پیش بینی تقلب مالی در شرکت های بورسی با رویکرد Random Forest و SHAP در بازار سرمایه ایران

تقلب مالی در صورت های مالی شرکت های بورسی یکی از چالش های اساسی نظام های اقتصادی محسوب می شود که می تواند اعتماد عمومی و سلامت بازار سرمایه را به شدت تضعیف کند. با پیچیده تر شدن ساختارهای مالی و افزایش فشارهای رقابتی، احتمال بروز رفتارهای متقلبانه نیز بیشتر شده است. در این پژوهش با هدف شناسایی تقلب مالی در شرکت های پذیرفته شده در بورس اوراق بهادار تهران، از رویکردهای نوین یادگیری ماشین شامل الگوریتم های Random Forest، Isolation Forest و Autoencoder استفاده شده است. داده ها شامل ۲۴۰ مشاهده سالانه از ۳۰ شرکت فعال در بورس طی سال های ۱۳۹۴ تا ۱۴۰۲ بوده و از سامانه کدال و گزارش های حسابرسی استخراج گردیده اند. برچسب گذاری تقلب بر اساس مستندات رسمی سازمان بورس انجام شده و برای مقابله با عدم توازن داده ها از روش SMOTE بهره گرفته شده است. همچنین، تقسیم بندی زمانی داده ها برای جلوگیری از نشت اطلاعات رعایت گردیده است. نتایج نشان داد الگوریتم Random Forest با دقت ۹۱٪ و مقدار AUC برابر با ۰.۹۳ بهترین عملکرد را در پیش بینی تقلب داشته است. تحلیل تفسیرپذیری مدل با ابزار SHAP بیانگر نقش پررنگ شاخص هایی مانند بازده حقوق صاحبان سهام (ROE)، نسبت بدهی به حقوق صاحبان سهام و جریان نقدی عملیاتی در بروز تقلب مالی است. الگوریتم های بدون نظارت نیز توانایی شناسایی رفتارهای غیرعادی را داشتند، هرچند نرخ هشدار کاذب در آن ها بیشتر بود. به طور کلی، یافته ها نشان می دهد یادگیری ماشین می تواند ابزاری موثر در حسابرسی قانونی و نظارت مالی باشد و به توسعه سیستم های هشدار زودهنگام در بازار سرمایه ایران کمک کند.

کلیدواژه ها:

تقلب مالی ، یادگیری ماشین ، Random Forest ، SHAP ، بورس اوراق بهادار تهران ، حسابرسی قانونی