كاربرد يادگيري ماشين در ارائه الگويي براي كشف تحريفات حسابداري

The application of machine learning model for detection of falsification of accounting

يادگيري ماشيني يك رشته وسيع است كه الگوريتم هاي يادگيري را طراحي كرده كه مي تواند محرك ها را هدايت كند، زبان گفتاري را تشخيص دهد و تنظيمات پنهان در رشد حجم داده را كشف كند، كه داده هاي مالي نيز از اين قاعده مستثني نيست. بنابراين هدف از تحقيق حاضر، بررسي كاربرد يادگيري ماشين در ارائه الگويي براي كشف تحريفات با اهميت حسابداري در شركت هاي پذيرفته شده در بورس اوراق بهادار تهران است. تحليل هاي آماري پژوهش، براساس داده هاي استخراج شده 308 شركت پذيرفته شده در بورس اوراق بهادار تهران در بازه زماني 1389 تا 1398(3080 سال – شركت) انجام و به منظور نمونه گيري از روش غربالگري استفاده شد. تحريفات حسابداري متغير وابسته كه از طريق متغير مجازي صفر و يك بدست آمده و متغيرهاي اقلام تعهدي غير اختياري، تغيير در حسابهاي دريافتني، تغيير در موجودي كالا، دارايي هاي نرم، تغيير در فروش نقدي، تغيير در بازده داراييها و انتشار اوراق بهادار به عنوان متغيرهاي مستقل در نظر گرفته شده و براي آزمون فرضيه ها از رگرسيون غيرخطي و به منظور پياده‌سازي الگوريتم خوشه‌بندي Medians- K و محاسبات مربوطه از نرم افزار محاسبات اماري R استفاده شده است.

Machine learning is a broad discipline that has designed learning algorithms that can guide stimuli, detect spoken language, and discover hidden adjustments in data volume growth, of which financial data is no exception. Therefore, the purpose of this study is to investigate the application of machine learning in providing a model for detecting accounting distortions in companies listed on the Tehran Stock Exchange. Statistical analysis of the research was performed based on the extracted data of 308 companies listed on the Tehran Stock Exchange in the period 1389 to 1398 (3080 years - company) and the screening method was used for sampling. Accounting distortions of the dependent variable obtained through the virtual variable zero and one and the variables of non-discretionary accruals, change in accounts receivable, change in inventory, soft assets, change in cash sales, change in return on assets and issuance of securities as Independent variables are considered and nonlinear regression is used to test the hypotheses and R statistical calculation software is used to implement the Medians-K clustering algorithm and related calculations.