کاربرد یادگیری ماشین در ارائه الگویی برای کشف تحریفات حسابداری

یادگیری ماشینی یک رشته وسیع است که الگوریتم های یادگیری را طراحی کرده که می تواند محرک ها را هدایت کند، زبان گفتاری را تشخیص دهد و تنظیمات پنهان در رشد حجم داده را کشف کند، که داده های مالی نیز از این قاعده مستثنی نیست. بنابراین هدف از تحقیق حاضر، بررسی کاربرد یادگیری ماشین در ارائه الگویی برای کشف تحریفات با اهمیت حسابداری در شرکت های پذیرفته شده در بورس اوراق بهادار تهران است. تحلیل های آماری پژوهش، براساس داده های استخراج شده 308 شرکت پذیرفته شده در بورس اوراق بهادار تهران در بازه زمانی 1389 تا 1398(3080 سال – شرکت) انجام و به منظور نمونه گیری از روش غربالگری استفاده شد. تحریفات حسابداری متغیر وابسته که از طریق متغیر مجازی صفر و یک بدست آمده و متغیرهای اقلام تعهدی غیر اختیاری، تغییر در حسابهای دریافتنی، تغییر در موجودی کالا، دارایی های نرم، تغییر در فروش نقدی، تغییر در بازده داراییها و انتشار اوراق بهادار به عنوان متغیرهای مستقل در نظر گرفته شده و برای آزمون فرضیه ها از رگرسیون غیرخطی و به منظور پیاده‌سازی الگوریتم خوشه‌بندی medians k و محاسبات مربوطه از نرم افزار محاسبات اماری r استفاده شده است.

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

Abstract 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 nondiscretionary 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 MediansK clustering algorithm and related calculations.