Artículo

Jorge Lucas Martins da Silva; Janaina Macedo Calvo

DOI: 10.22167/2675-6528-2026M22

Artículo elaborado por la herramienta ResumeAI, solución de inteligencia artificial desarrollada por el Instituto Pecege orientada a la síntesis y redacción

Resumen

El estudio analizó la influencia del riesgo específico en la gestión de resultados en empresas brasileñas que cotizan en bolsa. Se adoptó un enfoque cuantitativo y descriptivo, de carácter econométrico, utilizando datos de 259 empresas no financieras que cotizan en el mercado brasileño entre 2019 y 2024. La gestión de resultados se operacionalizó mediante accruals discrecionales, estimados por el modelo de Dechow, mientras que el riesgo específico se midió por la volatilidad de los residuos del modelo de fijación de precios de activos financieros. La regresión de efectos fijos indicó una asociación positiva entre el riesgo específico y la gestión de resultados. La regresión cuantil reveló que la influencia es heterogénea y estadísticamente significativa en los cuantiles 0,25 y 0,90. El tamaño de la empresa y el retorno sobre activos presentaron asociaciones negativas, mientras que el apalancamiento mostró una asociación positiva y creciente a lo largo de la distribución. La razón entre valor de mercado y valor contable no presentó significancia estadística. Los resultados se alinearon con los supuestos de la teoría de la agencia y la literatura internacional, sugiriendo que la gestión de resultados no ocurre de manera uniforme, sino que está condicionada a factores específicos de las empresas. La investigación contribuyó a la literatura al demostrar que el riesgo afecta de forma heterogénea el comportamiento de los gestores, ofreciendo implicaciones para inversores, analistas de crédito y reguladores al indicar la necesidad de un mayor escrutinio sobre empresas con alto riesgo específico.

Palabras clave: Devengos Discrecionales; Mercado de Capitales; Regresión Cuantílica.

1. Introducción

La comprensión de la dinámica entre riesgo y rendimiento es fundamental para la toma de decisiones de inversión y para la gestión corporativa. La teoría de carteras, desarrollada por Markowitz (1952), sentó las bases para la construcción de carteras de inversión, enfatizando la diversificación como un mecanismo esencial para optimizar la relación entre riesgo y rendimiento. A partir de estos fundamentos, el Modelo de Valoración de Activos Financieros (CAPM), propuesto por Sharpe (1964), Lintner (1965) y Mossin (1966), profundizó la distinción entre riesgo sistemático y riesgo específico.

En el marco del CAPM, el riesgo sistemático se refiere a la parte de la volatilidad de los rendimientos de un activo que se explica por las fluctuaciones del mercado en su conjunto, siendo no diversificable. Por otro lado, el riesgo específico comprende el componente de volatilidad no explicado por el mercado, siendo teóricamente diversificable. Tradicionalmente, el CAPM asume que los inversores pueden eliminar el riesgo específico mediante la diversificación de sus carteras, centrándose únicamente en el riesgo sistemático como determinante de los rendimientos esperados. Sin embargo, esta métrica se ha utilizado cada vez más como un proxy de la exposición al riesgo individual de la empresa, reflejando aspectos cruciales relacionados con la calidad de la información financiera y la gobernanza corporativa (Mitra, 2016; Datta et al., 2017; Widianingsih et al., 2022).

En mercados caracterizados por asimetría informacional, el riesgo específico trasciende la mera condición de ruido diversificable, asumiendo un papel relevante en la transparencia corporativa y en la credibilidad de las informaciones financieras divulgadas (Malagon et al., 2015). La asimetría informacional, un concepto central en la teoría de la agencia, postula que los gestores poseen informaciones privilegiadas sobre la empresa en comparación con los accionistas (Jensen y Meckling, 1976). Esta ventaja informacional puede ser explorada por los gestores para priorizar intereses propios, a menudo en detrimento de los accionistas. Una de las manifestaciones de esta explotación es la gestión de resultados (GR), definida como la aplicación de la discrecionalidad contable para manipular las informaciones financieras, con el objetivo de alcanzar objetivos contractuales, regulatorios o de mercado (Healy y Wahlen, 1999).

La gestión de resultados, al moldear el desempeño percibido de la empresa, puede alterar la volatilidad externa y, en consecuencia, influir en el riesgo específico. Las empresas que se enfrentan a un riesgo específico más elevado pueden verse incentivadas a utilizar acumulos discrecionales para suavizar sus resultados (Datta et al., 2017) o para crear una percepción artificial de estabilidad financiera. Esta práctica puede distorsionar la fijación de precios de las acciones en el mercado y, paradójicamente, aumentar el riesgo específico percibido por los inversores (Widianingsih et al., 2022), creando un ciclo de retroalimentación entre el riesgo y las prácticas contables.

A pesar de la relevancia de la relación entre riesgo específico y gestión de resultados, la literatura internacional ha explorado esta temática de forma más amplia que el contexto nacional. En Brasil, un mercado emergente, diversos factores institucionales pueden influir en la naturaleza de esta relación. Ineficiencias informacionales, imperfecciones estructurales, la heterogeneidad de los mecanismos de gobierno corporativo y la baja liquidez de ciertos activos son características que pueden modificar la forma en que el riesgo específico interactúa con la gestión de resultados, haciendo imperativa un análisis específico para el mercado brasileño.

Ante este escenario y la brecha existente en la literatura nacional, este estudio se justifica por la necesidad de comprender las particularidades del mercado de capitales brasileño y sus impactos en el comportamiento contable de las empresas. Así, el objetivo central de esta investigación es examinar la influencia del riesgo específico sobre los niveles de gestión de resultados en empresas de capital abierto en Brasil, contribuyendo al avance teórico y práctico sobre el tema y proporcionando resultados alineados a las especificidades institucionales del país.

2. Material y Métodos

La investigación se caracterizó como cuantitativa y descriptiva, con un enfoque econométrico. El objetivo central fue examinar la influencia del riesgo específico sobre los niveles de gestión de resultados en empresas que cotizan en bolsa en Brasil. La población del estudio abarcó empresas que cotizan en la Brasil, Bolsa e Balcão (B3) con estados financieros estandarizados y datos disponibles en la base Refinitiv Eikon®. Se excluyeron instituciones financieras y empresas sin datos completos para la medición de las variables. La muestra final estuvo compuesta por 259 empresas no financieras. El período de tiempo de la investigación abarcó el período de 2019 a 2024.

Los datos financieros y de mercado se recopilaron de la base Refinitiv Eikon® y del portal de B3. La gestión de resultados (GR), variable dependiente, se operacionalizó mediante accruals discrecionales (AD), siguiendo el método más común en la literatura. Los accruals totales se obtuvieron por la diferencia entre el beneficio neto y el flujo de caja operativo (Hribar y Collins, 2002). Los accruals no discrecionales se estimaron mediante el modelo de Dechow et al. (1995), ajustándose por variaciones de ingresos, cuentas por cobrar y activo fijo. Se utilizaron los valores absolutos de los accruals discrecionales para capturar la intensidad del fenómeno. El riesgo específico, variable independiente, se midió por la volatilidad de los residuos del Modelo de Fijación de Precios de Activos Financieros (CAPM), según la literatura (Ang et al., 2006). Los datos de los precios ajustados de las acciones y los retornos mensuales se obtuvieron de la base Refinitiv Eikon®. El retorno de mercado se representó por el índice Ibovespa y la tasa libre de riesgo por el Certificado de Depósito Interbancario (CDI), ambos obtenidos en el portal de B3. La estimación del riesgo específico de cada empresa se realizó mediante la regresión del modelo CAPM. La volatilidad de los residuos se midió por el cálculo de la desviación estándar mensual, anualizada por la multiplicación de la raíz cuadrada de 12.

Para aislar los efectos de la variable de prueba, se incluyeron variables de control: tamaño de la empresa, medido por el logaritmo natural del activo total (Chang et al., 2015), y apalancamiento, medido por la relación entre el pasivo y el activo total (Usman et al., 2022). La razón entre el valor de mercado y el valor contable (Market-to-Book – MTB) se calculó como el valor de mercado del patrimonio neto en relación con su valor contable (Usman et al., 2022). La rentabilidad (Return on Assets – ROA) se midió por la relación entre el beneficio neto y el activo total (Flores y Sampaio, 2018). El modelo de regresión principal se estimó para analizar la relación entre la gestión de resultados (variable dependiente) y el riesgo específico (variable independiente), controlando por las variables de tamaño, rentabilidad, apalancamiento y razón entre valor de mercado y valor contable. El análisis de los datos se inició con estadísticas descriptivas.

Se realizó la prueba del Factor de Inflación de la Varianza (VIF) para verificar la ausencia de multicolinealidad. Para la definición del modelado en panel, se aplicaron las pruebas de Chow, Hausman y Breusch-Pagan. La presencia de heterocedasticidad en los residuos, indicada por la prueba de Breusch-Pagan, llevó a la utilización de errores estándar robustos en la regresión en panel de efectos fijos. Considerando la distribución asimétrica de la gestión de resultados y el rechazo de la normalidad por la prueba de Shapiro-Wilk, se aplicó una regresión cuantil. Esta técnica se utilizó para examinar diferentes formas de heterogeneidad en la distribución de la muestra (Ramdani y Witteloostuijn, 2010; Usman et al., 2022). La regresión cuantil se aplicó en los cuantiles 0,10; 0,25; 0,50; 0,75 y 0,90 (Chang et al., 2015). Para mitigar la influencia de valores atípicos, la muestra se sometió a winsorización en los niveles del 1% y 99%.

3. Resultados y Discusión

El análisis de los datos recopilados reveló una serie de características importantes sobre la gestión de resultados y el riesgo específico en las empresas brasileñas que cotizan en bolsa. Inicialmente, las estadísticas descriptivas indicaron que la gestión de resultados (GR) presentó una media de 0,1089, superior a la mediana de 0,0665, acompañada de una asimetría positiva de 7,605 y una curtosis elevada de 107,157. Estos valores sugieren que la ocurrencia de gestión de resultados se concentra en un grupo menor de empresas, que exhiben niveles más extremos de esta práctica, con alta dispersión de los datos. El riesgo específico, por su parte, mostró un comportamiento similar, con una media de 0,4204 y una mediana de 0,3582, además de una asimetría positiva de 2,183 y una curtosis de 6,076, lo que indica que el alto riesgo también se concentra en un subconjunto específico de observaciones dentro de la muestra.

En relación a las variables de control, el tamaño de la empresa presentó una distribución casi simétrica, con media y mediana cercanas y baja curtosis, sugiriendo una distribución más homogénea en la muestra. El retorno sobre activos (ROA) exhibió asimetría negativa y elevada curtosis, lo que puede atribuirse a la presencia de empresas con desempeño negativo, es decir, pérdidas, en la cola izquierda de la distribución. Por su parte, el apalancamiento y la razón entre valor de mercado y valor contable (MTB) presentaron asimetría positiva y curtosis alta, indicando, respectivamente, que altos niveles de endeudamiento y mayores expectativas de crecimiento están concentrados en una porción menor de las empresas analizadas. Estas características de distribución son cruciales para la elección e interpretación de los modelos econométricos, especialmente la regresión cuantil.

El análisis de las correlaciones de Pearson proporcionó una visión preliminar de las interdependencias entre las variables. Se observó una correlación positiva moderada entre el riesgo específico y el apalancamiento (0,37), y entre el riesgo específico y la gestión de resultados (0,21). Estos hallazgos sugieren que las empresas con mayor exposición al riesgo tienden a presentar niveles más altos de endeudamiento y, concomitantemente, una mayor propensión a la gestión de resultados. En contraste, se identificaron correlaciones negativas moderadas entre el tamaño de la empresa y el riesgo específico (-0,35), así como entre el ROA y el riesgo específico (-0,28). Esto indica que las empresas de mayor tamaño y con mayor rentabilidad tienden a estar asociadas con un menor riesgo, lo que puede reflejar una mayor estabilidad y menor incertidumbre percibida por el mercado.

La trayectoria temporal de la gestión de resultados anual promedio en la muestra, entre 2019 y 2024, reveló un comportamiento heterogéneo. Se observó un crecimiento del GR a partir de 2019, alcanzando un pico en 2020, con un promedio de 0,166. Este aumento puede asociarse a las inestabilidades económicas e incertidumbres derivadas de la pandemia de Covid-19, un resultado que se alinea con los hallazgos de Flores et al. (2023) para el mercado brasileño en el mismo período. Tras el pico de 2020, hubo una caída gradual en los niveles promedio de GR hasta 2023, seguida por una nueva alza en 2024, alcanzando 0,113. Esta dinámica temporal sugiere que la gestión de resultados es sensible a shocks macroeconómicos y períodos de inestabilidad.

Para la validación del modelo econométrico, se aplicaron pruebas de especificación. La prueba del Factor de Inflación de la Varianza (VIF) indicó la ausencia de multicolinealidad, con el VIF más alto registrado para el apalancamiento (1,45), seguido por ROA (1,35), tamaño (1,15) y MTB (1,06), todos por debajo del límite de 5, lo que garantiza que los coeficientes no están inflados por correlaciones excesivas entre las variables explicativas (Greene, 2018). A continuación, se realizaron las pruebas de adecuación de panel: la prueba de Chow rechazó la hipótesis nula de que el modelo Pooled OLS sería adecuado, y la prueba de Hausman rechazó la hipótesis de consistencia del panel de efectos aleatorios. Estos resultados indicaron que el modelo de efectos fijos era el más apropiado para el análisis de los datos. Adicionalmente, la prueba de Breusch-Pagan señaló la presencia de heterocedasticidad en los residuos, lo que justificó la utilización de errores estándar robustos para las estimaciones (Fávero y Belfiore, 2017; Greene, 2018).

Los resultados de la regresión de panel de efectos fijos, con errores estándar robustos, indicaron una asociación positiva y marginalmente significativa entre el riesgo específico y la gestión de resultados, con un coeficiente de 0,0422 (p < 0,10). Este hallazgo sugiere que, cuanto mayor es el riesgo específico de una empresa, mayor es su propensión a participar en prácticas de gestión de resultados. Tal resultado está en consonancia con la literatura internacional que explora esta relación (Mitra, 2016; Chang et al., 2015; Datta et al., 2017; Widianingsih et al., 2022). La variable tamaño de la empresa, por su parte, presentó una asociación negativa y estadísticamente significativa (-0,0503, p < 0,01), corroborando la hipótesis de que las empresas más grandes están sujetas a un mayor escrutinio por parte de auditores, reguladores y otros stakeholders, lo que tiende a inhibir la gestión de resultados (Mitra, 2016). Las demás variables de control, apalancamiento, ROA y MTB, no presentaron significancia estadística en este modelo de efectos fijos.

Considerando la distribución asimétrica y leptocúrtica de la gestión de resultados, como lo demuestran las estadísticas descriptivas y los histogramas, y el bajo poder explicativo del R² Within del modelo de efectos fijos, que puede verse limitado por la violación de los supuestos clásicos de distribución, se realizó la prueba de normalidad de Shapiro-Wilk. El resultado de esta prueba, con un valor p inferior a 0,05, llevó al rechazo de la hipótesis nula de normalidad de la distribución de los residuos (Fávero y Belfiore, 2017). Esta constatación justificó la aplicación de la regresión cuantil, un enfoque más adecuado para analizar la influencia de las variables explicativas en diferentes puntos de la distribución de la gestión de resultados, sin exigir supuestos de distribución gaussiana de los errores y permitiendo capturar heterogeneidades en la muestra (Ramdani y Witteloostuijn, 2010; Usman et al., 2022).

La regresión cuantil se aplicó en los cuantiles 0,10, 0,25, 0,50, 0,75 y 0,90, revelando que la influencia del riesgo específico sobre la gestión de resultados no es homogénea a lo largo de la distribución. Se observó una asociación positiva y estadísticamente significativa en los cuantiles inferiores (τ = 0,25, con coeficiente de 0,0167 y p < 0,05) y en los cuantiles extremos superiores (τ = 0,90, con coeficiente de 0,1038 y p < 0,01). En los demás cuantiles (0,10, 0,50 y 0,75), la relación no resultó estadísticamente significativa. La disparidad en la magnitud de los coeficientes significativos indica que las empresas con niveles más altos de gestión de resultados (cima de la distribución) son más sensibles al riesgo específico, lo que sugiere que el uso intensivo de accruals discrecionales puede ser una respuesta a la alta volatilidad del riesgo específico. Este patrón es consistente con la clasificación de Usman et al. (2022), que señala que las empresas en los cuartiles superiores de GR utilizan esta práctica de forma más acentuada en respuesta a presiones económicas adversas, como el riesgo.

La calidad del ajuste del modelo, medida por el Pseudo R² de la regresión cuantil, mostró un crecimiento progresivo a lo largo de la distribución, variando de 0,0196 en el cuantil inferior (τ = 0,10) a 0,1168 en el cuantil superior (τ = 0,90). Este aumento en el poder explicativo sugiere que las variables explicativas tienen una mayor adherencia estadística y capacidad para explicar la gestión de resultados en escenarios de GR más elevados. Dicha validación refuerza la pertinencia de la elección de la regresión cuantil para capturar el comportamiento heterogéneo y discordante de la gestión de resultados, que no sería adecuadamente revelado por modelos que asumen una media constante para toda la distribución, como el de efectos fijos.

La heterogeneidad de los efectos del riesgo específico sobre la gestión de resultados puede interpretarse desde dos perspectivas que, aunque distintas, son convergentes. La primera óptica sugiere un ciclo de retroalimentación, o “feedback loop”, donde el aumento del riesgo específico intensifica el incentivo a la gestión de resultados. A su vez, la gestión de resultados puede deteriorar la calidad de la información, introduciendo ruido en los precios de las acciones y, paradójicamente, elevando nuevamente el riesgo específico percibido por los inversores (Mitra, 2016; Datta et al., 2017). En este contexto, la gestión de resultados se utilizaría para suavizar la percepción de volatilidad por parte de los inversores, buscando una estabilidad artificial.

La segunda perspectiva sugiere que el riesgo específico puede ser un reflejo de imperfecciones tanto en las inversiones corporativas como en el “mispricing” de las acciones por parte de los inversores (Malagon et al., 2015). Desviaciones entre el valor de mercado y los fundamentos de la empresa pueden ocurrir cuando la información divulgada no representa adecuadamente las condiciones reales de la empresa (Widianingsih et al., 2022). En ambos escenarios, los resultados obtenidos corroboran que, en entornos de mayor riesgo, los gestores tienden a intensificar la gestión de resultados, ya sea para corregir distorsiones internas de inversión o para mitigar asimetrías informacionales en el mercado, buscando influir en la percepción externa de desempeño y estabilidad.

En relación a las variables de control en la regresión cuantil, el tamaño de la empresa presentó coeficientes negativos en todos los cuantiles, siendo estadísticamente significativo al 5% o 1% en la mayoría de la distribución, excepto en el cuantil inferior (τ = 0,10). Esto refuerza la idea de que las empresas más grandes tienden a presentar menor propensión a la gestión de resultados, probablemente debido a una mayor fiscalización ejercida por los stakeholders, lo que aumenta la transparencia y reduce la discrecionalidad gerencial (Mitra, 2016). El apalancamiento, por otro lado, exhibió coeficientes positivos y significativos, con valores crecientes a lo largo de toda la distribución de los cuantiles. Este resultado indica que niveles más elevados de endeudamiento están asociados a una mayor gestión de resultados (Mitra, 2016), posiblemente impulsado por la presión de los covenants de deuda que motivan a los gerentes a manipular los resultados para evitar violaciones contractuales.

El retorno sobre activos (ROA) presentó coeficientes negativos y significativos en los cuantiles 0,10, 0,25, 0,50 y 0,75. Este hallazgo sugiere que las empresas con mayor rentabilidad tienden a presentar una menor propensión a la gestión de resultados (Usman et al., 2022), ya que logran alcanzar las expectativas del mercado a través de un desempeño operativo orgánico. Sin embargo, en el cuantil extremo (τ = 0,90), la relación entre ROA y gestión de resultados perdió significancia estadística, indicando que en niveles muy elevados de GR, el comportamiento discrecional de los gestores puede disociarse del rendimiento operativo real de la empresa. La relación entre valor de mercado y valor contable (MTB) no presentó significancia estadística en ninguno de los cuantiles, resultado que se alinea a la literatura (Mitra, 2016; Usman et al., 2022), sugiriendo que esta métrica no es un factor determinante de la gestión de resultados en el contexto analizado.

En resumen, los resultados de esta investigación demuestran que el riesgo específico ejerce una influencia positiva y heterogénea sobre la gestión de resultados en empresas brasileñas que cotizan en bolsa. Esta influencia es más pronunciada en empresas que ya practican niveles más altos de gestión de resultados, como lo demuestra la regresión cuantil. Las variables de control, como el tamaño y el retorno sobre activos, tienden a reducir la gestión de resultados, mientras que el apalancamiento la aumenta, especialmente en niveles más altos de endeudamiento. Estos hallazgos están alineados con los supuestos de la teoría de la agencia, lo que indica que los gerentes ajustan su comportamiento contable en respuesta a incentivos y presiones específicas del entorno corporativo y de mercado, confirmando que la gestión de resultados no ocurre de manera uniforme, sino que está condicionada por factores intrínsecos y extrínsecos a las empresas.

4. Conclusión

Este estudio examinó la influencia del riesgo específico sobre la gestión de resultados en empresas que cotizan en bolsa en Brasil. Se encontró que el riesgo específico presentó una asociación positiva con la gestión de resultados, según lo indicado por la regresión de efectos fijos. Sin embargo, el análisis de regresión cuantil reveló que esta influencia no es homogénea, siendo estadísticamente significativa y más pronunciada en empresas con niveles moderados y altos de gestión de resultados. Se observó que el tamaño de la empresa y el retorno sobre activos estuvieron asociados con una menor propensión a la gestión de resultados, mientras que el apalancamiento demostró una asociación positiva y creciente a lo largo de la distribución. La relación entre valor de mercado y valor contable no presentó significancia estadística. Estos hallazgos se alinean con los supuestos de la teoría de la agencia, sugiriendo que el comportamiento de los gerentes se ajusta en respuesta a los incentivos y presiones del entorno corporativo y de mercado.

La principal contribución de este trabajo reside en demostrar que el riesgo específico afecta de forma heterogénea el comportamiento de los gestores en el contexto brasileño, ampliando la comprensión sobre la dinámica de la gestión de resultados en mercados emergentes. Los resultados ofrecen implicaciones prácticas relevantes para inversores, analistas de crédito y reguladores, al indicar la necesidad de un mayor escrutinio sobre empresas con alto riesgo específico, así como el fortalecimiento de prácticas de divulgación que puedan mitigar asimetrías informacionales y reducir potenciales errores de fijación de precios. A pesar de las contribuciones, se reconocen algunas limitaciones inherentes al estudio, como el conjunto relativamente reducido de variables de control y las restricciones de los “proxies” utilizados para medir la gestión de resultados y el riesgo específico. Adicionalmente, el diseño metodológico no abordó posibles problemas de endogeneidad, como la simultaneidad y la causalidad inversa. Para estudios futuros, se sugiere la utilización de métricas alternativas para las variables de interés, la realización de análisis segmentados por sectores, la ampliación de la base temporal y la inclusión de otras variables de control. Se recomienda, además, la aplicación de modelos econométricos más avanzados capaces de mitigar potenciales sesgos de simultaneidad y causalidad inversa, profundizando la robustez de los resultados.

Referencias Bibliograficas

Ang, A.; Hodrick, R.J.; Xing, Y.; Zhang, X. 2006. The cross-section of volatility and expected returns. The Journal of Finance 61(1): 259-299.

Chang, S.; Wang, T.; Chiu, A.A.; Huang, S.Y. 2015. Earnings management and idiosyncratic risk – evidence from the post-Sarbanes-Oxley Act period. Investment Management and Financial Innovations 12(2): 117-126.

Datta, S.; Iskandar-Datta, M.; Singh, V. 2017. The impact of idiosyncratic risk on accrual management. International Journal of Managerial Finance 13(1): 70-90.

Dechow, P.M.; Sloan, R.G.; Sweeney, A. 1995. Detecting earnings management. The Accounting Review 70(2): 193-225.

Flores, E.; Sampaio, J.O. 2018. The extension of the modified Jones model with control variables: empirical findings from the Brazilian capital market. International Journal of Auditing Technology 4(1): 36-48.

Flores, E.S.; Sampaio, J.O.; Beiruth, A.X; Brugni, T.V. 2023. Earnings management during the COVID-19 crisis: evidence from the Brazilian and American capital markets. Journal of Accounting in Emerging Economies 13(4): 760-783.

Fávero, L.P.; Belfiore, P. 2017. Manual de Análise de Dados: Estatística e Modelagem Multivariada com Excel®, SPSS® e Stata®. Gen LTC, Rio de Janeiro, RJ, Brasil.

Greene, W.H. 2018. Econometric Analysis. 8ed. Pearson, New York, NY, USA.

Healy, P.M.; Wahlen, J.M. 1999. A review of the earnings management literature and its implications for standard setting. Accounting Horizons 13(4): 365-383.

Hribar, P.; Collins, D.W. 2002. Errors in estimating accruals: Implications for empirical research. Journal of Accounting Research 40(1): 105-134.

Jensen, M.; Meckling, W. 1976. Theory of the firm: Managerial behavior, agency costs and ownership structure. Journal of Financial Economics 3(4): 305-360.

Lintner, J. 1965. Security prices, risk, and maximal gains from diversification. The Journal of Finance 20(4): 587-615.

Malagon, J.; Moreno, D.; Rodríguez, R. 2015. The idiosyncratic volatility anomaly: Corporate investment or investor mispricing?. Journal of Banking & Finance 60: 224-238.

Markowitz, H. 1952. Portfolio selection. The Journal of Finance 7(1): 77-91.

Mitra, R.K. 2016. The association between earnings quality and firm-specific return volatility: Evidence from Japan. Review of Accounting and Finance 15(3): 294-316.

Mossin, J. 1966. Equilibrium in a capital asset market. Econometrica 34(4): 768-783.

Ramdani, D.; Witteloostuijn, A. 2010. The impact of board independence and CEO duality on firm performance: A quantile regression analysis for Indonesia, Malaysia, South Korea and Thailand. British Journal of Management 21(3): 607-626.

Sharpe, W.F. 1964. Capital asset prices: A theory of market equilibrium under conditions of risk. The Journal of Finance 19(3): 425-442.

Usman, M.; Nwachukwu, J.; Ezeani, E. 2022. The impact of board characteristics on the extent of earnings management: conditional evidence from quantile regressions. International Journal of Accounting & Information Management 30(5): 600-616.

Widianingsih, Y.P.N.; Setiawan, D.; Aryani, Y.A.; Gantyowati, E. 2022. Accrual management and firm-specific risk. International Journal of Financial Studies 10(4): 111.

Artículo proveniente del Trabajo de Conclusión de Curso de Especialización en Finanzas y Controloría del MBA USP/Esalq

_{Más información sobre el curso; haga clic aquí:}