Predicting fraudulent financial activities through neural network algorithms
- Global styles
- Apa
- Bibtex
- Chicago Fullnote
- Help
Abstract
Dünya çapında yasal düzenlemelere rağmen (Sarbanes-Oxley Yasası, Fransa Finansal Güvenlik Yasası, Birleşik Krallık 2006 yılı Hile Yasası) finansal hileler bugünün sermaye piyasaları için hala ana sorunlardan birisidir. Bu çalışma, Amerika Birleşik Devletleri borsalarında (NYSE ve NASDAQ) çapraz listelenen firmaların hileli finansal aktivite risklerinin Sinir Ağları temelli algoritmalar kullanılarak tahminlenmesini amaçlamaktadır. Bu çalışmada, kapsamlı bir veriseti oluşturabilmek için finansal hile davaları, finansal tablo verileri, kurumsal yönetim verileri ve makroekonomik gösterge verileri toplanmıştır. Bu yöntem sayesinde bu çalışma hile tespitinde sadece firmaya özgü yönlere odaklanmak yerine ülkelere özgü kurumsal etmenleri de kapsayan oldukça geniş çaplı bir çerçeve geliştirmeye çalışmaktadır. Bu çalışma makine öğrenme temelli dört sınıflandırma algoritmasını kullanmaktadır. Rassal Orman ve C4.5 algoritmaları diğer kullanılan algoritmalardan daha iyi sonuçlar elde etmiştir. Dahası, bu çalışma literatürdeki önceki çalışmaların sınıflandırma performanslarından daha iyi sonuçlara ulaşmıştır. Despite worldwide regulatory efforts (e.g., Sarbanes – Oxley Act, Financial Security Law of France, Fraud Act 2006 of the United Kingdom), fraud is still a major concern of today's capital markets. This study aims to forecast the risk of fraudulent financial activities of cross-listed companies in US stock exchanges (NYSE, NASDAQ) by employing a Neural Network based algorithm. Data of financial fraud filings, financial statements, corporate governance variables, and macroeconomic indicators are collected to construct a comprehensive study. By this method, this study tries to develop a broader framework on fraud detection that does not focus only on firm-specific aspects, instead of covering a more comprehensive dataset, which incorporates country-specific institutional factors into consideration. This study employs four machine learning based classification algorithms. Random Forest and C4.5 algorithm outperformed others with superior classification power. Moreover, this study mostly exceeds the classification ability of the previous literature.
Collections