An Efficient Resampling Technique for Financial Statements Fraud Detection: A Comparative Study
Notice bibliographique
Résumé
Financial statement fraud detection is the process of identifying falsified financial statements. Traditional auditing methods are time-consuming, expensive, and subject to error. Therefore, adopting an efficient and robust machine learning mechanism is important. Unfortunately, the current data sources suffer from a severe class imbalance. The lack of sufficient fraudulent financial statement records inspires the use of various resampling techniques. This paper a) examines the efficiency of different resampling strategies to detect fraudulent financial statements while employing multi-layer feedforward neural networks, support vector machines, and naïve Bayes machine learning models, and b) investigates the superiority of using Raw Accounting Variables (RAVs) over financial ratios for financial statement fraud detection. A benchmark dataset of numerical financial variables (RAVs and financial ratios) is used as features for model evaluation. The fraud labels correspond to the Accounting and Auditing Enforcement Releases by the U.S. Securities and Exchange Commission (SEC). We analyze the performance of the models on 28 RAVs and 14 financial ratios suggested by accounting experts. Using the area under the receiver operating characteristic curve (AUC) as the performance metric, the synthetic minority oversampling technique (SMOTE), along with a three-layer feedforward neural network (AUC: 0.863), greatly outperformed the RUSBoost (AUC: 0.717) model.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,008 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».