کشف نشانگان تقلب در اطلاعات مالی از مسیر داده کاوی و یادگیری ماشین: پیاده سازی یک راهکار تحلیلی-عملیاتی با پایتون

پژوهش حاضر با هدف طراحی و ارزیابی مدلی مبتنی بر یادگیری ماشین برای شناسایی تخلفات مالی در شرکت های پذیرفته شده در بورس اوراق بهادار انجام شد. داده های مالی شرکت های منتخب طی سال های ۱۳۹۶ تا ۱۴۰۱ جمع آوری و ۲۰ نسبت مالی محاسبه گردید. پس از پیش پردازش و متوازن سازی داده ها با SMOTE، سه الگوریتم SVM، جنگل تصادفی و XGBoost پیاده سازی و با اعتبارسنجی متقابل ارزیابی شدند. نتایج نشان داد مدل XGBoost با دقت ۹۴/۲ درصد، حساسیت ۹۰/۵ درصد و AUC معادل ۰/۹۸، عملکرد برتری نسبت به سایر روش ها دارد. نسبت های جاری، حاشیه سود خالص و شاخص Beneish M-Score تاثیرگذارترین متغیرها بودند. این چارچوب عملیاتی می تواند به عنوان سامانه هشداردهنده کمکی در فرایند حسابرسی مورد استفاده قرار گیرد.

کلیدواژه ها:

تخلفات مالی ، یادگیری ماشین ، XGBoost ، پایتون ، نسبت های مالی ، حسابرسی هوشمند