机器学习与会计舞弊治理:基于非谜选因子的预测视角

本文研究将机器学习引入资本市场监管,优化会计舞弊治理的理论和现实问题。使用1998-2021年会计舞弊数据,采用8种主流机器学习模型,从非述选因子视角评估机器学习遇制会计舞弊的优势和潜力。研究发现,使用机器学习预测会计舞弊,并不依赖事前因子述选,预测效果超过了事前述选会计指标的各种组合,预测指标AUC平均提升12.22%。分析表明这与事前述选指标更容易受到市场针对性的规避行为有关。在此基础上,本文进一步讨论了机器学习优化中国资本市场“双随机、一公开”抽检政策的潜力,认为引入机器学习能够大幅提高会计舞弊检出数量,降低重大舞弊案例的发现阈值,缩短会计舞弊的处罚时滞,从而遇制会计舞弊的扩张。