Анализ выявления мошенничества в финансовой отчетности китайских листинговых компаний с использованием глубокого обучения

Финансовое мошенничество серьезно подрывает устойчивый рост финансовых рынков и представляет собой глобальную проблему. Однако выявление мошенничества в условиях сильно несбалансированных наборов данных является сложной задачей, поскольку доля компаний, не совершающих мошенничество, значительно превышает долю мошеннических компаний. Поэтому для поддержки принятия решений заинтересованными сторонами разрабатываются интеллектуальные системы выявления мошенничества в финансовой отчетности. Вместе с тем большинство существующих подходов учитывает только количественные компоненты финансовых коэффициентов, тогда как текстовая информация, особенно комментарии руководства на китайском языке, используется для классификации в меньшей степени. В связи с этим целью данной работы является разработка усовершенствованной системы выявления финансового мошенничества с использованием современных моделей глубокого обучения, основанных на сочетании числовых признаков, полученных из финансовой отчетности, и текстовых данных из разделов «Обсуждение и анализ руководством» (MD&A) годовых отчетов 5130 китайских листинговых компаний. Сначала формируется система финансовых индексов, включающая как финансовые, так и нефинансовые показатели, которые в предыдущих исследованиях обычно не учитывались. Затем текстовые признаки из разделов MD&A годовых отчетов китайских листинговых компаний извлекаются с использованием векторных представлений слов. После этого применяются мощные модели глубокого обучения, а их эффективность сравнивается при использовании числовых данных, текстовых данных и их комбинации. Эмпирические результаты демонстрируют значительное превосходство предложенных методов глубокого обучения над традиционными методами машинного обучения. Подходы на основе долговременной краткосрочной памяти (LSTM) и управляемого рекуррентного блока (GRU) обеспечивают на тестовых выборках показатели правильной классификации 94,98% и 94,62% соответственно, что свидетельствует о перспективности текстовых признаков, извлеченных из разделов MD&A, для классификации и их существенном вкладе в повышение эффективности выявления финансового мошенничества.