پيش بيني طرح تقلب در گزارشگري مالي با استفاده از رويكرد يادگيري ماشين در فضاي چند كلاسه

هدف از انجام پژوهش حاضر بررسي عملكرد الگوهاي يادگيري ماشين در پيش بيني طرح هاي تقلب مورد استفاده در گزارشگري مالي در فضاي چند كلاسه با استفاده از مجموعه داده نامتوازن است. از اين رو صورت هاي مالي 134 شركت‌پذيرفته شده در بورس اوراق بهادار تهران در قلمرو زماني سال 1387 الي 1399 با استفاده از روش هاي رگرسيون لجستيك، درخت تصميم، الگوريتم گراديان تقويت شده و ماشين بردار پشتيبان مورد تحليل و بررسي قرار گرفته اند. الگوهاي مزبور در محيط پايتون با رويكرد چندكلاسه پياده سازي و اجرا شدند. معيار ارزيابي عملكرد محاسبه و مقايسه شد. افزون بر اين عملكرد الگوهاي يادگيري ماشين در تشخيص نوع تقلب در صورت هاي مالي با رويكرد دوكلاسه و بر اساس مجموعه داده متوازن نيز بررسي گرديد. نتايج پژوهش نشان مي دهد تفاوت معنادار در عملكرد الگوهاي يادگيري ماشين در فضاي چند كلاسه وجود دارد و روش ماشين بردار پشتيبان نسبت به ساير روش ها عملكرد بهتري دارد. با تقليل فضاي مسئله به دسته بندي دو كلاسه تفاوت معنادار در عملكرد الگوهاي يادگيري ماشين در تشخيص گزارش‌هاي مالي مشكوك به بيش نمايي دارايي، كم نمايي بدهي و هزينه ، بيش نمايي دارايي و كم نمايي هزينه و كم نمايي هزينه و بدهي تاييد نشد. با اين حال، عملكرد ماشين بردار پشتيبان بر عملكرد روش رگرسيون لجستيك و درخت تصميم در پيش بيني گزارش‌هاي مالي مشكوك به بيش نمايي دارايي و درآمد ارجح است. پژوهش حاضر با توسعه فضاي مسئله با هدف دسته بندي چندكلاسه سعي دارد شكاف تحقيقاتي موجود در قلمرو موضوعي پژوهش را رفع ‌نمايد.