Deep Learning Augmented Detection of Earnings Manipulation in African Listed Firms: A Multi-Model Comparative Study
本研究表明，机器学习增强型逻辑回归模型在检测非洲上市公司盈余操纵方面优于传统的琼斯模型方法，同时强调了由于制度背景差异所导致的各国间显著的性能异质性。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，金融世界就像一个繁忙的大型集市，公司在这里向投资者出售他们对未来的承诺。在这个集市中，公司的“收益”就像是它们的成绩单——一个告诉所有人表现如何的分数。但有时，掌管全局的人（管理者）想要让这个分数看起来比实际情况更好。他们可能会伪造数字、隐瞒债务或做假账，让自己的公司看起来像个超级明星。这被称为“盈余操纵”，有点像魔术师试图误导观众，让他们以为兔子是凭空出现的，而实际上，兔子只是躲在帽子里。
长期以来，这个集市的“侦探”们——审计师和监管机构——使用一套陈旧、僵化的规则来识破这些诡计。把这些规则想象成机场的金属探测器：如果携带金属，它会发出鸣叫，但可能会漏掉塑料刀或巧妙隐藏的小装置。这些旧方法对于捕捉明显的伪造行为很有效，但往往会错过聪明公司所使用的微妙且复杂的手段。最近，新一代侦探带着“机器学习”来到了现场。如果说旧的金属探测器只是简单的鸣叫，那么机器学习就像是一位超级聪明的保安，他不仅观察你的步态，还会检查你的鞋子，分析你的紧张程度，甚至通过阅读天气来猜测你是否心怀鬼胎。这篇论文深入探讨了这些超级聪明的保安是否真的能比旧的金属探测器做得更好，特别是在规则可能与美国或欧洲略有不同的非洲股票市场中。
非洲的大侦探对决
在这项研究中，来自开发大学（University for Development Studies）的一个研究小组建立了一个大规模的侦探训练营。他们收集了来自四个非洲国家（南非、尼日利亚、肯尼亚和加纳）80家上市公司的资料，时间跨度为2015年至2024年。那是800个公司表现的快照，既有优秀的演员，也有拙劣的演员。他们的目标是什么？看看哪种侦探工具最能识别出那些正在“做假账”的公司。
他们测试了四种不同的“侦探”：
- 老派侦探（传统逻辑回归）： 这个侦探使用经典的“琼斯模型”（Jones Model），这是一个观察一家公司声称赚了多少钱与实际有多少现金进入银行之间的规则手册。它是那个金属探测器。
- 升级版侦探（机器学习增强型逻辑回归）： 这个侦探采用了旧的规则手册，但增加了一个由计算机计算出的超强“欺诈风险评分”，以及关于公司审计技术水平的线索。
- 森林之树（随机森林）： 想象一百个不同的侦探，每个侦探都从稍微不同的角度观察线索，然后对谁有罪进行投票。
- 深度学习代理（梯度提升）： 这就像是一个从每一次错误中学习的侦探，随着解决的每一个案例变得越来越聪明，试图寻找人类可能忽略的复杂模式。
判决结果：升级版侦探胜出
当尘埃落定时，结果非常明确。**升级版侦探（机器学习增强型逻辑回归）**成为了冠军。它在处理未见过的案例时，实现了被称为“曲线下面积”（AUC）的 0.745 的得分。老派侦探的得分仅为 0.709。虽然这听起来差距不大，但在金融领域，这多出的3.5个百分点意义重大——这意味着能在崩溃发生前抓住更多的骗子。
随机森林和深度学习代理的表现也不错，但它们并没有在这次特定测试中击败升级版侦探。研究人员认为，这可能是因为该数据集（800家公司）对于过于复杂的深度学习模型来说规模稍小，无法充分发挥其威力，而升级版侦探的大小正好适合这项工作。
是什么造成了差异？
研究人员还问道：“这些侦探到底在使用什么线索？”他们发现，最重要的线索不仅仅是旧式的数学，而是机器学习欺诈风险评分。这个评分充当了模型的“第六感”，将许多不同的信号组合成一个强大的预警。第二个最重要的线索是资产回报率（公司利润相对于其规模的比率）。有趣的是，研究发现利润高的公司实际上更有可能操纵数据，这可能是因为它们感到维持这些高数字的压力。
“一刀切”的意外
故事在这里变得非常有趣。研究人员尝试在所有四个国家使用相同的侦探工具，结果却大相径庭。
- 在加纳，该工具表现出色（得分 0.696）。
- 在南非，表现尚可（得分 0.616）。
- 在尼日利亚，它仅仅比随机猜测好一点点（得分 0.549）。
- 但在肯尼亚，该工具的表现低于随机猜测的基准线（得分 0.458）。
为什么会这样？研究人员认为，在肯尼亚，公司操纵的不是会计数字（应计项目），而是真实的业务活动，比如过度生产商品或削减开支。旧的和新的侦探都是被训练来寻找虚假数字的，而不是虚假的业务动作。这就像试图通过寻找藏刀的人来抓捕偷苹果的小偷，你需要一种不同的探测器来抓捕苹果。
这对未来意味着什么？
研究结论指出，我们不能直接将一个国家的欺诈检测系统“复制粘贴”到另一个国家。非洲的监管机构和审计师需要为每个国家构建定制化的工具。他们绝对应该开始在旧数学的基础上使用那些“机器学习欺诈风险评分”，因为计算机的“第六感”正被证明是一个强大的盟友。然而，他们也需要记住，在某些市场中，诡计是不同的，探测器也需要学习新的招式才能抓到它们。
简而言之，这篇论文表明，虽然人工智能是识别金融伪造的强大新工具，但它并不是一个在任何地方都能立即奏效的魔杖。它需要针对当地环境进行调整，就像收音机需要调到正确的频道才能听到音乐一样。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。