.png){kind=icon}
返回
Misstatement Detection Lag and Prediction Evaluation
.png){kind=icon}
PRE
AI
DOI：10.2308/TAR-2023-0073.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
会计错报的识别往往存在显著延迟，若未考虑识别时滞，将导致模型预测产生前瞻性偏差。此外，由于监管体制的变迁，错报数据生成过程正不断演变，进一步增加了模型预测评估的复杂性。我们设计了一种方法，该方法考虑了识别时滞并持续更新模型以适应变化的数据生成过程。通过与忽略识别时滞的传统方法进行比较，我们发现前瞻性偏差能显著虚高预测性能。我们还证明，尽管在训练样本和测试样本之间设置时间间隔可以缓解前瞻性偏差，但这种方法通过割裂训练期与测试期之间的动态数据生成过程，牺牲了模型的预测能力。此外，我们进一步实施了一种交易策略，以评估持续更新方法在实践中的有效性。本研究为理解和评估错报预测模型提供了一个新的概念视角。
Keyword:
misstatement
restatement
detection lag
look-ahead bias
continuously updating approach
machine learning
hyperparameter tuning
performance evaluation
trading strategy
期刊
IF:
4.4
论文数:
2.4K
被引数:
2.0W
机构
引用论文
Finding Needles in a Haystack: Using Data Analytics to Improve Fraud Prediction大海捞针: 利用数据分析改进欺诈预测.png)
ACCOUNTING REVIEW
ACCOUNTING REVIEWIF4.4
PREAI
分享收藏The Importance of Distinguishing Errors from Irregularities in Restatement Research: The Case of Restatements and CEO/CFOACCOUNTING REVIEW
ACCOUNTING REVIEWIF4.4
PREAI
分享收藏Financial reporting fraud and other forms of misconduct: a multidisciplinary review of the literature财务报告欺诈和其他形式的不当行为: 文献的多学科回顾
PREAI
分享收藏
查看更多内容