机器学习在会计舞弊检测中的应用研究

机器学习在会计舞弊检测中的应用研究

引用

CSDN

1.

https://blog.csdn.net/weixin_52047653/article/details/145404366

近年来，随着企业上市数量的增加和监管要求的提高，会计舞弊检测成为了一个备受关注的话题。本文介绍了一项关于运用机器学习方法检测美国上市公司会计舞弊的研究，该研究由上海交通大学安泰经济与管理学院、新加坡国立大学商学院、武汉大学经济与管理学院、弗吉尼亚大学麦金太尔商学院和南洋理工大学计算机工程学院的学者共同完成。

研究背景与数据统计

研究团队构建了一个前沿的财务舞弊预测模型，该模型将领域专业知识与机器学习方法相结合。研究使用了1979-2014年间的数据，共检测出1,171个舞弊样本年度。然而，每年被发现的舞弊案例比例都很低，普遍不超过上市公司总数的1%。这种低检出率反映了舞弊预测工作始终面临的巨大挑战。

模型评估与结果

研究团队使用了集成学习方法，并引入了一个更适合财务舞弊预测任务的新型性能评价指标。研究发现，基于28个原始会计数据项的集成学习模型表现最佳，其AUC平均值为0.753，NDCG@k平均值为0.085。而传统的Logistic回归模型和基于支持向量机的模型表现相对较差。

特征重要性分析

研究团队还分析了模型中各个特征的重要性。结果显示，"已发行普通股数量"、"流动资产总额"、"普通股和优先股发行"等10个特征对模型预测效果贡献最大。这些发现与以往研究中受舞弊影响最频繁的会计科目高度重合。

结论与启示

研究发现，将领域专业知识与机器学习方法相结合可以显著提高财务舞弊预测的准确性。同时，研究还发现，连续舞弊问题对模型预测效果有显著影响，需要在模型构建时予以充分考虑。这一研究为会计舞弊检测提供了新的思路和方法，具有重要的实践意义。

本文原文来自CSDN，作者为上海交通大学安泰经济与管理学院、新加坡国立大学商学院、武汉大学经济与管理学院、弗吉尼亚大学麦金太尔商学院和南洋理工大学计算机工程学院的学者。