ИСПОЛЬЗОВАНИЕ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В РЕШЕНИИ ПРОБЛЕМ АССИМЕТРИИ ФИНАНСОВОЙ ОТЧЕТНОСТИ
DOI:
https://doi.org/10.25806/uu11-32021764-770Статья поступила в редакцию: 29.11.2021
Статья принята к публикации: 07.12.2021
Статья опубликована: 14.12.2021
Ключевые слова:
мошенничество с финансовой отчетностью; устойчивое развитие; рынок капитала; информационная асимметрия; глубокое обучение; нейронная сеть.Аннотация
С наступлением эры больших данных новые технологии, такие как облачные вычисления и искусственный интеллект, меняются с каждым днем. Все больше и больше науки и технологий применяются в финансовой сфере, что в значительной степени способствует новому витку процветания и развития финансовых рынков. Однако, поскольку большие данные обладают такими характеристиками, как высокая скорость распространения, широкая зона проникновения, сильное сокрытие и сложность надзора, интеграция технологий и финансов в эпоху больших данных также порождает некоторые новые проблемы риска. Исходя из этого, данная статья начинается с коннотации и характеристик финансовых технологий, резюмирует характеристики рисков финансовых технологий и предлагает соответствующие контрмеры, направленные на содействие здоровому и стабильному развитию финансовых технологий. Информационная асимметрия повсюду в финансовом состоянии, финансовой информации и финансовых отчетах из-за проблем агентств и, таким образом, может серьезно поставить под угрозу устойчивость корпоративных операций и надлежащее функционирование рынков капитала. В эпоху больших данных и искусственного интеллекта глубокое обучение применяется во многих различных областях.
Информация о публикации
Финансирование: Исследование выполнено без привлечения внешнего финансирования, если иное не указано авторами.
Вклад авторов: Все авторы внесли существенный вклад в подготовку статьи, ознакомились с окончательной версией рукописи и одобрили ее к публикации.
Конфликт интересов: Авторы заявляют об отсутствии конфликта интересов, если иное не указано в публикации.
Правообладатель: Издательский дом «Академический».
Лицензия: Статья распространяется на условиях лицензии Creative Commons Attribution 4.0 International (CC BY 4.0).
Машиночитаемый файл метаданных: JATS XML
Список литературы
Jan C.L. Financial information asymmetry: Using deep learning algorithms to predict financial distress. Symmetry. 2021. № 13. Р. 443.
Jan C.L. An effective financial statements fraud detection model for the sustainable development of financial markets: Evidence from Taiwan. Sustainability. 2018. № 10. Р. 513.
Report to the Nations Editorial Board. 2020 Global Study on Occupational Fraud and Abuse; Association of Certified Fraud Examiners: Austin, TX, USA, 2020.
Khan M.A., Vivek V., Nabi M.K., Khojah M., Tahir M. Students’ perception towards E-learning during COVID-19 pandemic in India: An empirical study. Sustainability. 2021. № 13. Р. 57.
Vartholomatou K., Pendaraki K., Tsagkanos A. Corporate bonds, exchange rates and business strategy. Int. J. Bank. Account. Financ. 2021. № 12. Р. 97–117.
Martins O.S., Júnior R.V. The influence of corporate governance on the mitigation of fraudulent financial reporting. Rev. Bus. Manag. 2020. № 22. Р. 65–84.
Tsagkanos G.A. Stock market development and income inequality. J. Econ. Stud. 2017. № 44. Р. 87–98.
Yeh C.C., Chi D.J., Lin T.Y., Chiu S.H. A hybrid detecting fraudulent financial statements model using rough set theory and support vector machines. Cyb. Sys. 2016. № 47. Р. 261–276.
Dorminey J., Fleming A.S., Kranacher M.J., Riley R.A. The evolution of fraud theory. Issues Account. Educ. 2012. № 27. Р. 555–579.
Chui L., Pike B. Auditors’ responsibility for fraud detection: New wine in old bottles? J. Forensic Investig. Account. 2013. № 56. Р. 204–233.
Papik M., Papikova L. Detection models for unintentional financial restatements. J. Bus. Econ. Manag. 2020. № 21. Р. 64–86.
Gepp A., Kumar K., Bhattacharya S. Lifting the numbers game: Identifying key input variables and a best-performing model to detect financial statement fraud. Account. Financ. 2020. Р. 1–38.
Yao J., Zhang J., Wang L. A financial statement fraud detection model based on hybrid data mining methods. In Proceedings of the 2018 International Conference on Artificial Intelligence and Big Data, Chengdu, China, 26–28 May, 2018. P. 57–61.
Hamal S., Senvar O. Comparing performances and effectiveness of machine learning classifiers in detecting financial accounting fraud for Turkish SMEs. Int. J. Comput. Intell. Syst. 2021. № 14. Р. 769–782.
Hinton G.E., Srivastava N., Krizhevsky A., Sutskever I., Salakhutdinov R.R. Improving neural networks by preventing co-adaptation of feature detectors (2012).
Baharudin B., Lee L.H., Khan K. A review of machine learning algorithms for text-documents classification. J. Adv. Inf. Technol. 2010. № 1 (1). Р. 4-20.
