Previsión de fraude en informes contables a la luz del aprendizaje de máquinas


Resumen

Con el objetivo de detectar el fraude contable en la información financiera, esa investigación intenta abordar el trabajo agotador e inexacto que enfrentan los gerentes y auditores al analizar la información financiera. En este sentido, el propósito principal es predecir el fraude en los informes financieros y específicamente, - Identificar el grado en que los índices contables son precisos para detectar el fraude contable en los informes financieros, - Identificar en qué medida los datos contables primarios son precisos para detectar el fraude. contabilidad en informes financieros, - Identifique qué método dentro del modelo de aprendizaje automático predice mejor el fraude contable en los informes contables, y - Contribuya en la literatura a la posibilidad de utilizar no solo cifras clave contables sino también información contable primaria como datos de entrada. en análisis de pronósticos de fraude contable como objetivos específicos. El análisis consiste en utilizar la regresión logística “Logistic Regression”, la red neuronal artificial “Artificial Neural Network”, el algoritmo vecino Kth más cercano “K-nearest Neighbor algorithm”, la máquina de vectores de soporte “Suport Vector Machine” y la tabla. decisión “Decision Table”. Se descubrió que el método de regresión logística es el mejor y el uso de líneas contables como variables independientes con el mismo método es mejor que las razones financieras comúnmente utilizadas.


##plugins.themes.bootstrap3.article.details##

Cómo citar

Olokodana, N., & Fernandes, R. (2020). Previsión de fraude en informes contables a la luz del aprendizaje de máquinas. Innovation and Technological Development, 1(1). Recuperado a partir de https://www.mlsjournals.com/Innovation-Technological-Develop/article/view/349



Citas

Albrecht, C.; Dolan, S. (2008). Financial fraud: the how and why. European Business Forum.

Bao, Yang and Ke, Bin and Li, Bin and Yu, Yingri Julia and Zhang, Jie (2018). Detecting Accounting Frauds in Publicly Traded U.S. Firms: New Perspective and New Method.

Dalnial, H., Kamaluddin, A., Sanusi, Z. M., & Khairuddin, K. S. (2014). Accountability in financial reporting: detecting fraudulent firms. Procedia - Social and Behavioral Sciences, (145) 61–69.

Dal-Ri, M. F., & Borba, J. (2007). Estrutura para Detecção do Risco de Fraude nas Demonstrações Contábeis: Mapeando o Ambiente Fraudulento. BBR - Brazilian Business Review, 4 (3), 171-190.

Dyck, A., A. Morse, and L. Zingales. (2005). “Who Blows the Whistle on Corporate Fraud?” Working paper, University of Michigan. ed. São Paulo: Atlas.

Gonçalves de Moura, E., & Alves Dantas, J. (2015). Nível de confiabilidade do valor justo dos instrumentos financeiros nas instituições bancárias brasileiras. revista ambiente contábil, 7(2), 171-189.

Han, J., e Kamber, M. (2000). Data Mining Concept and Techniques. San Diego, USA: Morgan Kaufman.

Hung, M., T. J. Wong, and F. Zhang. The Value of Political Ties Versus Market Credibility: Evidence from Corporate
Scandals in China. Contemporary Accounting Research, forthcoming. Investigation for Non-Experts. Editora Wiley.

Kinapickiene, R. e Grundiene, Z. (2015). The Model of Fraud Detection in Financial Statements by Means of Financial Ratios. Procedia - Social and Behavioral Sciences (213) 321 – 327

Kirkos, E., Spathis, C., & Manolopoulos, Y. (2007). Data Mining Techniques for the Detection of Fraudulent Financial Statements. Expert Systems with Applications (32.4) 995 - 1003.

Kotsiantis, S., Koumanakos, E., Tzelepis, D. e Tampakas, V. (2007). Forecasting Fraudulent Financial Statements using Data Mining. World Academy of Science, Engineering and Technology International Journal of Economics and Management Engineering (12) 844-849.

Lenard, M. J., & Alam, P. (2009). An historical perspective on fraud detection: from bankruptcy models to most effective indicators of fraud in recent incidents. Journal of Forensic & Investigative Accounting, (1) 1–27.

Mackevičius, Jonas, & Ragauskiene, Erika. (2011). Anatomy of frauds. Types, conditions, prevention measures. Ekonomia Economics 2(14). 204-213.

Matarazzo, Dante C. (2008). Análise financeira de balanços: Abordagem básica e gerencial. 6.

Michael Levi, John Burrows. (2008). Measuring the Impact of Fraud in the UK: A Conceptual and Empirical Journey. The British Journal of Criminology. 48 (3) 293–318.

Ravisankar, P., Ravi, V., Raghava R. G., & Bose, I. (2011). Detection of financial statement fraud and feature selection using data mining techniques. Decision Support Systems, (50) 491–500.

Sharma, A. e Panigrahi, P. K. (2012). A Review of Financial Accounting Fraud Detection based on Data Mining Techniques. International Journal of Computer Applications. 39(1), 37-47.

Silva, A. H. C., Cardozo, J. S. S., Sancovschi, M. & Condé, R. A. D. (2012). Teoria dos escândalos corporativos: uma análise comparativa de casos brasileiros e norte-americanos. Revista de Contabilidade do Mestrado em Ciências Contábeis da UERJ, 17 (1), 92-108.

Song X. P., Hu Z. H., Du J. G., & Sheng Z. H. (2014). Application of Machine Learning Methods to Risk Assessment of Financial Statement Fraud: Evidence from China. Journal of Forecasting, 33, 611–626.

Sorkun, M. C., & Toraman, T. (2017). Fraud Detection on Financial Statements Using Data Mining Techniques. International Journal of Intelligent Systems and Applications in Engineering. 5 (3) 132-134.

Vapnik V (1995) The nature of statistical learning theory. Springer, Berlin.

Vlad, M., Tulvinschi, M., & Chiriţă, S. I. (2011). The consequences of fraudulent financial reporting. The annals of the "ştefan cel mare" university of suceava. fascicle of the faculty of economics and public administration. 11, 1(13), 216-268.

Wells, J.T. (2001). Why employees commit fraud. Journal of Accountancy, February.

Wuerdes, A. F. E., & Borba, J. A. (2014). Fraudes Contábeis : Uma estimativa da probabilidade de detecção. Revista Brasileira de Gestão de Negócios. 26(52). 466-483.