• 主题
高级搜索  >
历史搜索 清空历史
首页> 中文学位 >Detecting a Fraudulent Financial Statement and Reducing Internal Fraud,Using Data Mining Techniques by Amos Iseorukarima Iruenabere
【6h】

Detecting a Fraudulent Financial Statement and Reducing Internal Fraud,Using Data Mining Techniques by Amos Iseorukarima Iruenabere

代理获取
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

欺诈检测在许多行业是比较实用的研究对象，例如银行、金融领域、保险、政府机关和执法部门等等。最近几年欺诈事件急剧增加，使欺诈检测比以往更加重要。尽管在受影响的一些机构做了很多这方面努力，但每年因欺诈损失数以亿计。尤其是虚假财务报表，不仅对个人投资者，也对全球经济的整体稳定性带来不利影响。
　　 虽然在定义方面稍有差异，但欺诈财务报表是由注册欺诈协会定义，注册欺诈“蓄意，刻意，虚假陈述或遗漏事实，以及会计数据引起的误导，当所有这些信息符合，会造成读者改变或更改他(她)的判断或决定。”在实际情况中，欺诈财务报表包含：
　　 (1)财务记录篡改
　　 (2)故意遗漏大事、交易、账目和财政报表中需要准备的其他重要信息，或滥用会计原则、政策，以及滥用用于测量、确认、报告的程序，以及泄露商业交易。
　　 这篇论文中使用数据挖掘技术帮助确认欺诈性财政报表，以及使用决策树、神经网络和贝叶斯信念网络减少内部欺诈。这些技术是有利的，尤其是当有新的欺诈财政报表方法适应这些检测技术。
　　 “用不同的模型使用相同数据样本对这三种技术进行了比较，结果显示BBN技术优于其他两种模式，而能达到更好的分类精度。”
　　 本文也探讨了一种涉及多领域知识的自适应框架(基于响应曲面模型)，来检测欺诈财务报表以及如何减少内部欺诈。最后，即本文建议，在如今财政欺诈发展的时代，在一些专业领域知识，计算机辅助自动欺诈检测机制将会非常有效和高效。
　　 三种模型分别基于不同的方法建立。首先，决策树模型是利用Sipina调查版软件建立的。该模型建立置信度水平为0.05。本文使用整个样本作为训练设置。
　　 该模型是以训练样本为测试并设法恰当地分成73例(一般性能达到96％)。更确切地说，决策树分类为所有非欺诈例和35138欺诈例(92％)。算法使用变量Z分数作为第一个分析法。35/38欺诈企业提出一个相当低的Z分数值(z分数<1.49)。因为Altman认为Z分数值1.81作为一个切断点来规定美国生产公司的财政危机(Altman，2001)，可以推断出样本中财政危机的公司包含试图篡改财政报表。作为第二个水平分析法，使用了两个与盈利有关的变量(NPTA和EBIT)。高Z分数的非欺诈企业表明具有高盈利能力，而低Z分数的欺诈企业表明具有低盈利能力。在第二个实验中，我们构建了神经网络模型，使用分类软件中商标注册为7的非线性网络来构建一个多层感知前馈网络。在测试一些替代性设计和执行初步训练后，选择了一个包含5个隐藏节点的隐藏层的拓扑。
　　 当使用全部的样本对所选择的网络进行测试，这个网络能100％地成功分类这些实例。但是，软件没有对突触权重的连接提供透明的接口，因此我们不能对每一个输入变量的重要性进行评估。在第三个试验中，我们开发贝叶斯信任度网络。我们使用BN Power Predictor软件。这个软件能从数据中获得分类器。这个能执行的算法是基于条件无关的测试的，并且不需要结点的排序(Cheng& Greiner，2001)。由于软件的限制，我们使用数值离散化办法。在测试不同的离散方法(相等的深度，相等的宽度)后，我们选择被监管的离散方法。与其他的离散方法不同，基于熵的被监管离散方法利用了类的信息。这样就使得被定义的间隔信息可以帮助提高分类的准确率(Han& Camber，2000)。对贝叶斯信任度网络里进行测试，我们把全部的样本作为训练集，这个网络能分来72个实例(达到了95％的正确率)。特别的是，该网络能正确分出37个伪实例(97％)与35个非伪实例(92％)。这个贝叶斯信仟度网络能用于更加广泛的方面，例如针对财务报表的篡改。在网络中，网络骗子强烈依赖输入的变量Z-SCORE，DEBTEQ，NPTA，SALTA and WCTA。上述的每一个变量表现公司经济数据的一个方面。Z-SCORE指的是财政窘迫，DEBTEQ指的是影响，NPTA指利润，SALTA指销售情况，WCTA指解决办法。因此这个信任度网络能记录金融数据与篡改数据之间的依赖关系，能记录一个公司的巨大金融状况的数据。这个结果指出了NN模型能有效识别FFS公司与non-FFS公司，仅次于BBN与ID3模型。使用训练集来评估模型的性能会有倾向性的问题。在很多情况下，这个模型倾向于去记忆样本而不是学习。为了消除这样的一个倾向问题，评估上述模型的性能要相对于之前未被发现的样式。现在有一些方法用于模型的认证，相当于把样本切分成训练的与单独拿出的，每10个折叠的进行认证就有一个要拿出的。虽然我们使用的3个软件包有认证能力，但是不可能做到跟踪一个常见的认证程序而不是3个软件包的方法学与数据。因此，我们只好周期性地拆分样本，创建训练集与验证集。我们选择跟踪10次折叠的交错验证方法。在10次折叠的交叉核实中，样本分割成10次折叠。在一个分层的方法里，每个折叠包含了相同数量的伪实例与非伪实例。模型保留9个折叠，通过使用要被拿出的折叠进行测试。最后，计算出平均性能。正如所期待的，验证集的争取率要低于训练集。然而这三个模型的性能差别很大。决策树在训练的正确分类的概率为96％，在验证样本的分类准确率大大低于它。在所有的样本中，这个模型正确分类73.6％，75％的伪实例与72.5％的非伪实例。
　　 在训练集上有100％性能的神经网络模型，能正确分类80％的验证集，82.5％的伪实例与77.5％的非伪实例。
　　 最后，贝叶斯信任度网络模型在训练集上有较低的精确度，正确分类91.7％的伪实例，88.9％的非伪实例与90.3％的验证集。在一个对模型性能的对比评估中，我们得到这样的结论，贝叶斯信任度网络要胜过另外两个模型，并有突出的分类的精确度。神经网络达到一个令人满意的高性能。最后，决策树的性能是非常低的。在评估一个模型的性能的时候，另外一个重要的考虑因素是类型1与类型Ⅱ的错误率。类型Ⅰ的错误是一个骗子公司被认为是可信的。类型Ⅱ的错误时一个非骗子公司被认为是骗子。类型Ⅰ与类型Ⅱ错误有不同的开销。分类一个骗子公司与可信公司的过程中，会导致错误的决定，就会造成严重的经济损失。把一个可信公司错误的分类会在时间开销上造成额外的侦查。虽然每个模型都希望减少类型Ⅰ与类型Ⅱ的错误率，但是某一个模型都会倾向于更大程度上减少某一种类型错误率。在我们验中，所有的模型都专注更低的类型Ⅰ错误率。神经网络在vhulv两种类型的错误率的程度上有最大的区别。

著录项

相似文献

  • 中文文献
  • 外文文献
  • 专利
代理获取

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号