When Validation Defines Abnormality: Prediction Targets in Bayesian Accrual Measurement
本論文は、クラスター化された縦断的設定において、予測的妥当性の検証対象（個別の企業年次か、あるいは企業全体か）の選択が、ベイズモデル選択における企業固有のベンチマークと集団レベルのベンチマークとの間の重み付けを変化させることにより、残差ベースのプロキシのリファレンスフレームを根本的に変容させ、それによって異常行動の分類を実質的に変化させることを実証している。
原論文は CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) でライセンスされています。 これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。 免責事項の全文を読む
会計の世界において、数字は企業の経営状態を物語るストーリーを伝えますが、すべての数字が直接的な観察に基づくわけではありません。一部の数値は、日常的なものと異常なものを区別するために算出された推定値です。ある企業の総体的な財務活動を一つの川だと想像してみてください。ほとんどの水は、売上、コスト、投資といった標準的な潮流によって、予測可能な形で流れています。この予測可能な流れこそが、専門家が「正常（ノーマル）」と呼ぶ挙動です。しかし、時には川が現在の流れとは一致しない形で増水したり、あるいは減退したりすることがあります。これらの逸脱は「異常（アブノーマル）」な活動と呼ばれます。財務研究において、これらの異常な逸脱はしばしば手がかりとして扱われます。それらは、企業が何かを隠蔽している、報告書を操作している、あるいは標準的なモデルでは説明できない特有の経済的ショックに直面していることを示唆している可能性があるからです。これらの手がかりを見つけるために、研究者はまず、正常な流れがどのようになるべきかを予測するためのモデルを構築します。その予測の後に残されるものが「残差」であり、異常性を表す、取り残された断片なのです。
問題は、「正常」の定義が固定されていないことです。研究者によって、企業の正常な挙動を計算するための公式は異なります。ある公式は利益とキャッシュフローの関係に焦点を当て、別の公式は資産が時間の経過とともにどのように変化するかを見ます。単一の正しい公式は存在しないため、研究者はしばめて多くのモデルを試し、データが将来を最もよく予測できるものを選び出すようにします。彼らは「検証（バリデーション）」と呼ばれる手法を用います。これは、過去のデータを用いてモデルをテストし、次に何が起こったかを正確に推測できるかどうかを確認するものです。もしモデルの予測精度が高ければ、より高いスコアが得られ、信頼性が高まります。しかし、この最適なモデルの選択プロセスは、特定のルールに依存しています。すなわち、「私たちは何を予測しようとしているのか？」という問いです。すでに知っている特定の企業の翌年を予測しようとしているのか、それとも一度も見たことがない全く新しい企業の将来を予測しようとしているのか？ この「誰に対して予測を行うか」という一見些細な選択が、実は「異常」の定義そのものを変えてしまうのです。
ホーチミン市産業大学のクアン・ファムによる最近の研究は、まさにこの問題を調査しています。研究者は、2015年から2024年までの間にベトナム証券取引所に上場している568社の数千件の年次財務報告書を調査しました。目的は、予測モデルをテストする際に使用されるルールが、最終的な異常性の測定値を実際に変えるかどうかを確認することでした。このため、本研究では「ベイズ・スタッキング」と呼ばれる高度な手法を用いました。これは、多くの異なる会計モデルを単一の加重平均へと組み合わせる手法です。単に一つの「最良」のモデルを選ぶのではなく、この手法ではテスト中のパフォーマンスに基づいて各モデルに重み付けを行います。鍵となる実験は、テスト中に隠されるデータのルールのみを変更して、同じテストを2回実行することでした。第1のシナリオでは、特定の企業のデータのうち1年分だけを隠し、他のすべての年度は可視の状態に保ちました。これは、既知の友人の次のステップを予測することをシミュレートしています。第2のシナリオでは、特定の企業の全年度のデータを隠し、履歴のない見知らぬ他人の予測をシミュレートしました。
結果は、使用されるルールに応じてモデルの重み付けが劇的に変化することを示しました。テストが企業の過去の履歴をモデルに見せることを許容した場合（馴染みのある友人の予測）、システムは特定の「企業効果（ファーム・エフェクト）」を含むモデルを強く支持しました。これは、特定の経営スタイルや長期的なビジネス構造といった、単一企業の固有かつ持続的な癖を捉える統計的特徴です。このシナリオでは、これらの企業固有のモデルが総重量の約59〜62％を占めました。しかし、テストで企業の全履歴を隠した場合（見知らぬ他人の予測）、システムはこれらの企業固有のモデルをほぼ完全に無視しました。代わりに、平均的な企業がどのように振る舞うかを描写する、一般的な集団レベルのモデルへと信頼を移しました。この場合、企業固有のモデルの重みは4％未満にまで低下しました。研究は、コンピュータ・シミュレーションを通じて、この変化がランダムなノイズや数学的な欠陥ではないことを確認しました。それはデータ構造への直接的な反応でした。つまり、企業の固有の履歴が利用可能であれば、最良の予測器はその履歴を利用し、その履歴がなくなれば、最良の予測器は平均に依存するのです。
この信頼の再配分は、最終的な数値に直接的かつ測定可能な影響を与えました。研究によれば、企業の全体的なランキングはおおむね類似しており（ある手法でリストの上位にある企業は、もう一方の手法でも概して上位に位置する）、どちらの手法を用いても、最も極端なアウトライヤー（外れ値）として特定される企業は大きく変化しました。最も「異常」な活動が見られる上位5％の企業を見ると、両方の手法が一致したのは約65〜69％のケースのみでした。これは、一方の手法によって極めて異常であるとフラグが立てられた企業の約3社に1社が、もう一方の手法ではフラグが立てられなかったことを意味します。予測の不確実性を考慮して数値を調整すると、この一致率はさらに顕著になり、上位5％の一致は37〜42％にまで低下しました。本質的に、検証ルールという選択は、異なる企業のセットを門の向こうに通すフィルターのような役割を果たしたのです。
また、この研究は、これら異なる企業のセットが、現実世界の行動において実際に異なっているかどうかについても検証しました。その結果、「馴染みのある友人」の手法によってのみ異常と特定された企業は、将来の純利益および総資産利益率が低い傾向にあることが分かりました。対照的に、「見知らぬ他人」の手法によってのみ異常と特定された企業は、将来のキャッシュフローおよび利益が高い傾向にありました。これは、これら2つの手法が単に同じ企業を異なるラベルで呼んでいるのではなく、実際には異なる種類の経済的現実を捉えていることを示唆しています。一方は、企業の独自の歴史的パターンからの逸脱を捉えるように調整されており、もう一方は、一般的な市場平均からの逸脱を捉えるように調整されているのです。
結論として、異常性を測定するツールは中立ではありません。予測モデルをテストするために選ばれたルールは、測定そのものの一部となります。もし研究者が、ある企業が自身の過去と比較して異常な挙動をしているかどうかを知りたいのであれば、その企業の履歴を可視化したままにする検証ルールを使用しなければなりません。もし、ある企業が世界の他の部分と比較して異常であるかどうかを知りたいのであれば、その履歴を隠すルールを使用しなければなりません。この研究は、どちらの手法が優れているかを宣言するものではありません。むしろ、「異常」の定義は柔軟であり、問いかけられる質問の内容に完全に依存していることを示しています。リスクをスクリーニングしたり、研究のためのサンプルを選択したり、財務報告を調査したりするためにこれらの測定値を使用するすべての人にとって、検証ルールの選択は単なる技術的な詳細ではありません。それは、どの企業がアウトライヤーと見なされ、どの企業が正常と見なされるかを決定する、測定設計の根本的な部分なのです。
自分の分野の論文に埋もれていませんか？
研究キーワードに一致する最新の論文のダイジェストを毎日受け取りましょう——技術要約付き、あなたの言語で。