Translate

14 junho 2019

Criptomoeda

Uma empresa que possui criptomoeda tem um ativo? Sendo algo que gera riqueza e esta riqueza será controlada pela entidade, a resposta é afirmativa. Mas que tipo de ativo? A princípio, e em razão da denominação, a criptomoeda deveria ser classificada como ... uma moeda.

Mas parece que o Iasb não entende desta forma. O Comitê de Interpretação discutiu este assunto em 2018 e considerou que a criptomoeda não atende a definição de ativo financeiro da IFRS 9 (CPC 14) ou equivalente caixa (IAS 7 ou CPC 03). Assim, resta a classificação como ativo intangível (IAS 38 ou CPC 04)

A decisão não é pacífica, mas o assunto foi considerado como “finalizado” na agenda do comitê.

P.S. Aqui um link sobre blockchain. Dica de Polyana

Valor de um Software Aberto

Qual o valor de um software aberto? Geralmente este tipo de software foi desenvolvido através da contribuição de várias pessoas, sem que tenham sido remunerados por isto. O Linux foi desenvolvido na Finlândia, em uma universidade; o R, em uma universidade da Nova Zelândia. As pessoas que trabalharam nestes softwares, o fizeram de maneira gratuita. Por este motivo, o software aberto não é considerado para fins do cálculo do valor ou da produção de uma economia.

Seis pesquisadores propuseram uma maneira de mensurar uma estimativa do custo do software aberto. Para isto, eles mensuraram o valor de quatro “pacotes”: R, Python, Julia e JavaScript. Estes pacotes tiveram aplicações desenvolvidas por diferentes pessoas e o processo está armazenado no GitHub, uma repositório onde os programadores deixam seus produtos para qualquer pessoa ter acesso. Usando esta informação, os pesquisadores olharam as linhas adicionadas e deletadas em um esforço comum para o desenvolvimento de aplicações. Com base nisto, determinaram o custo do desenvolvimento através da seguinte expressão:

Custo do Desenvolvimento = Salário mensal x Tempo de desenvolvimento nominal.

O salário mensal foi estimado a partir do valor recebido por um programador médio. O tempo de desenvolvimento é função das linhas de código, o número de pessoas por mês e a quantidade de tempo que levou para desenvolver uma aplicação.

O resultado mostra que a contribuição dos pacotes em R desenvolvidos corresponde a um custo de US$854 milhões por ano, para um total de 3.396 pacotes. Ou seja, se uma empresa tivesse que desenvolver estes pacotes, seus gastos seriam neste valor. Para os demais, a estimativa foi a seguinte: Python = 747 milhões, Julia=239 e JavaScript = 1.199. Isto totaliza mais de 3 bilhões de dólares por ano.

Open source software is everywhere, both as specialized applications nurtured by devoted user communities, and as digital infrastructure underlying platforms used by millions daily. This type of software is developed, maintained, and extended both within the private sector and outside of it, through the contribution of people from businesses, universities, government research institutions, nonprofits, and as individuals. This paper proposes and prototypes a method to document the scope and impact of open source software created by these sectors, thereby extending existing measures of publicly-funded research output. We estimate the cost of developing packages for the open source software languages R, Python, Julia, and JavaScript, as well as re-use statistics for R packages. These reuse statistics are measures of relative value. We estimate that the resource cost for developing R, Python, Julia, and JavaScript exceeds $3 billion dollars, based on 2017 costs.

Fonte: The Scope and Impact of Open Source Software: A Framework for Analysis and Preliminary Cost Estimates. Carol A. Robbins* (NCSES, NSF) et al.

Rir é o melhor remédio


Fonte: Aqui

13 junho 2019

Aversão à Informação

Quando você está em um montanha russa e o medo surge, a reação instintiva é fechar os olhos. Este fechar os olhos também funciona nas nossas atividades diárias. A maioria das pessoas evitar olhar regularmente para o saldo do conta, pois “sabe” o que irá encontrar. Muitos investidores evitam acompanhar seus investimentos, com “medo” do que irá ocorrer. Evitamos ver quantas pessoas curtiram nossa postagem, para evitar o desapontamento da nossa pouco expressão.

Dois pesquisadores, um da Toulose e outro da Universidade da Califórnia, tentaram entender o mecanismo da aversão à informação. Marianne Andries (Toulouse) e Valentin Haddad usaram um modelo para mostrar que não ter a informação pode seus benefícios. Isto depende da pessoa, mas investidores com menor apetite para o risco acompanham menos seus investimentos. São os investidores avestruz, que param de olhar suas carteiras quando o mercado cai.

A análise dos dois mostra que “ser bem informado” pode não agregar valor. E estar propositalmente desinformado pode ter uma explicação “racional”.

The main features of households' attention to savings are rationalized by a model of information aversion, a preference-based fear of receiving flows of news. In line with the empirical evidence, information averse investors observe the value of their portfolios infrequently; inattention is more pronounced for more risk averse investors and in periods of low or volatile stock prices. The model also explains how changes in information frequencies affect risk-taking decisions, as observed in the field and the lab. Further, we find that receiving state-dependent alerts following sharp downturns improves welfare, suggesting a role for financial intermediaries as information managers.

12 junho 2019

Estrelas desbotadas

As grandes empresas estão cada vez maiores e, aparentemente, mais produtivas. Além disto, são responsáveis por uma grande quantidade de empregos, investimentos e pesquisa. Em 2016, nos Estados Unidos, as empresas com mais de 5 mil empregados foram responsáveis por 2/3 dos investimentos em P&D. Ao mesmo tempo, observa-se um aumento na margem de lucro, acompanhado pela maior concentração.

Existem duas possíveis explicações para tal fato. As maiores empresas ficaram mais eficientes; neste caso, a concentração é uma boa notícia. A segunda explicação é que as maiores empresas estão entrincheiradas no seu mercado e se aproveitam disto; isto não é bom.

Usando informações das maiores empresas de cada setor, Germán Gutiérrez e Thomas Philippon verificaram o que ocorreu com as Fading Stars. Os autores concluíram que a contribuição destas empresas para a produtividade da economia caiu desde os anos 2000. Na realidade, segundo os autores, a produtividade destas empresas é justificada pelo chamado efeito realocação: as empresas atraem mais recursos por serem “estrelas” e isto justifica a maior produtividade.

A figura a seguir mostra a mensuração da produtividade das grandes empresas de 1960 até os dias atuais, usando uma medida chamada Hulten Contribution.

Eis o abstract:
We study the evolution of super star firms in the U.S. economy over the past 60 years. Contrary to common wisdom, super stars firms have not become larger, have not become more productive, and the contribution of star firms to aggregate U.S. productivity growth has fallen by more than one third since 2000.

Atletas mais bem pagos

Eis os dez atletas mais bem pagos (via aqui):

1. Lionel Messi $127m (£99.8m) - Futebol
2. Cristiano Ronaldo $109m (£85.6m) - Futebol
3. Neymar $105m (£82.5m) - Futebol
4. Canelo Alvarez $94m (£73.8m) - Boxe
5. Roger Federer $93.4m (£73.3) - Tênis
6. Russell Wilson $89.5m (£70.3m) - Futebol Americano
7. Aaron Rodgers $89.3m £70.1m) - Futebol Americano
8. LeBron James $89m (£69.9m) - Basquete
9. Stephen Curry $79.8m (£62.7m) - Basquete
10. Kevin Durant $65.4m (£51.3m) - Basquete

Dos 100, 62 são dos Estados Unidos. Serena Willians é 62a. da lista. Outro brasileiro na lista é Oscar (66o). Do total recebido por Neymar, 75 milhões são salários e 30 milhões propaganda. Já Federer recebe 86 milhões de propaganda, o maior valor na lista.

O esporte dominante é a NBA, com 35 atletas. O número 1 do ano passado, Floyd Mayweather, não faz parte da lista deste ano.

Clube de Futebol e Valor

O processo de avaliação é antes de tudo uma opinião. Cabe ao analista indicar se sua opinião é crível ou não. Se o analista usa uma base de dados passado e de qualidade, analisando os diferentes aspectos do objeto avaliado, poderemos ser convencidos de que a opinião é razoável ou não. Caso os dados sejam frágeis ou baseados em métodos não claros, podemos acreditar ou não no analista baseado em outros parâmetros, como a expertise do mesmo ou a qualidade do seu acerto.

Aqui temos um outro ponto importante: para verificar se a opinião do analista é coerente, precisamos ter algo com que confrontar. Se um analista afirma que as ações de uma empresa valem um determinado montante e aparece investidores dispostos a comprar as ações por um valor próximo a estimativa realizada, podemos acreditar que o analista acertou na sua opinião. Mas mesmo neste caso podemos duvidar da capacidade do analista, pois não sabemos se seu acerto ocorreu pelo acaso ou pela qualidade da sua opinião.

A tarefa pode complicar ainda mais quando o objeto a ser analisado é complexo o suficiente para termos somente métodos que se aproximam da mensuração adequada.

Toda esta introdução é para falar do relatório sobre marcas do futebol, elaborado pela BDO. Esta empresa teve a sagacidade de escolher um assunto de interesse de muitos. Entretanto, avaliar o futebol brasileiro é uma tarefa ingrata, em razão da qualidade dos dados. As demonstrações contábeis dos clubes são de baixa qualidade, como é o caso recente do Corinthians e outros clubes brasileiros. Além disto, temos problemas sérios relacionados com a mensuração de marca. E para finalizar, é muito difícil fazer a comprovação da qualidade da mensuração realizada, pois não temos negociações (quando temos é um exceção) ou ações negociadas em bolsa, como ocorre na Europa.

Com respeito aos dados, os valores são enviesados pela existência de uma receita de valor elevado e que não necessariamente é recorrente: a receita proveniente da comercialização de atletas. Eis um exemplo: em 2017 a receita do Flamengo foi de 649 milhões de reais. Mas esta receita cai para 466 milhões se retirar a transferência. A diferença refere-se a comercialização de alguns atletas, entre eles um jogador chamado Vinícius Júnior. Como lidar com esta situação? Retirar a comercialização permite ter uma comparação mais estável ao longo do tempo; mas parte do valor de um clube (e sua marca) é originária da capacidade de revelar novos jogadores.

Se as informações de qualidade são um problema, o método usado para estimar o valor de uma marca de um clube de futebol pode ser outro complicador. Existem diversas metodologias que podem ser usadas como proxy em tais situações. Um delas é mensurar quanto é possível gerar de receita pela existência de uma marca. Se um torcedor está disposto a pagar um valor elevado por uma camisa oficial de um clube, a diferença entre o preço da camisa e o preço de uma camisa sem esta “marca” poderia ser considerada dentro do valor da marca. Neste caso, o clube consegue internalizar sua marca, gerando receita com a mesma. Isto provavelmente não ocorre no Brasil, já que usualmente os torcedores não compram a camisa oficial do clube (nem um ex-deputado e presidente da república paga por uma camisa oficial, preferindo uma cópia pirata).

Em resumo, é difícil opinar sobre o valor de uma marcar, mas esta tarefa talvez seja mais difícil quando se trata de uma marca de um clube de futebol brasileiro. Segundo a BDO:

“O estudo seguiu rigorosa métrica que inclui mais de 30 diferentes variáveis entre dados financeiros, históricos dos clubes, informações publicadas em pesquisas com os torcedores, dados de marketing esportivo, hábitos de consumo dos torcedores, engajamento em mídias sociais e dados sociais e econômicos do mercado em que atuam os clubes analisados.”

Isto não ajuda a esclarecer muito sobre o método. Em postagem anterior, discutimos sobre o uso de múltiplo para avaliar clubes de futebol. Vamos usar esta discussão para fazer nossa análise. Na figura abaixo coloquei o valor da marca dos clubes e o valor usando o múltiplo de 3,2 (método CATS). Note que estamos comparando algo diferente: a BDO mensura a marca; estamos mensurando o valor do clube, que é mais abrangente que a medida da BDO. Além disto, usamos a receita total; ou seja,  nosso resultado pode estar sendo influenciado pela venda de jogadores.

O gráfico mostra que em geral nossa estimativa é maior que a BDO, o que era esperado. Em média, os 25 clubes foram avaliados em 672 milhões usando o múltiplo e a marca recebeu uma avaliação de 435 milhões. Em alguns casos, a diferença foi expressiva. Avaliamos a Chapecoense em 319 milhões, enquanto a BDO considerou que a marca deste time tem um valor de 58 milhões. Mas nossa estimativa coloca o Corinthians como tendo um valor de R$1,25 bilhão versus R$1,74 bilhão da BDO. (Este é o único clube onde o valor do múltiplo foi menor que o valor da marca)

Em geral, as diferenças entre os dois métodos foi menor para os clubes de maior valor e aumentou substancialmente para os pequenos clubes, como é o caso da Chapecoense. Mas qual o método é melhor? É impossível responder a esta pergunta por dois motivos. Em primeiro lugar, não temos um conjunto de negociações de marcas (ou de clubes) que possa indicar quem estaria com a razão. Se ocorressem 25 transações de clubes e caso meus valores estivessem mais próximos dos valores transacionados, o meu método seria melhor. Em segundo lugar, estamos mensurando algo diferente e não temos condições de analisar se o método da BDO é razoável ou não. A afirmação da empresa, reproduzida acima, não permite verificar se os seus valores são razoáveis ou não.

10 junho 2019

Denúncia e recompensa

Com a aprovação da Lei Dodd-Frank, a SEC iniciou um programa de denúncias. Se uma informação for comprovadamente verdadeira, a SEC pode recompensar o denunciante com até 30% da multa, quando a sanção for superior a 1 milhão de dólar.

Agora, um ex-médico brasileiro, que denunciou a empresa Biomet por suborno a médicos, irá receber 4,5 milhões de dólares. Após a denúncia, a SEC conseguiu descobrir um escândalo. Pelas regras, o nome do médico é mantido em segredo.

Tatuagens e Marketing

A empresa aérea Air New Zealand acabou com a proibição de não permitir que seus funcionários tivessem tatuagens visíveis. Esta política discriminava potenciais funcionários de origem Maori. Esta tribo indígena considera a tatuagem como expressão de tradições dos ancestrais. A presença de tatuagem impediam a contratação de funcionário por parte da empresa.

A empresa era contraditória neste sentido, já que usava a linguagem Maori em ações de marketing e nas caudas dos seus aviões.

09 junho 2019

População mais saudável e feliz

De acordo com o professor de ciência comportamental Paul Dolan, da Escola de Economia e Ciência Política de Londres (Inglaterra), evidências recentes mostram que os fatores tradicionais usados ​​para medir o sucesso não se relacionam com a felicidade, particularmente casamento e criação de filhos.

Em outras palavras, enquanto alguns estudos descobriram que pessoas casadas são mais felizes do que outros subgrupos da população, isso só se aplica “quando o cônjuge está na sala quando perguntamos sobre quão felizes eles estão”.

Os comentários de Dolan vêm logo após o lançamento de seu livro “Happy Ever After: Escaping the Myths of the Perfect Life” (em tradução livre, “Feliz para Sempre: Escapando os Mitos da Vida Perfeita”), que reflete dados de uma pesquisa americana chamada “American Time Use Survey” (ATUS). Os dados incluem diferentes tipos de pessoas – solteiras, casadas, separadas, divorciadas e viúvas – para comparar níveis de felicidade.

Dolan explica que “o subgrupo mais saudável e mais feliz da população são mulheres que nunca se casaram ou tiveram filhos”.

Curiosamente, o oposto era verdadeiro para os homens – o que significa que eles pareciam obter mais benefícios do casamento do que as mulheres. Dolan acredita que isso reflete o fato de que os homens “sossegam” após se casarem. “Correm menos riscos, ganham mais dinheiro no trabalho e vivem um pouco mais”.

“Temos alguns bons dados longitudinais seguindo as mesmas pessoas ao longo do tempo, mas eu vou fazer um enorme desserviço a essa ciência e apenas dizer: se você é um homem, você provavelmente deveria se casar; se você é uma mulher, não se incomode”, acrescentou Dolan.

Outros estudos mediram alguns benefícios financeiros e de saúde do casamento ​​tanto para homens quanto para mulheres, o que, segundo Dolan, pode ser atribuído a maiores rendas financeiras e apoio emocional.

Mas os homens têm mais vantagem no casamento, enquanto a saúde das mulheres não é afetada positivamente pelo casamento, com as de meia-idade casadas mesmo estando em maior risco de condições físicas e mentais do que as solteiras.


Apesar dos benefícios de um estilo de vida sem amarras para as mulheres, Dolan disse que a narrativa existente de que casamento e filhos são sinais de sucesso significa que o estigma pode levar algumas mulheres solteiras a se sentirem infelizes.

“Você vê uma mulher solteira de 40 anos, que nunca teve filhos, e pensa ‘que pena’, não é? ‘Talvez um dia ela conheça o cara certo e isso mudará’. Não, talvez ela conheça o cara errado que a faça menos feliz e saudável e morra mais cedo”, resume Dolan.


Fonte: Aqui

Rir é o melhor remédio


08 junho 2019

Accounting Hall of Fame

Esta é uma honraria criada pela Ohio University em 1950. Os três primeiros premiados foram George Oliver May, um contador britânico, Robert Montgomery, fundador da PwC, e William Paton. Durante estes anos todos foram quase 100 pessoas premiadas, a grande maioria brancos, dos Estados Unidos e homens.

The majority of recipients have been Americans, perhaps reflecting the historic leadership of America in the development of accounting regulations and in formal accounting research as much as reflecting the U.S.-based hosting of the award. (Fonte: Aqui)

Em 2007, a primeira mulher foi premiada. Em 2015 o premiado foi James Ohlson.

Em 2017, a American Accounting Association assumiu a premiação. Com isto o prêmio foi distribuído para quatro pessoas, sendo duas mulheres: George Anderson, Mary Barth, Olivia Kirtley e Kenneth Stringer.

Em 2019 novamente quatro indicados. Dois deles já falecidos: William L. Campfield (1912-1993), da contabilidade de custos e o primeiro doutor "African American" , e Major J. Lee Nicholson (1863-1924), também de custo. Zoe-Vonna Palmrose, professora da Southern-California, também esta sendo premiada. O quarto premiado, que esteve no Congresso da UnB, é Stephen Penman (foto).

07 junho 2019

Publicidade na internet

Você já procurou passagem para viajar e logo depois começaram a aparecer na sua tela propagandas de hotéis, viagens, etc do local que você pesquisou? São propagandas feitas sobre encomenda. Isto ocorre no Facebook ou no Google. Estas empresas oferecem serviço para seus clientes, indicando que propagandas baseadas no comportamento fazem diferença. E cobram muito caro por isto.

Uma pesquisa mostrou que adicional deste tipo de propaganda, cerca de 40%, adiciona muito pouco para os anunciantes. Ou seja, a publicidade funciona, mas não vale a pena. E se algumas leis de privacidade forem adiantes, o custo deste tipo de publicidade tende a aumentar.

Melhor padrão do mundo

Em um discurso sobre o processo de implantação dos padrões contábeis, em uma conferência na University of Southern California, o presidente do Fasb, Russel Golden, comentou sobre os esforços da entidade em apoiar as empresas neste processo. Como o discurso foi realizado ontem (6 de junho) achei bem interessante quando ele afirma:

The greatest standard in the world (...) 

Alguém discorda?

05 junho 2019

Paradoxo do Big Data: enganados pela aleatoriedade

Resumo:
Statisticians are increasingly posed with thought-provoking and even paradoxical questions, challenging our qualifications for entering the statistical paradises created by Big Data. By developing measures for data quality, this article suggests a framework to address such a question: “Which one should I trust more: a 1% survey with 60% response rate or a self-reported administrative dataset covering 80% of the population?” A 5-element Euler-formula-like identity shows that for any dataset of size n, probabilistic or not, the difference between the sample average X¯nand the population average X¯N is the product of three terms: (1) a data quality measure, ρR,X, the correlation between Xj and the response/recording indicator Rj; (2) a data quantity measure, (Nn)/n, where N is the population size; and (3) a problem difficultymeasure, σX, the standard deviation of X. This decomposition provides multiple insights: (I) Probabilistic sampling ensures high data quality by controlling ρR,X at the level of N1/2; (II) When we lose this control, the impact of N is no longer canceled by ρR,X, leading to a Law of Large Populations (LLP), that is, our estimation error, relative to the benchmarking rate 1/n, increases with N; and (III) the “bigness” of such Big Data (for population inferences) should be measured by the relative size f=n/N, not the absolute size n; (IV) When combining data sources for population inferences, those relatively tiny but higher quality ones should be given far more weights than suggested by their sizes.
Estimates obtained from the Cooperative Congressional Election Study (CCES) of the 2016 US presidential election suggest a ρR,X0.005for self-reporting to vote for Donald Trump. Because of LLP, this seemingly minuscule data defect correlation implies that the simple sample proportion of the self-reported voting preference for Trump from 1% of the US eligible voters, that is, n2,300,000, has the same mean squared error as the corresponding sample proportion from a genuine simple random sample of size n400, a 99.98% reduction of sample size (and hence our confidence). The CCES data demonstrate LLP vividly: on average, the larger the state’s voter populations, the further away the actual Trump vote shares from the usual 95% confidence intervals based on the sample proportions. This should remind us that, without taking data quality into account, population inferences with Big Data are subject to a Big Data Paradox: the more the data, the surer we fool ourselves.
Fonte:
Meng, Xiao-Li. Statistical paradises and paradoxes in big data (I): Law of large populations, big data paradox, and the 2016 US presidential election. Ann. Appl. Stat. 12 (2018), no. 2, 685--726. doi:10.1214/18-AOAS1161SF. https://projecteuclid.org/euclid.aoas/1532743473

Resultado de imagem para big data taleb