόβλεψης της μελλοντικής χρηματοοικονομικής απόδοσης της εταιρείας. Για να αποκτήσουμε περαιτέρω πληροφόρηση σχετικά με τη συμβολή των δαπανών Έρευνας και Ανάπτυξης (Ε&Α) στην μελλοντική απόδοση των εταιρειών, χρησιμοποιούνται μέτρα "σημαντικότητας χαρακτηριστικών" και τιμές SHAP (SHapley Additive exPlanations) για τη βελτίωση της ερμηνευσιμότητας των μοντέλων μηχανικής μάθησης, προσφέροντας λεπτομερείς πληροφορίες για την επίδραση των κεφαλαιοποιημένων έναντι των "εξοδοποιημένων" δαπανών για Ε&Α στην προβλεπτική ακρίβεια. Παρά τα προηγούμενα ευρήματα που δείχνουν ότι η κεφαλαιοποίηση προάγει την χειραγώγιση των κερδών και μειώνει την προβλεπτική ακρίβεια, τα αποτελέσματα δείχνουν ότι οι κεφαλαιοποιημένες δαπάνες για Ε&Α μπορούν να βελτιώσουν τις προβλέψεις για τη μελλοντική χρηματοοικονομική απόδοση. Αυτό υποδηλώνει ότι η υπάρχουσα λογιστική αντιμετώπιση σύμφωνα με τα ΔΠΧΑ, η οποία επιτρέπει την κεφαλαιοποίηση των δαπανών ανάπτυξης υπό ορισμένες προϋποθέσεις, μπορεί να επικοινωνεί πιο αποτελεσματικά τις πληροφορίες που απαιτούνται από τους επενδυτές και τους υπεύθυνους χάραξης πολιτικής για την πρόβλεψη της μελλοντικής χρηματοοικονομικής απόδοσης της εταιρείας. Αυτή η έρευνα συμβάλλει στη βιβλιογραφία της λογιστικής και της χρηματοοικονομικής παρέχοντας σημαντικά στοιχεία εκτός δείγματος σχετικά με την προβλεπτική ικανότητα των δαπανών Έρευνας και Ανάπτυξης (Ε&Α). Αυτή η μελέτη προσφέρει μεθοδολογική καθοδήγηση για την ενσωμάτωση τεχνικών μηχανικής μάθησης στην λογιστική έρευνα και εξηγεί το αμφιλεγόμενο θέμα της κεφαλαιοποίησης των δαπανών για Ε&Α, ενδεχομένως συμβουλεύοντας τις ρυθμιστικές αρχές, τους επαγγελματίες της λογιστικής και τους επενδυτές για την βέλτιστη ερμηνεία και εφαρμογή των πληροφοριών Ε&Α για μελλοντική λήψη αποφάσεων.