When Validation Defines Abnormality: Prediction Targets in Bayesian Accrual Measurement
本文表明，在聚类纵向设定中，预测验证目标（个体企业-年份还是整个企业）的选择通过在企业特定基准与总体层面基准之间转移贝叶斯模型选择的权重，从根本上改变了基于残差的代理变量的参照系，从而实质性地改变了异常行为的分类。
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
在会计领域，数字讲述着一个关于企业运营状况的故事，但并非所有数字都是直接的观察结果。有些数字是估算值，旨在将常规行为与异常行为区分开来。想象一下，一家公司的总财务活动就像一条河流。大部分水流都遵循着可预测的路径，由销售、成本和投资等标准电流驱动。这种可预测的流动就是专家们所称的“正常”行为。然而，有时河流会发生与当前流向不符的暴涨或枯竭。这些偏差被称为“异常”活动。在财务研究中，这些异常偏差通常被视为线索。它们可能暗示一家公司正在隐瞒某些事情、操纵报告，或者正面临标准模型无法解释的独特经济冲击。为了寻找这些线索，研究人员首先要建立一个模型，来预测“正常”的流向应该是怎样的。在那个预测之后剩下的任何部分就是“残差”，即代表异常情况的剩余部分。
问题在于，“正常”的定义并不是固定的。不同的研究人员使用不同的公式来计算一家公司的正常行为应该是怎样的。有些公式关注利润与现金流的关系，而另一些则观察资产随时间的变化。由于不存在单一的正确公式，研究人员通常会尝试许多不同的模型，并让数据来决定哪一个最擅长预测未来。他们使用一种称为“验证”的方法，即通过在过去的数据上测试模型，看它是否能准确预测接下来发生了什么。如果一个模型的预测效果良好，它就会获得更高的分数并更受信任。但这种选择最佳模型的过程依赖于一个特定的规则：我们究竟在试图预测什么？我们是在预测一个我们已经了解的公司的下一年，还是在预测一个我们从未见过的全新公司的未来？这个关于“我们在为谁做预测”的看似微小的选择，实际上改变了“异常”的整个定义。
胡志明市工业大学的 Quan Pham 最近的一项研究调查了正是这个问题。研究人员查看了 2015 年至 2024 年间在越南证券交易所上市的 568 家公司的数千份年度财务报告。其目标是观察测试预测模型的规则是否真的改变了异常行为的最终测量结果。为此，该研究使用了一种称为“贝叶斯堆叠”（Bayesian stacking）的高级技术，这种技术将许多不同的会计模型组合成一个加权平均值。该方法并非仅仅选择一个“最佳”模型，而是根据每个模型在测试期间的表现为其分配权重。关键的实验在于运行两次相同的测试，但仅改变测试期间隐藏数据的规则。在第一种情景中，测试仅隐藏了特定公司的一年数据，同时保留了该公司的所有其他年份的数据。这模拟了预测一位熟悉朋友的下一步。在第二种情景中，测试隐藏了该公司的所有年份数据，模拟了对一个没有历史记录的陌生人的预测。
结果显示，模型的权重分配会根据使用的规则而发生剧烈变化。当测试允许模型查看公司的历史记录时（预测熟悉的朋友），系统会严重倾向于包含特定“公司效应”（firm effect）的模型。这是一种统计特征，能够捕捉单个公司的独特且持久的特性，例如其特定的管理风格或长期业务结构。在这种情景下，这些针对特定公司的模型获得了约 59% 到 62% 的总权重。然而，当测试隐藏了整个公司的历史记录时（预测陌生人），系统几乎完全忽略了这些特定公司的模型。相反，它将信任转向了描述平均公司行为的通用群体层面模型。在这种情况下，特定公司模型的权重降至不到 4%。研究通过计算机模拟证实，这种转变并非随机噪声或数学缺陷，而是对数据结构的直接响应：当公司的独特历史可用时，最佳预测器会利用它；当这段历史消失时，最佳预测器则依赖于平均水平。
这种信任的重新分配对最终数值产生了直接且可衡量的影响。研究发现，虽然不同方法下的公司总体排名大致相似——即在一种方法中排名靠前的公司，在另一种方法中通常也排名靠前——但被识别为最极端离群值的具体公司却发生了显著变化。当观察异常活动最多的前 5% 的公司时，两种方法仅在约 65% 到 69% 的案例中达成一致。这意味着，在大约每三家被一种方法标记为高度异常的公司中，就有一家未被另一种方法标记。当研究人员根据预测的不确定性调整数值时，这种差异变得更加明显。在这种情况下，对于前 5% 的一致性降至 37% 到 42% 之间。本质上，验证规则的选择就像一个过滤器，让不同的公司集合通过大门。
该研究还检查了这些不同的公司集合在现实行为中是否真的存在差异。研究发现，仅被“熟悉朋友”法识别为异常的公司往往具有较低的未来收益和资产回报率。相比之下，仅被“陌生人”法识别为异常的公司往往具有较高的未来现金流和收益。这表明，这两种方法不仅仅是在以不同的方式标记同一批公司；它们实际上是在捕捉不同的经济现实。一种方法旨在检测偏离公司自身历史模式的情况，而另一种方法旨在检测偏离市场平均水平的情况。
结论是，用于衡量异常程度的工具并非中立的。用于测试预测模型的规则本身就成为了测量的一部分。如果研究人员想要知道一家公司的行为与其自身过去相比是否异常，他们必须使用一种保持公司历史可见的验证规则。如果他们想知道一家公司与世界其他部分相比是否异常，则必须使用一种隐藏其历史的规则。这项研究并未宣布哪种方法优于另一种。相反，它表明“异常”的定义是灵活的，并且完全取决于所提出的问题。对于任何使用这些测量指标进行风险筛查、样本选择或财务报告调查的人来说，验证规则的选择不仅仅是一个技术细节。它是决定哪些公司会被视为离群值、哪些会被视为正常的测量设计中的基本组成部分。
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。