Βιβλιοθήκη ΟΠΑ - Ψηφιακό Αποθετήριο

ΠΥΞΙΔΑ Ιδρυματικό Αποθετήριο
και Ψηφιακή Βιβλιοθήκη

Όνομα χρήστη
Κωδικός πρόσβασης

Συλλογές :	Ιδρυματικό Αποθετήριο ΟΠΑ / AUEB Institutional Repository Σχολή Διοίκησης Επιχειρήσεων / School of Business Τμήμα Οργάνωσης και Διοίκησης Επιχειρήσεων / Department of Business Administration Μεταπτυχιακές Εργασίες / Postgraduate dissertations

Τίτλος :	Η επίδραση της ποιότητας της λογιστικής πληροφορίας στις αποδόσεις των μετοχών των εταιριών που είναι εισηγμένες στο Χρηματιστήριο Αθηνών την χρονική περίοδο 2005-2022

Εναλλακτικός τίτλος :	The impact of the quality of accounting information on the stock returns of companies listed on the Athens Stock Exchange during the period 2005-2022

Δημιουργός :	Κλουσάκου, Έλλη

Συντελεστής :	Τσεκρέκος, Ανδριανός (Επιβλέπων καθηγητής) Κουρέτας, Γεώργιος (Εξεταστής) Κασιμάτης, Κωνσταντίνος (Εξεταστής) Οικονομικό Πανεπιστήμιο Αθηνών, Τμήμα Οργάνωσης και Διοίκησης Επιχειρήσεων (Degree granting institution)

Τύπος :	Text

Φυσική περιγραφή :	73σ.

Γλώσσα :	el

Αναγνωριστικό :	https://www.pyxida.aueb.gr/index.php?op=view_object&object_id=11254

Περίληψη :	Η παρούσα εργασία διερευνά την συσχέτιση της λογιστικής πληροφορίας 561 εταιριών εισηγμένων στο Χρηματιστήριο Αθηνών και της απόδοσης της ημερήσιας μετοχής για την περίοδο 2005-2022. Η παρουσίαση της λογιστικής πληροφορίας μπορεί να αποτελέσει βασικό δείκτη για το μέλλον μιας εταιρίας αλλά και για τις αποφάσεις των επενδυτών. Το συμβάν που μελετήθηκε είναι η διακύμανση των ανώμαλων αποδόσεων γύρω από την ημερομηνία ανακοίνωσης των κερδών.Σημαντικό μέγεθος στην μελέτη συμβάντος είναι οι αποκλίσεις αποδόσεων οι οποίες ορίζονται ως η διαφορά της πραγματικής απόδοσης της μετοχής με την αναμενόμενη απόδοση. Για τον υπολογισμό των αναμενόμενων αποδόσεων εφαρμόστηκαν τρία μοντέλα:- Μοντέλο Απόδοσης με Προσαρμογή στο Μέσο Όρο- Προσαρμοσμένο Μοντέλο- Μοντέλο ΑγοράςΓια πιο αξιόπιστη διεξαγωγή συμπερασμάτων υπολογίστηκαν και οι σωρευτικές ανώμαλες αποδόσεις γύρω από την ημερομηνία ανακοίνωσης των κερδών ανά μετοχή για τα διαστήματα (-10,10), (-1,1), (-1,0) και (0,1). Η πλειοψηφία των μέσων και σωρευτικών ανώμαλων αποδόσεων έδειξε ότι AAR<0 και CAR<0. Οι αρνητικές τιμές υποδηλώνουν πως η πραγματική απόδοση ήταν μικρότερη της αναμενόμενης.Έπειτα, διενεργήθηκε t-test για τα αποτελέσματα από όλα τα μοντέλα που χρησιμοποιήθηκαν αλλά και για όλα τα διαστήματα παρατήρησης για επίπεδο σημαντικότητας 1%, 5% και 10%. Οι υποθέσεις που εξετάστηκαν διατυπώνονται ως εξής:- Μηδενική υπόθεση H0: H μέση τιμή των ανώμαλων αποδόσεων είναι μηδέν.- Εναλλακτική υπόθεση H1: H μέση τιμή των ανώμαλων αποδόσεων είναι διάφορη του μηδενός.Τα αποτελέσματα ανά μοντέλο υποδεικνύουν πως αρκετές μέρες και αρκετά διαστήματα παρατήρησης ήταν στατιστικά σημαντικά απορρίπτοντας την μηδενική υπόθεση H0.Τέλος, πραγματοποιήθηκαν πολλαπλές γραμμικές παλινδρομήσεις για την διαπίστωση της επίδρασης διαφόρων οικονομικών παραμέτρων στις σωρευτικές ανώμαλες αποδόσεις. Ως εξαρτημένη μεταβλητή ορίστηκαν οι σωρευτικές ανώμαλες αποδόσεις όπως υπολογίστηκαν και από τα τρία μοντέλα για τα διαστήματα παρατήρησης (-10,10) και (-1,1). The subject of this thesis is the development of an integrated methodology for the integration of Artificial Intelligence (AI) into Business Process Management (BPM). Specifically, this research delves into the domain of AI integration, presenting theoretical foundations and discussing potential benefits and complexities that arise. The study explored AI technologies, including machine learning, natural language processing (NLP), and robotic process automation (RPA), to understand their applicability and impact on business processes.The findings of this research shed light on the existing challenges and opportunities related to the integration of AI into Business Process Management. Issues related to data protection, ethical challenges, change management, and the readiness of organizations to embrace AI-based BPM solutions were analyzed. Additionally, the study provided insights into potential process efficiency improvements, cost reduction, and enhanced customer experiences that Artificial Intelligence can bring.This study aims to serve as a guide for organizations aiming to embark on the journey of integrating AI into their BPM practices. It offers a structured approach, from assessing organizational readiness and selecting appropriate technologies to implementing, monitoring, and evaluating the solutions. Ultimately, this research contributes to a broader understanding of how Artificial Intelligence can be effectively leveraged for the transformation and optimization of business processes in a rapidly evolving digital landscape.

Περίληψη :

Η παρούσα εργασία διερευνά την συσχέτιση της λογιστικής πληροφορίας 561 εταιριών εισηγμένων στο Χρηματιστήριο Αθηνών και της απόδοσης της ημερήσιας μετοχής για την περίοδο 2005-2022. Η παρουσίαση της λογιστικής πληροφορίας μπορεί να αποτελέσει βασικό δείκτη για το μέλλον μιας εταιρίας αλλά και για τις αποφάσεις των επενδυτών. Το συμβάν που μελετήθηκε είναι η διακύμανση των ανώμαλων αποδόσεων γύρω από την ημερομηνία ανακοίνωσης των κερδών.Σημαντικό μέγεθος στην μελέτη συμβάντος είναι οι αποκλίσεις αποδόσεων οι οποίες ορίζονται ως η διαφορά της πραγματικής απόδοσης της μετοχής με την αναμενόμενη απόδοση. Για τον υπολογισμό των αναμενόμενων αποδόσεων εφαρμόστηκαν τρία μοντέλα:- Μοντέλο Απόδοσης με Προσαρμογή στο Μέσο Όρο- Προσαρμοσμένο Μοντέλο- Μοντέλο ΑγοράςΓια πιο αξιόπιστη διεξαγωγή συμπερασμάτων υπολογίστηκαν και οι σωρευτικές ανώμαλες αποδόσεις γύρω από την ημερομηνία ανακοίνωσης των κερδών ανά μετοχή για τα διαστήματα (-10,10), (-1,1), (-1,0) και (0,1). Η πλειοψηφία των μέσων και σωρευτικών ανώμαλων αποδόσεων έδειξε ότι AAR<0 και CAR<0. Οι αρνητικές τιμές υποδηλώνουν πως η πραγματική απόδοση ήταν μικρότερη της αναμενόμενης.Έπειτα, διενεργήθηκε t-test για τα αποτελέσματα από όλα τα μοντέλα που χρησιμοποιήθηκαν αλλά και για όλα τα διαστήματα παρατήρησης για επίπεδο σημαντικότητας 1%, 5% και 10%. Οι υποθέσεις που εξετάστηκαν διατυπώνονται ως εξής:- Μηδενική υπόθεση H0: H μέση τιμή των ανώμαλων αποδόσεων είναι μηδέν.- Εναλλακτική υπόθεση H1: H μέση τιμή των ανώμαλων αποδόσεων είναι διάφορη του μηδενός.Τα αποτελέσματα ανά μοντέλο υποδεικνύουν πως αρκετές μέρες και αρκετά διαστήματα παρατήρησης ήταν στατιστικά σημαντικά απορρίπτοντας την μηδενική υπόθεση H0.Τέλος, πραγματοποιήθηκαν πολλαπλές γραμμικές παλινδρομήσεις για την διαπίστωση της επίδρασης διαφόρων οικονομικών παραμέτρων στις σωρευτικές ανώμαλες αποδόσεις. Ως εξαρτημένη μεταβλητή ορίστηκαν οι σωρευτικές ανώμαλες αποδόσεις όπως υπολογίστηκαν και από τα τρία μοντέλα για τα διαστήματα παρατήρησης (-10,10) και (-1,1).
The subject of this thesis is the development of an integrated methodology for the integration of Artificial Intelligence (AI) into Business Process Management (BPM). Specifically, this research delves into the domain of AI integration, presenting theoretical foundations and discussing potential benefits and complexities that arise. The study explored AI technologies, including machine learning, natural language processing (NLP), and robotic process automation (RPA), to understand their applicability and impact on business processes.The findings of this research shed light on the existing challenges and opportunities related to the integration of AI into Business Process Management. Issues related to data protection, ethical challenges, change management, and the readiness of organizations to embrace AI-based BPM solutions were analyzed. Additionally, the study provided insights into potential process efficiency improvements, cost reduction, and enhanced customer experiences that Artificial Intelligence can bring.This study aims to serve as a guide for organizations aiming to embark on the journey of integrating AI into their BPM practices. It offers a structured approach, from assessing organizational readiness and selecting appropriate technologies to implementing, monitoring, and evaluating the solutions. Ultimately, this research contributes to a broader understanding of how Artificial Intelligence can be effectively leveraged for the transformation and optimization of business processes in a rapidly evolving digital landscape.

Λέξη κλειδί :	Ανώμαλες αποδόσεις Μελέτη συμβάντος Απόδοση μετοχών Χρηματιστήριο Αθηνών Αποτελεσματικότητα αγοράς Abnormal returns Event study Stock returns Athens stock exchange Market efficiency

Ημερομηνία έκδοσης :	12-03-2024

Ημερομηνία κατάθεσης :	02-04-2024

Ημερομηνία αποδοχής :	02-04-2024

Άδεια χρήσης :

Αρχείο: Klousakou_2024.pdf

Τύπος: application/pdf

Είσοδος