Deep Learning Augmented Detection of Earnings Manipulation in African Listed Firms: A Multi-Model Comparative Study

Sintesi Tecnica: Rilevamento della Manipolazione degli Utili Mediante l'Aumento del Deep Learning in Aziende Quotate Africane

Definizione del Problema
La manipolazione degli utili rimane un punto di fallimento critico nei mercati globali di capitali, con gli strumenti di rilevamento tradizionali che spesso non riescono a identificare schemi sofisticati prima che si verifichi una significativa distruzione di valore. Nei mercati dei capitali africani, questa sfida è esacerbata da una supervisione normativa comparativamente giovane, requisiti di divulgazione flessibili e gravi asimmetrie informative. La letteratura esistente indica che i modelli tradizionali basati sugli accruals (ad esempio, il modello Jones, il Beneish M-score) soffrono di elevati tassi di errore di Tipo I e Tipo II nei mercati emergenti a causa di differenze strutturali nella struttura del capitale, nella governance e nella qualità della revisione. Inoltre, esiste una lacuna significativa nella letteratura sottoposta a revisione paritaria riguardante l'applicazione e la valutazione comparativa di approcci di machine learning (ML) e deep learning per il rilevamento della manipolazione degli utili specificamente in un contesto africano multi-paese.

Metodologia
Lo studio impiega un dataset panel bilanciato composto da 800 osservazioni anno-azienda provenienti da 80 società quotate in quattro borse valori africane: la Johannesburg Stock Exchange (Sudafrica), la Nigerian Exchange, la Nairobi Securities Exchange (Kenya) e la Ghana Stock Exchange, coprendo il periodo dal 2015 al 2024.

• Variabile Dipendente: Un indicatore binario di manipolazione degli utili è costruito utilizzando un approccio a due stadi. La qualità degli utili è calcolata come uno meno il valore assoluto degli accruals totali (scalato per il totale degli asset). Le osservazioni che cadono nel quartile inferiore di questa distribuzione (soglia del 25° percentile) sono classificate come rischio di manipolazione (1), mentre le altre sono classificate come 0.
• Insiemi di Feature: Lo studio utilizza due insiemi di feature:
  1. Tradizionali: Differenza tra reddito e imposte (book tax difference), rendimento delle attività (ROA), rapporto debito/patrimonio netto, dimensione aziendale, indipendenza del consiglio di amministrazione, status di auditor delle Big Four e proprietà istituzionale.
  2. Aumentati: L'insieme tradizionale più cinque variabili aggiuntive: un punteggio di rischio frode derivato dal machine learning (ML), un punteggio di uno strumento di audit basato sull'intelligenza artificiale (AI), il conteggio delle Key Audit Matters (KAM), un indicatore di opinione sulla continuità aziale (going concern) e un composito di qualità istituzionale.
• Modelli: Sono sviluppati e confrontati quattro modelli concorrenti:
  1. M1: Regressione logistica tradizionale utilizzando solo proxy tradizionali basate sugli accruals (specifica del modello Jones).
  2. M2: Regressione logistica aumentata dal machine learning, incorporando l'insieme di feature aumentato.
  3. M3: Ensemble Random Forest (200 alberi).
  4. M4: Modello Gradient Boosting (utilizzato come proxy di deep learning), configurato con 200 iterazioni, una profondità massima dell'albero di quattro e un tasso di apprendimento di 0,05.
• Validazione: I modelli sono valutati tramite cross-validazione stratificata a dieci pieghe (ten-fold), test out-of-sample su campioni di hold-out (20% riservato) e validazione stratificata per paese. Le prestazioni sono misurate principalmente tramite l'Area Sotto la Curva ROC (AUC) e la Precisione Media, con l'attribuzione delle feature analizzata tramite la riduzione dell'impurezza di Gini. La multicollinearità è valutata utilizzando i Fattori di Inflazione della Varianza (VIF).

Risultati Chiave

• Prestazioni dei Modelli: La regressione logistica aumentata dal machine learning (M2) ha ottenuto l'AUC out-of-sample più elevato di 0,745, superando la regressione logistica tradizionale (M1, AUC 0,709) di 3,5 punti percentuali. I modelli Random Forest (M3) e Gradient Boosting (M4) hanno ottenuto prestazioni inferiori nei test out-of-sample (AUC rispettivamente di 0,680 e 0,672), suggerendo che, per questo campione, la regressione logistica regolarizzata con feature aumentate è più efficiente in termini di campionamento rispetto agli ensemble basati su alberi.
• Importanza delle Feature: Nel modello Gradient Boosting, il Rendimento delle Attività (ROA) è stato il predittore dominante (importanza 0,223), seguito dal punteggio di rischio frode ML (importanza 0,118). La qualità istituzionale si è classificata terza (0,104) e la differenza tra reddito e imposte quarta (0,100). Significativamente, lo score dello strumento di audit AI ha mostrato una bassa significatività lineare nel modello logit ma ha mantenuto un'importanza moderata (0,072) nell'ensemble non lineare, suggerendo effetti condizionali.
• Eterogeneità per Paese: È stata osservata una variazione significativa nella trasferibilità del modello tra le giurisdizioni. Il Ghana ha ottenuto l'AUC specifico per paese più alto (0,696), seguito dal Sudafrica (0,616) e dalla Nigeria (0,549). Il Kenya ha prodotto un'AUC di 0,458, scendendo al di sotto della baseline del predittore casuale (0,50), indicando che i segnali basati sugli accruals sono inefficaci nel mercato keniota, probabilmente a causa della dominanza della gestione reale degli utili in mercati sottili e illiquidi.
• Robustezza: Le diagnosi del Fattore di Inflazione della Varianza hanno confermato che la multicollinearità tra il punteggio di rischio frode ML e la differenza tra reddito e imposte (VIF ~4,57) rimane al di sotto della soglia convenzionale di 5,0, convalidando l'interpretabilità delle attribuzioni delle feature. I risultati sono rimasti coerenti attraverso vari controlli di robustezza, inclusi diversi livelli di soglia di manipolazione e l'esclusione del periodo pandemico.

Significatività e Contributi
Il documento si pone come uno dei primi studi a valutare e confrontare sistematicamente i modelli di rilevamento della manipolazione degli utili aumentati dal machine learning in un panel multi-paese africo. I suoi contributi primari includono:

1. Benchmarking Empirico: Fornisce il primo confronto multi-modello in questo specifico contesto regionale, dimostrando che l'aumento dei modelli di accruals tradizionali con punteggi di rischio frode derivati dal ML e segnali di qualità dell'audit migliora le prestazioni di rilevamento out-of-sample.
2. Contestualizzazione Istituzionale: Lo studio evidenzia che la prestazione del modello dipende fortemente dall'eterogeneità istituzionale. Il fatto che i modelli falliscano in Kenya ma abbiano successo in Ghana sottolinea la necessità di una calibrazione specifica per giurisdizione piuttosto che un approccio pan-africano "taglia unica".
3. Attribuzione delle Feature: Valida l'uso di segnali compositi ML insieme alle variabili tradizionali nella contabilità forense, identificando il punteggio di rischio frode ML come un predittore critico che cattura le dimensioni di pressione e capacità del triangolo della frode oltre ai semplici rapporti finanziari.
4. Implicazioni Pratiche: Gli autori suggeriscono che i regolatori dell'audit africani, le commissioni di borsa e le società Big Four dovrebbero incorporare i punteggi di rischio frode derivati dal ML nella pianificazione dell'audit. Raccomandano inoltre che i framework di rilevamento nei mercati sottili (come il Kenya) debbano evolversi per includere proxy per la gestione reale degli utili, poiché i segnali basati sugli accruals da soli sono insufficienti.

Lo studio conclude che, sebbene i modelli aumentati dal machine learning offrano un miglioramento misurabile rispetto ai metodi tradizionali, la loro applicazione richiede un'attenta adattazione alle strutture di mercato locali e agli ambienti normativi.