Deep Learning Augmented Detection of Earnings Manipulation in African Listed Firms: A Multi-Model Comparative Study
Diese Studie zeigt, dass ein durch maschinelles Lernen erweitertes logistisches Regressionsmodell herkömmliche Jones-Modell-Ansätze bei der Erkennung von Gewinnmanipulationen bei börsennotierten afrikanischen Unternehmen übertrifft, während sie gleichzeitig eine signifikante Leistungsheterogenität über Länder hinweg aufgrund unterschiedlicher institutioneller Kontexte hervorhebt.
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
Stellen Sie sich die Welt der Finanzen als einen riesigen, geschäftigen Marktplatz vor, auf dem Unternehmen ihre zukünftigen Versprechen an Investoren verkaufen. In diesem Marktplatz sind die „Gewinne“ eines Unternehmens wie ein Zeugnis – eine Punktzahl, die allen mitteilt, wie gut es abgeschnitten hat. Aber manchmal wollen die Leute, die das Geschäft leiten (die Manager), dass diese Punktzahl besser aussieht, als sie eigentlich ist. Sie könnten Zahlen fälschen, Schulden verstecken oder die Bücher schönen, um ihr Unternehmen wie einen Superstar aussehen zu lassen. Dies wird als „Gewinnmanipulation“ bezeichnet, und es ist ein wenig so, als würde ein Magier versuchen, das Publikum zu täuschen, indem er vorgibt, ein Kaninchen sei aus dem Nichts aufgetaucht, obwohl es in Wirklichkeit nur in einem Hut versteckt war.
Lange Zeit verwendeten die „Detektive“ dieses Marktplatzes – Wirtschaftsprüfer und Regulierungsbehörden – einen Satz alter, starrer Regeln, um solche Tricks zu erkennen. Denken Sie an diese Regeln wie an einen Metalldetektor an einem Flughafen: Er piept, wenn man Metall dabei hat, aber er könnte ein Plastikmesser oder ein geschickt verstecktes Gadget übersehen. Diese alten Methoden waren gut darin, offensichtliche Fälschungen zu entlarven, aber sie übersah oft die subtilen, ausgeklügelten Tricks, die von klugen Unternehmen angewandt werden. Vor kurera Zeit ist eine neue Generation von Detektiven eingetroffen, die mit „Maschinellem Lernen“ bewaffnet ist. Wenn der alte Metalldetektor ein einfaches Piepen ist, dann ist Maschinelles Lernen wie ein superintelligenter Sicherheitsmann, der nicht nur nach Metall sucht; er beobachtet Ihren Gang, prüft Ihre Schuhe, analysiert Ihre Nervosität und liest sogar das Wetter, um zu erraten, ob Sie etwas im Schilde führen. Dieses Papier untersucht, ob diese superintelligenten Sicherheitsleute tatsächlich einen besseren Job machen können als die alten Metalldetektoren, speziell in den afrikanischen Aktienmärkten, wo die Spielregeln etwas anders sein können als in den USA oder Europa.
Das große Detektiv-Duell in Afrika
In dieser Studie hat ein Team von Forschern der University for Development Studies ein massives Detektiv-Trainingslager aufgebaut. Sie sammelten Daten von 80 börsennotierten Unternehmen aus vier afrikanischen Ländern: Südafrika, Nigeria, Kenia und Ghana, die den Zeitraum von 2015 bis 2024 abdecken. Das sind 800 Schnappschüsse der Unternehmensleistung, eine Mischung aus guten Akteuren und schlechten Akteuren. Ihr Ziel? Zu sehen, welches Detektiv-Werkzeug die Unternehmen am besten entlarven kann, die „die Bücher kochten“.
Sie testeten vier verschiedene „Detektive“:
- Der Detektiv der alten Schule (Traditionelle Logistische Regression): Dieser nutzt das klassische „Jones-Modell“, ein Regelwerk, das untersucht, wie viel Geld ein Unternehmen im Vergleich zu dem, was tatsächlich auf dem Bankkonto einging, als Gewinn deklariert hat. Es ist der Metalldetektor.
- Der verbesserte Detektiv (Maschinell Lern-erweiterte Logistische Regression): Dieser Detektiv nimmt das alte Regelwerk, fügt aber einen superstarken „Betrugsrisiko-Score“ hinzu, der von einem Computer berechnet wurde, sowie Hinweise darauf, wie technologisch fortschrittlich die Wirtschaftsprüfer des Unternehmens sind.
- Der Wald der Bäume (Random Forest): Stellen Sie sich hundert verschiedene Detektive vor, von denen jeder die Hinweise aus einem leicht anderen Blickwinkel betrachtet und dann darüber abstimmt, wer schuldig ist.
- Der Deep-Learning-Stellvertreter (Gradient Boosting): Dies ist wie ein Detektiv, der aus jedem seiner Fehler lernt, mit jedem einzelnen Fall, den er löst, immer klüger wird und versucht, komplexe Muster zu finden, die Menschen vielleicht übersehen würden.
Das Urteil: Der verbesserte Detektiv gewinnt
Als sich der Staub gelegt hatte, waren die Ergebnisse eindeutig. Der verbesserte Detektiv (die Maschinell Lern-erweiterte Logistische Regression) war der Champion. Er erreichte einen Wert, der als „Area Under the Curve“ (AUC) bekannt ist, von 0,745 in neuen, ungesehenen Fällen. Der Detektiv der alten Schule schaffte einen Wert von 0,709. Das mag nach einem kleinen Unterschied klingen, aber in der Welt der Finanzen sind diese zusätzlichen 3,5 Prozentpunkte gewaltig – es bedeutet, mehr Betrüger zu entlarven, bevor sie einen Crash verursachen.
Random Forest und der Deep-Learning-Stellvertreter waren gut, konnten den verbesserten Detektiv in diesem speziellen Test jedoch nicht ganz schlagen. Die Forscher vermuten, dass dies daran liegen könnte, dass der Datensatz (800 Unternehmen) etwas zu klein für die superkomplexen Deep-Learning-Modelle war, um deren volle Muskeln spielen zu lassen, während der verbesserte Detektiv genau die richtige Größe für die Aufgabe war.
Was den Unterschied machte?
Die Forscher fragten auch: „Welche Hinweise nutzten die Detektive eigentlich?“ Sie fanden heraus, dass der wichtigste Hinweis nicht nur die klassische Mathematik war, sondern der Maschinelle Lern-Betrugsrisiko-Score. Dieser Score fungierte wie ein „sechster Sinn“ für das Modell und kombinierte viele verschiedene Signale zu einer kraftvollen Warnung. Der zweitwichtigste Hinweis war die Gesamtkapitalrentabilität (Return on Assets – wie viel Gewinn ein Unternehmen im Verhältnis zu seiner Größe macht). Interessanterweise fanden die Forscher heraus, dass Unternehmen mit hohen Gewinnen tatsächlich wahrscheinlicher ihre Zahlen manipulierten, vielleicht weil sie den Druck verspürten, diese hohen Zahlen aufrechtzuerhalten.
Die Überraschung: „Einheitsgröße passt nicht überall“
Hier wird die Geschichte besonders interessant. Die Forscher versuchten, dasselbe Detektiv-Werkzeug in allen vier Ländern einzusetzen, und die Ergebnisse waren völlig unterschiedlich.
- In Ghana funktionierte das Werkzeug großartig (Score von 0,696).
- In Südafrika war es okay (Score von 0,616).
- In Nigeria war es gerade mal etwas besser als bloßes Raten (Score von 0,549).
- Aber in Kenia performte das Werkzeug unter der Basislinie des zufälligen Ratens (Score von 0,458).
Warum? Die Forscher vermuten, dass die Unternehmen in Kenia nicht ihre Buchhaltungswerte (Accruals) manipulieren, sondern reale Geschäftsaktivitäten, wie etwa die Überproduktion von Waren oder das Kürzen bei den Ausgaben. Die alten und neuen Detektive wurden darauf trainiert, nach gefälschten Zahlen zu suchen, nicht nach gefälschten Geschäftsschritten. Es ist, als würde man versuchen, einen Dieb zu fangen, der Äpfel stiehlt, indem man nach jemandem sucht, der ein Messer versteckt; man braucht einen anderen Detektor für Äpfel.
Was bedeutet das für die Zukunft?
Die Studie kommt zu dem Schluss, dass wir nicht einfach ein Betrugserkennungssystem von einem Land in ein anderes kopieren und einfügen können. Afrikanische Regulierungsbehörden und Wirtschaftsprüfungsgesellschaften müssen maßgeschneiderte Werkzeuge für jedes Land entwickeln. Sie sollten definitiv damit beginnen, diese „Maschinellen Lern-Betrugsrisiko-Scores“ neben der alten Mathematik zu verwenden, da der „sechste Sinn“ des Computers sich als mächtiger Verbündeter erweist. Sie müssen jedoch auch bedenken, dass in einigen Märkten die Tricks andere sind und die Detektoren neue Tricks lernen müssen, um diese zu entlarven.
Kurz gesagt legt das Papier nahe, dass Maschinelles Lernen zwar ein mächtiges neues Werkzeug zur Erkennung finanzieller Fälschungen ist, aber kein Zauberstab, der überall sofort funktioniert. Es muss auf die lokale Umgebung abgestimmt werden, genau wie ein Radio auf den richtigen Sender eingestellt werden muss, um die Musik zu hören.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.