چارچوب پویا مبتنی بر هوش مصنوعی برای شناسایی تقلب گزارشگری مالی: تاثیر فرضیات زمانی وقوع تقلب و پیش پردازش پیشرفته بر عملکرد مدل های یادگیری عمیق در داده های نامتوازن واقعی SEC

تقلب در گزارشگری مالی به دلیل پویایی نشانه های هشداردهنده (بر پایه مثلث تقلب) و عدم توازن شدید کلاس ها در داده های واقعی، شناسایی زودهنگام آن را دشوار می سازد. این پژوهش تاثیر فرضیات زمانی وقوع تقلب و پیش پردازش پیشرفته را بر عملکرد مدل های یادگیری عمیق بررسی می کند. داده های واقعی صورت های مالی ۵۷۵ شرکت غیرمتقلب و ۸۷ شرکت متقلب (برچسب گذاری شده بر اساس گزارش های AAER) از پایگاه EDGAR کمیسیون بورس و اوراق بهادار ایالات متحده (SEC) طی چهار سال مالی متوالی (۲۰۱۸–۲۰۲۱) استخراج شد. روش شناسی شامل چهار فرض زمانی وقوع تقلب، پیش پردازش پیشرفته (KNN imputation + SMOTETomek + StandardScaler)، انتخاب ویژگی بر پایه ANOVA، و آزمون ۱۵ مدل (کلاسیک و یادگیری عمیق) در ۳۶۰ پیکربندی بود. مدل های ترکیبی GRU–ANN و CNN–RNN با پیش پردازش کامل در سناریوی چهارساله به F۱-Score ۰.۹۸–۰.۹۹ و نرخ مثبت کاذب کمتر از ۲.۵ درصد دست یافتند. گسترش فرض زمانی تعداد ویژگی های معنادار را افزایش داد و F۱-Score را ۳۰–۴۰ درصد بهبود بخشید؛ پیش پردازش پیشرفته نرخ مثبت کاذب را به طور معناداری کاهش داد. نوآوری پژوهش: این پژوهش چارچوب تجربی نوینی ارائه می دهد که فرض های زمانی وقوع تقلب را با پیش پردازش پیشرفته و مدل های ترکیبی یادگیری عمیق در داده های نامتوازن واقعی SEC ترکیب می کند و پویایی نشانه های هشداردهنده تقلب را تایید می نماید.

کلیدواژه ها:

تقلب در گزارشگری مالی ، یادگیری عمیق ، فرض های زمانی ، پیش پردازش پیشرفته ، داده های نامتوازن ، مدل های ترکیبی