Adaptive Neural Threshold Networks for SEC Accounting Enforcement Triage
Diese Studie schlägt ein adaptives neuronales Schwellenwertnetzwerk vor, das die logistische Regression bei der Priorisierung von SEC-Einreichungen für die Durchsetzung der Rechnungslegung übertrifft, indem es kontextabhängige Schwellenwerte lernt, während es gleichzeitig einen Rahmen von Governance-Anforderungen etabliert, um sicherzustellen, dass das System als vertrauliche Triage-Hilfe und nicht als rechtliches Beweismittel verwendet wird.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Jedes Jahr reichen tausende öffentliche Unternehmen in den Vereinigten Staaten detaillierte Berichte über ihr Geld, ihre Schulden und ihre Gewinne ein. Diese Dokumente sind öffentlich zugänglich und dazu bestimmt, Investoren und Regulierungsbehörden dabei zu helfen, die Gesundheit der Wirtschaft zu verstehen. Doch die für die Überwachung dieser Einreichungen verantwortliche Behörde, die Securities and Exchange Commission, hat ein massives Problem: Es gibt schlichtweg zu viele Berichte, um jeden einzelnen im Detail lesen zu können. Die Behörde muss entscheiden, welche wenigen Dateien sie zuerst untersuchen soll, in der Hoffnung, diejenigen zu finden, die Betrug oder schwerwiegende Buchhaltungsfehler verbergen. Dies ist eine Sortieraufgabe, eine Triage, bei der die begrenzte menschliche Aufmerksamkeit auf die verdächtigsten Fälle gelenkt werden muss, noch bevor eine formelle rechtliche Entscheidung getroffen wird.
Jahrzehntelang haben sich die Regulierungsbehörden darauf verlassen, dass menschliche Experten die Warnsignale in diesen Jahresabschlüssen erkennen. In jüngster Zeit haben Forscher jedoch gefragt, ob Computer helfen könnten. Die Idee ist nicht, die menschlichen Ermittler zu ersetzen, sondern als Filter zu fungieren, der die ungewöhnlichsten Muster in den Daten hervorhebt. Die Herausforderung besteht darin, dass das Aufspüren von Betrug unglaublich schwierig ist. Die meisten Unternehmen sind ehrlich, und diejenigen, die erwischt werden, sind nur ein winziger Bruchteil des Ganzen. Zudem dauert es oft Jahre, bis der „Beweis“ für ein Verbrechen zutage tritt, was bedeutet, dass ein Computer, der mit Vergangenheitsdaten trainiert wurde, nach Mustern suchen könnte, die sich noch nicht vollständig geformt haben. Die Frage ist, ob ein System des maschinellen Lernens lernen kann, das erste Flüstern von Problemen zu erkennen, ohne sich im Rauschen normaler Geschäftsveränderungen zu verlieren.
Ein Team von Forschern hat ein neues Computersystem entwickelt, das speziell für diese Aufgabe konzipiert wurde. Sie bauten ein Werkzeug, das nicht versucht, ein Unternehmen für schuldig oder unschuldig zu erklären. Stattdessen fungiert es als Priorisierungshilfe, die tausende Einreichungszeiträume rankt, um vorzuschlagen, welche von einem menschlichen Experten genauer betrachtet werden sollten. Das System wurde an einem massiven Datensatz getestet, der über 330.000 Einreichungszeiträume von mehr als 14.000 verschiedenen Unternehmen umfasst. Die Forscher trainierten das System mit Daten von 2009 bis 2018 und testeten es dann an den jüngsten, vollständigen Daten aus den Jahren 2021 und 2022. Das Ziel war es zu sehen, ob das System die Einreichungen korrekt identifizieren kann, die später mit offiziellen Durchsetzungsmaßnahmen, bekannt als Accounting and Auditing Enforcement Releases, in Verbindung gebracht wurden.
Die Forscher fanden heraus, dass ihr neues System, das sie ein „adaptive neural threshold network“ nennen, besser abschnitt als Standard-Statistikmethoden. Während ein traditionelles Modell etwa 23,6 % der problematischen Einreichungen identifizieren konnte, wenn es die obersten 10 % der Liste überprüfte, fand das neue System 30,9 % von ihnen. Diese Verbesserung mag klein erscheinen, aber in einer Welt, in der nur ein winziger Bruchteil der Einreichungen tatsächlich problematisch ist, bedeutet das Finden von mehr der schlechten Fälle, wertvolle Zeit für Ermittler zu sparen. Das System arbeitet, indem es lernt, was „normal“ für ein spezifisches Unternehmen zu einem spezifischen Zeitpunkt aussieht, anstatt eine einzige starre Regel für alle anzuwenden. Es betrachtet Faktoren wie die Geschwindigkeit, mit der ein Unternehmen wächst, wie hoch seine Schulden sind und ob sein Cashflow mit seinen ausgewiesenen Gewinnen übereinstimmt. Wenn die Zahlen eines Unternehmens zu weit von dem abweichen, was für seine Größe und Branche zu erwarten wäre, markiert das System dies.
Entscheidend ist, dass die Forscher das System transparent gestaltet haben. Im Gegensatz zu vielen modernen Werkzeugen der künstlichen Intelligenz, die wie eine „Black Box“ agieren, bei der die Logik verborgen bleibt, zeigt dieses System genau auf, warum es einen Alarm ausgelöst hat. Es kann einem Analysten mitteilen, dass ein Unternehmen markiert wurde, weil sein Lagerbestand viel schneller gewachsen ist als sein Umsatz, oder weil seine Barreserven unerwartet gesunken sind. Dies ermöglicht es dem menschlichen Prüfer, die spezifische Buchabweichung zu sehen, die die Warnung ausgelöst hat. Die Forscher betonen, dass dieser Score kein Beweis für ein Verbrechen ist. Er ist lediglich ein Signal, das besagt: „Schau hier zuerst nach.“ Ein hoher Wert beweist keinen Betrug, und ein niedriger Wert beweist nicht, dass ein Unternehmen sicher ist. Das System ist strikt ein Werkzeug zum Sortieren, nicht zum Urteilen.
Die Studie hebt auch die Grenzen der Verwendung von Vergangenheitsdaten zur Vorhersage zukünftiger Durchsetzungsmaßnahmen hervor. Die Forscher entdeckten, dass der Zeitpunkt rechtlicher Schritte eine immense Rolle spielt. Wenn sie versuchten, Durchsetzungsmaßnahmen vorherzusagen, die im selben Jahr wie die Einreichung stattfanden, versagte das System fast vollständig. Wenn sie jedoch ein Zeitfenster von drei Jahren betrachteten, wurde das System wesentlich effektiver. Dies deutet darauf hin, dass der rechtliche Prozess langsam ist; die Anzeichen von Problemen in einem Finanzbericht führen oft erst Jahre später zu einer offiziellen Untersuchung. Das System lernte, diese langfristigen Muster zu erkennen, aber die Forscher warnen auch, dass es damit auch lernt, aus einer Geschichte der Durchsetzung zu ziehen, die möglicherweise durch das verzerrt ist, was die Regulierungsbehörden in der Vergangenheit verfolgt haben.
Letztlich kommt das Paper zu dem Schluss, dass diese Technologie zwar eine echte Verbesserung bietet, wie Regulierer sich durch Berge von Papierkram sortieren können, sie aber menschliches Urteilsvermögen nicht ersetzen kann. Das System ist am besten als eine Möglichkeit zu betrachten, sicherzustellen, dass die verdächtigsten Fälle aufgrund von Zeitmangel oder Ressourcenknappheit nicht übersehen werden. Die Forscher schlagen eine strenge Reihe von Regeln vor, wie ein solches Werkzeug in der realen Welt eingesetzt werden sollte. Sie bestehen darauf, dass die Scores vertraulich bleiben müssen, dass menschliche Experten die Ergebnisse immer verifizieren müssen, bevor Maßnahmen ergriffen werden, und dass das System ständig überwacht werden muss, um sicherzustellen, dass es bestimmte Arten von Unternehmen nicht ungerechtfertigt ins Visier nimmt. Das Ziel ist nicht, das Gesetz zu automatisieren, sondern den Menschen, die es durchsetzen, eine bessere Karte zu geben, wo sie ihre Reise beginnen können.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.