تشخیص تقلب در صورت‌های مالی با استفاده از یادگیری عمیق برای توسعه پایدار بازارها

نوع فایل : word

تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش : 28

تعداد کلمات : 8300

مجله : sustainability

انتشار : 2021

ترجمه متون داخل جداول : ترجمه شده است

درج جداول در فایل ترجمه : درج شده است

منابع داخل متن : به صورت فارسی درج شده است

کیفیت ترجمه : طلایی

:

تاریخ انتشار
11 مارس 2022
دسته بندی
تعداد بازدیدها
1189 بازدید
38,000 تومان

عنوان فارسی مقاله:تشخیص تقلب در صورت‌های مالی با استفاده از یادگیری عمیق برای توسعه پایدار بازارهای سرمایه تحت عدم تقارن اطلاعاتی

 چکیده

  عدم تقارن اطلاعات در همه جا در وضعیت مالی، اطلاعات مالی و گزارش های مالی به دلیل مشکلات نمایندگی وجود دارد و در نتیجه ممکن است پایداری عملیات شرکت و عملکرد مناسب بازارهای سرمایه را به طور جدی به خطر بیندازد. در این عصر داده های بزرگ و هوش مصنوعی، یادگیری عمیق در بسیاری از حوزه های مختلف اعمال می شود. این مطالعه هم داده‌های مالی و هم داده‌های غیرمالی شرکت‌های فهرست‌شده TWSE/TEPx را در سال‌های ۲۰۰۱-۲۰۱۹ با نمونه‌گیری از ۱۵۳ شرکت، شامل ۵۱ شرکت گزارش‌دهنده تقلب در صورت‌های مالی و ۱۰۲ شرکت که تقلب در صورت‌های مالی را گزارش نمی‌کنند، بررسی می‌کند. دو الگوریتم یادگیری عمیق قدرتمند (یعنی شبکه عصبی بازگشتی (RNN) و حافظه کوتاه مدت (LSTM)) برای ساخت مدل‌های تشخیص تقلب صورت‌های مالی استفاده می‌شوند. نتایج تجربی نشان می دهد که مدل LSTM از مدل RNN در تمام شاخص های عملکرد بهتر عمل می کند. مدل LSTM دقت ۹۴٫۸۸% را نشان می‌دهد که پرکاربردترین شاخص عملکرد است(تشخیص تقلب در صورت‌های مالی).

ادامه مطلب

راهنمای خرید:
  • لینک دانلود فایل بلافاصله بعد از پرداخت وجه به نمایش در خواهد آمد.
  • همچنین لینک دانلود به ایمیل شما ارسال خواهد شد به همین دلیل ایمیل خود را به دقت وارد نمایید.
  • ممکن است ایمیل ارسالی به پوشه اسپم یا Bulk ایمیل شما ارسال شده باشد.
  • در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.

Title: Detection of Financial Statement Fraud Using Deep Learning for Sustainable Development of Capital Markets under Information Asymmetry

Abstract

 Information asymmetry is everywhere in financial status, financial information, and financial reports due to agency problems and thus may seriously jeopardize the sustainability of corporate operations and the proper functioning of capital markets. In this era of big data and artificial intelligence, deep learning is being applied to many different domains. This study examines both the financial data and non-financial data of TWSE/TEPx listed companies in 2001–2019 by sampling a total of 153 companies, consisting of 51 companies reporting financial statement fraud and 102 companies not reporting financial statement fraud. Two powerful deep learning algorithms (i.e., recurrent neural network (RNN) and long short-term memory (LSTM)) are used to construct financial statement fraud detection models. The empirical results suggest that the LSTM model outperforms the RNN model in all performance indicators. The LSTM model exhibits accuracy as high as 94.88%, the most frequently used performance indicator.