Науковий вісник НГУ

Виявлення фальсифікацій фінансової звітності через багатоваріантне навчання

• 
• 

Рейтинг користувача:  / 0

ГіршийКращий 

Деталі

Категорія: Економіка та управління

Останнє оновлення: 04 серпня 2016

Опубліковано: 04 серпня 2016

Перегляди: 3285

Authors:

Лінбін Тан, Центр колаборативних інновацій у сфері мобільного мережевого бізнесу провінції Хунань, Хунаньський університет комерції, м. Чанша, провінція Хунань, Китай, Провідна Лабораторія в галузі мобільної бізнес-інформаії та аналітики провінції Хунань, м. Чанша, провінція Хунань, Китай

Пінь Пен, Факультет фінансів та банківської справи Хунаньського університету комерції, м. Чанша, провінція Хунань, Китай

Чанцин Ло, Центр колаборативних інновацій у сфері мобільного мережевого бізнесу провінції Хунань, Хунаньський університет комерції, м. Чанша, провінція Хунань, Китай, Провідна Лабораторія в галузі мобільної бізнес-інформаії та аналітики провінції Хунань, м. Чанша, провінція Хунань, Китай

Abstract:

Мета. Виявлення випадків фальсифікації фінансової звітності (FSFD) на основі машинного навчання є дуже важливою проблемою для зниження фінансового ризику та підтримки впорядкованого ринку. Мета даного дослідження полягала в розробці моделі багатоваріантного навчання, що здатна виявляти й передбачати ризик фальсифікації при складанні фінансової звітності.

Методика. Кожна пара складалася з алгоритму одноваріантного навчання та відповідного алгоритму багатоваріантного навчання, що були підготовлені з використанням набору даних 484 шахрайських компаній, а також 902 нормальних компаній з формуванням 4158 варіантів з пункту 8 Форм 10-K Комісії з цінних паперів і бірж США (SEC).

Результати. Емпіричні дослідження показують, що MIBoost, miGraph і CKNN перевершують, алгоритми AdaBoostM1, SVM і KNN, відповідно, у точності, оцінці F1 і площі під кривою робочих характеристик приймача (AUC), що доводить той факт, що алгоритм багатоваріантного навчання може відповідати FSFD краще, особливо при дисбалансі класів і нечисленних повчальних даних.

Наукова новизна. Коли мітка, що виявляє, відповідна за часом локальній фінансовій звітності, додається колективно до груп фінансової звітності однієї компанії, не враховуючи, що ця мітка надається якій-небудь окремій фінансовий звітності, це багатоваріантна проблема. Дослідження представляє собою розробку оригінальної моделі багатоваріантного навчання FSFD.

Практична значимість. У роботі врахуваний той факт, що деякі аудитори невдоволені алгоритмами навчання на основі одиночних міток, тому що існує багато варіантів в одній компанії без міток. Запропонована модель є більш обґрунтованою та точною.

References / Список літератури

1. Sharma, A. and Panigrahi, P.K., 2012. A Review of Financial Accounting fraud detection based on Data Mining Techniques. International Journal of Computer Applications, Vol. 39, No. 1, pp. 37–47.

2. Song, X.P., Hu, Z.H., Du, J.G. and Seng, Z.H., 2014. Application of machine learning methods to risk assessment of financial statement fraud: evidence from China. Journal of Forecasting, Vol. 33, No. 8, pp. 611–626.

3. Perols, J., 2011. FSFD: An Analysis of Statistical and Machine Learning Algorithms. Auditing: A Journal of Practice and Theory, Vol. 30, No. 2, pp. 19– 50.

4. Salama, A.S. and Omar, A.A., 2014. A Back Propagation Artificial Neural Network based Model for Detecting and Predicting Fraudulent Financial Reporting. International Journal of Computer Applications, Vol. 106, No. 2, pp. 1–8.

5. Lin, C.C., Chiu, A.A., Huang, S.Y. and Yen, D.C., 2015. Detecting the financial statement fraud: The analysis of the differences between data mining techniques and experts’ judgments. Knowledge-Based Systems, Vol. 89, pp. 459–470.

6. Hong, R.C., Wang, M., Gao, Y., Tao, D.C., Li, X.L. and Wu, X.D., 2014. “Image annotation by multiple-instance learning with discriminative feature mapping and selection”, IEEE Transactions on Cybernetics, Vol. 44, No. 5, pp. 669–680.

7. Jiang, L.X., Cai, Z.H., Wang, D.H. and Zhang, H., 2014. Bayesian citation-KNN with distance weighting. International Journal of Machine Learning and Cybernetics, Vol. 5, No. 2, pp. 193–199.

8. Zhang, Q., Tian, Y.J. and Liu, D.L., 2013. Nonparallel support vector machines for multiple-instance learning. Procedia Computer Science, Vol. 17, pp. 1063– 1072.

9. Nguyen, D.T., Nguyen, C.D., Hargraves, R., Kurgan, L. A. and Cios, K.J., 2013, mi-DS: Multiple-instance learning algorithm. IEEE Transactions on Cybernetics, Vol. 43, No. 1, pp. 143–154.

10. Ali, K. and Saenko, K., 2014. Confidence-rated multiple instance boosting for object detection. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp. 2433–2440.

03_2016_Lingbing
2016-07-29  578.98 KB  872

• < Попередня