基于MD&A文本和深度学习模型的财务报告舞弊识别

财务报告舞弊是企业舞弊的手段之一,不仅会导致会计信息失真,而且会危害经济的健康发展,因此,如何克服传统的人工检测和基于数值指标的浅层模型识别等方法的弊端,找到一种更为高效的智能化识别方法具有重要的现实意义。选取2015—2019年间存在舞弊行为的A股上市公司定期报告,以其中的管理层讨论与分析章节(Management Discussion and Analysis,MD&A)为样本,同时确定了规模相同的控制样本,通过实证研究对比了深度学习模型和以往常用的浅层模型在检测财务报告舞弊时的性能。结果表明,在规模对等的舞弊和非舞弊类财务报告组成的文本数据集上,深度学习模型表现出明显优于基准模型的分类性能。研究结果为利用MD&A文本数据和深度学习方法识别企业财务报告舞弊的有效性提供了直接的证据。

大数据在审计中的应用——基于人工神经网络的财务报告舞弊识别研究

上市公司财务报告舞弊现象屡禁不止,因此反舞弊工作在资本市场上有着不可或缺的作用。传统反舞弊工作中,审计师主要依赖于财务报告等有限的数据信息及简单的数据分析工具,造成信息获取不全面、决策效率低下。大数据时代为多样性数据的获取及复杂数据分析工具的运用提供了便利,因此,文章致力于借助大数据思维和方法,以不同结构数据的特征选择为起点,详细阐述数据处理和建模过程,进一步梳理模型评估和优化的步骤,最终识别出影响企业财务报告舞弊的诸多因素。本研究将克服传统方式中数据结构的限制,力图挖掘应用传统数据分析方式难以观测的甚至超出常规认识的有价值的信息,以提升资本市场对企业财务报告舞弊识别的准确性和科学性。