Adaptive Neural Threshold Networks for SEC Accounting Enforcement Triage
Deze studie stelt een adaptief neuraal drempelnetwerk voor dat logistische regressie overtreft bij het prioriteren van SEC-filings voor accountantscontrole door contextafhankelijke drempels te leren, terwijl het tegelijkertijd een kader van governance-vereisten vaststelt om te waarborgen dat het systeem wordt gebruikt als een vertrouwelijke triagehulp in plaats van als juridisch bewijs.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Elk jaar dienen duizenden beursgenoteerde bedrijven in de Verenigde Staten gedetailleerde rapporten in over hun geld, hun schulden en hun winsten. Deze documenten zijn openbaar en bedoeld om beleggers en toezichthouders te helpen de gezondheid van de economie te begrijpen. Maar de instantie die verantwoordelijk is voor het toezicht op deze indieningen, de Securities and Exchange Commission, heeft een enorm probleem: er zijn simpelweg te veel rapporten om ze allemaal grondig te kunnen lezen. De instantie moet beslissen welke weinige dossiers zij als eerste moet onderzoeken, in de hoop de dossiers te vinden die fraude of ernstige boekhoudkundige fouten verbergen. Dit is een sorteeruitdaging, een triage waarbij beperkte menselijke aandacht gericht moet worden op de meest verdachte gevallen voordat er ooit een formele juridische beslissing wordt genomen.
Decennialang hebben toezichthouders vertrouwd op menselijke experts om de waarschuwingssignalen in deze financiële overzichten te ontdekken. Recentelijk hebben onderzoekers zich echter afgevraagd of computers kunnen helpen. Het idee is niet om de menselijke onderzoekers te vervangen, maar om te fungeren als een filter dat de meest ongebruikelijke patronen in de gegevens benadrukt. De uitdaging is dat het opsporen van fraude ongelooflijk moeilijk is. De meeste bedrijven zijn eerlijk, en degenen die betrapt worden, vormen slechts een fractie van het totaal. Bovendien duurt het vaak jaren voordat het "bewijs" van een misdaad aan de oppervlakte komt, wat betekent dat een computer die getraind is op historische gegevens mogelijk zoekt naar patronen die nog niet volledig gevormd zijn. De vraag is of een machine learning-systeem kan leren om de vroege fluisteringen van problemen te herkennen zonder verloren te gaan in de ruis van normale zakelijke veranderingen.
Een team van onderzoekers heeft een nieuw soort computersysteem ontwikkeld dat specifiek voor deze taak is ontworpen. Ze bouwden een hulpmiddel dat niet probeert te verklaren of een bedrijf schuldig of onschuldig is. In plaats daarvan fungeert het als een prioritiseringshulp die duizenden indieningsperioden rangschikt om te suggereren welke een nadere blik van een menselijke expert verdienen. Het systeem werd getest op een enorme dataset met meer dan 330.000 indieningsperioden van meer dan 14.000 verschillende bedrijven. De onderzoekers trainden het systeem op gegevens van 2009 tot 2018, en testten het vervolgens op de meest recente, volledige gegevens uit 2021 en 2022. Het doel was om te zien of het systeem de indieningen correct kon identificeren die later werden gelinkt aan officiële handhavingsmaatregelen, bekend als Accounting and Auditing Enforcement Releases.
De onderzoekers ontdekten dat hun nieuwe systeem, dat zij een adaptive neural threshold network noemen, beter presteerde dan standaard statistische methoden. Terwijl een traditioneel model ongeveer 23,6% van de problematische indieningen kon identificeren bij het beoordelen van de bovenste 10% van de lijst, vond het nieuwe systeem 30,9% van deze gevallen. Deze verbetering lijkt misschien klein, maar in een wereld waarin slechts een fractie van de indieningen daadwerkelijk problematisch is, betekent het vinden van meer van de slechte gevallen dat er waardevolle tijd wordt bespaard voor onderzoekers. Het systeem werkt door te leren wat "normaal" is voor een specifiek bedrijf op een specifiek moment, in plaats van één rigide regel voor iedereen te gebruiken. Het kijkt naar factoren zoals hoe snel een bedrijf groeit, hoeveel schulden het draagt en of de kasstroom overeenkomt met de gerapporteerde winsten. Als de cijfers van een bedrijf te ver afwijken van wat verwacht wordt voor de omvang en sector, markeert het systeem dit.
Cruciaal is dat de onderzoekers het systeem transparant hebben ontworpen. In tegen tegenstelling tot veel moderne kunstmatige intelligentietools die fungeren als een "black box" waarbij de redenering verborgen blijft, laat dit systeem precies zien waarom het een melding heeft gegenereerd. Het kan een analist vertellen dat een bedrijf is gemarkeerd omdat de voorraad veel sneller groeide dan de verkopen, of omdat de kasreserves onverwacht daalden. Hierdoor kan de menselijke beoordelaar de specifieke boekhoudkundige afwijking zien die de waarschuwing heeft getriggerd. De onderzoekers benadrukken dat deze score geen bewijs van een misdaad is. Het is simpelweg een signaal dat zegt: "Kijk hier eerst naar." Een hoge score bewijst geen fraude, en een lage score bewijst niet dat een bedrijf veilig is. Het systeem is strikt een hulpmiddel voor sorteren, niet voor oordelen.
De studie benadrukt ook de beperkingen van het gebruik van historische gegevens om toekomstige handhaving te voorspellen. De onderzoekers ontdekten dat de timing van juridische acties enorm van belang is. Als zij probeerden handhavingsmaatregelen te voorspellen die in hetzelfde jaar als de indiening plaatsvonden, faalde het systeem bijna volledig. Echter, wanneer zij naar een venster van drie jaar keken, werd het systeem veel effectiever. Dit suggereert dat het juridische proces traag is; de tekenen van problemen in een financieel verslag leiden vaak pas jaren later tot een officieel onderzoek. Het systeem leerde deze langetermijnpatronen te herkennen, maar de onderzoekers waarschuwen dat dit ook betekent dat het systeem leert van een geschiedenis van handhaving die mogelijk gekleurd is door wat toezichthouders in het verleden hebben gekozen om te vervolgen.
Uiteindelijk concludeert het artikel dat hoewel deze technologie een echte verbetering biedt in de manier waarop toezichthouders door bergen papierwerk kunnen zoeken, het de menselijke oordeelsvorming niet kan vervangen. Het systeem is het beste te zien als een manier om ervoor te zorgen dat de meest verdachte gevallen niet worden gemist door een gebrek aan tijd of middelen. De onderzoekers stellen een strikte set regels voor hoe een dergelijk hulpmiddel in de echte wereld gebruikt zou moeten worden. Ze benadrukken dat de scores vertrouwelijk moeten blijven, dat menselijke experts de bevindingen altijd moeten verifiëren voordat er actie wordt ondernomen, en dat het systeem constant gemonitord moet worden om te voorkomen dat het bepaalde soorten bedrijven onrechtmatig target. Het doel is niet om de wet te automatiseren, maar om de mensen die de wet handhaven een betere kaart te geven voor waar zij hun reis moeten beginnen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.