20220102_叶鑫_论文展示1

这篇论文的展示主要关注的是欺诈预测错误的成本以及其在会计、审计和财务经济学研究中的重要性。叶鑫在2022年1月9日进行了这次分享。长期以来，成本一直是这些领域研究的核心，因为经济主体在做决策时会权衡成本和收益。然而，对于许多成本的具体数额，尤其是与预测财务报表欺诈相关的模型中的成本，实证证据却相对匮乏。 研究动机在于，通过评估模型的净成本或收益来比较模型是重要的，因为迄今为止，关于决策者如何权衡假阳性和假阴性的成本率的估计仍然停留在假设阶段。常用的比较指标如ROC曲线下的面积（ROC-AUC）和误分类预期成本（ECM），在罕见事件的研究中可能高估模型性能，或者对预测错误相对成本的假设过于理想化。 论文探讨了多种欺诈预测模型，包括Beneish的M-Score（-1.78），当M-Score超过这个阈值时，公司被标记为潜在操纵者；Cecchini（2010）的金融核模型，基于支持向量机；Dechow等人（2011）的F-Score（2.45）；Amiram等人（2015）的FSD分数，关注数字分布的一位数；Chakrabarty等人（2019）调整后的Benford得分；Alawadhi等人（2019）的误导模型，结合了以前模型中的变量和新变量；以及Bao等人（2020）基于机器学习的预测模型。 研究结论表明，对于审计师来说，只有两种经济上可行的模型/决策规则：一是调查F-Score高于2.45的公司，二是调查M-Score高于1.78的重述公司。对于投资者而言，只有一项模型经济上有意义，即基于机器学习的预测模型。这强调了不同模型在不同决策者之间的适用性和成本效益差异。 此外，该研究提出了一种基于成本的衡量标准，可以针对每个决策者进行具体估算，这比传统指标更能准确反映模型性能。这种成本基础的方法有助于更真实地评估模型预测错误的影响，从而为实际决策提供更有力的依据。 这项研究揭示了欺诈预测模型的误差成本对不同利益相关者的影响，并提出了一种新的评估模型性能的方法，强调了在财务欺诈检测中考虑成本效益分析的重要性。这对于审计行业、投资者保护以及风险管理具有深远的实践意义。通过精确量化预测错误的成本，研究者和从业者可以更好地选择和优化欺诈检测工具，以降低误报和漏报的风险。