論文の概要: Financial Fraud Identification and Interpretability Study for Listed Companies Based on Convolutional Neural Network

• arxiv url: http://arxiv.org/abs/2512.06648v2
• Date: Wed, 10 Dec 2025 02:58:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-11 15:14:53.208666
• Title: Financial Fraud Identification and Interpretability Study for Listed Companies Based on Convolutional Neural Network
• Title（参考訳）: 畳み込みニューラルネットワークに基づく上場企業の財務的不正識別と解釈可能性に関する研究
• Authors: Xiao Li,
• Abstract要約: 本稿では、畳み込みニューラルネットワーク(CNN)に基づく中国のAシェア上場企業を対象とした金融不正検出フレームワークを提案する。 実験の結果、CNNはロジスティック回帰とLightGBMの精度、堅牢性、早期警戒性能に優れていた。 環境指標は, 主に高汚染産業において重要であり, 可溶性, 比構造, 統治構造, 内部統制が詐欺の一般的な予測要因であることがわかった。
• 参考スコア（独自算出の注目度）: 4.504327589607446
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Since the emergence of joint-stock companies, financial fraud by listed firms has repeatedly undermined capital markets. Fraud is difficult to detect because of covert tactics and the high labor and time costs of audits. Traditional statistical models are interpretable but struggle with nonlinear feature interactions, while machine learning models are powerful but often opaque. In addition, most existing methods judge fraud only for the current year based on current year data, limiting timeliness. This paper proposes a financial fraud detection framework for Chinese A-share listed companies based on convolutional neural networks (CNNs). We design a feature engineering scheme that transforms firm-year panel data into image like representations, enabling the CNN to capture cross-sectional and temporal patterns and to predict fraud in advance. Experiments show that the CNN outperforms logistic regression and LightGBM in accuracy, robustness, and early-warning performance, and that proper tuning of the classification threshold is crucial in high-risk settings. To address interpretability, we analyze the model along the dimensions of entity, feature, and time using local explanation techniques. We find that solvency, ratio structure, governance structure, and internal control are general predictors of fraud, while environmental indicators matter mainly in high-pollution industries. Non-fraud firms share stable feature patterns, whereas fraud firms exhibit heterogeneous patterns concentrated in short time windows. A case study of Guanong Shares in 2022 shows that cash flow analysis, social responsibility, governance structure, and per-share indicators are the main drivers of the model's fraud prediction, consistent with the company's documented misconduct.
• Abstract（参考訳）: 株式会社の出現以来、上場企業による金融詐欺は資本市場を何度も弱めている。 秘密の戦術と高い労働力と監査の時間的コストのために、フルートを検出することは困難である。 従来の統計モデルは解釈可能であるが、非線形特徴相互作用に苦しむ一方、機械学習モデルは強力だが、しばしば不透明である。 さらに、既存のほとんどの手法は、現在の年データに基づいて不正を判断し、タイムラインを制限している。 本稿では、畳み込みニューラルネットワーク(CNN)に基づく中国のA株上場企業を対象とした金融詐欺検出フレームワークを提案する。 我々は、CNNが横断的および時間的パターンを捕捉し、事前に不正を予測できるように、一年単位のパネルデータを表現のようなイメージに変換する機能エンジニアリングスキームを設計する。 実験により、CNNはロジスティック回帰とLightGBMよりも精度、堅牢性、早期警戒性能が優れており、分類しきい値の適切な調整はリスクの高い設定において重要であることが示された。 解釈可能性に対処するため,局所的な説明手法を用いて,実体,特徴,時間の次元に沿ってモデルを解析する。 環境指標は, 主に高汚染産業において重要であり, 可溶性, 比構造, 統治構造, 内部統制が詐欺の一般的な予測要因であることがわかった。 非詐欺企業は安定した特徴パターンを共有しているのに対し、詐欺会社は短い時間に集中した異質なパターンを示している。 2022年のGuanong Sharesのケーススタディでは、キャッシュフローの分析、社会的責任、ガバナンス構造、およびシェアごとの指標が、同社の文書化された不正行為と一致して、モデルの詐欺予測の主要な要因であることが示されている。

関連論文リスト

• Towards Explainable and Reliable AI in Finance [2.666791490663749]
  ファイナンスにおける説明可能で信頼性の高いAIへのいくつかのアプローチを提案する。 予測性能と信頼性推定とルールベースの推論を統合することで、我々のフレームワークは透明で監査可能な金融AIシステムを発展させる。
  論文  参考訳（メタデータ） (2025-10-30T11:05:15Z)
• Your AI, Not Your View: The Bias of LLMs in Investment Analysis [62.388554963415906]
  金融において、Large Language Models (LLMs) は、事前訓練されたパラメトリック知識とリアルタイム市場データとの相違から生じる、頻繁な知識紛争に直面している。 これらの対立は、モデル固有のバイアスが制度的目的と誤認される現実世界の投資サービスにおいて特に問題となる。 本研究では,このような紛争シナリオにおける創発的行動を調べるための実験的枠組みを提案し,投資分析におけるバイアスの定量的分析を行う。
  論文  参考訳（メタデータ） (2025-07-28T16:09:38Z)
• Machine Learning based Enterprise Financial Audit Framework and High Risk Identification [6.433444278723668]
  本研究では,企業財務監査とハイリスク識別のためのAI駆動型フレームワークを提案する。 2020年から2025年にかけて、ビッグフォー会計会社(EY、PwC、Deloitte、KPMG)のデータセットを使用して、リスク評価、コンプライアンス違反、不正検出の傾向を調査した。 調査では、Random Forestをコアモデルとして採用し、エンジニアリングによる機能拡張、リアルタイムリスク監視の実装を推奨している。
  論文  参考訳（メタデータ） (2025-07-08T00:22:49Z)
• On the Potential of Network-Based Features for Fraud Detection [3.0846824529023382]
  本稿では、パーソナライズされたPageRank(PPR)アルゴリズムを用いて、詐欺の社会的ダイナミクスを捉える。 主な目的は、従来の特徴と不正検出モデルにおけるPPRの追加を比較することである。 その結果,PPRの統合はモデルの予測能力を向上し,ベースラインモデルを上回ることが示唆された。
  論文  参考訳（メタデータ） (2024-02-14T13:20:09Z)
• Explainable Fraud Detection with Deep Symbolic Classification [4.1205832766381985]
  分類問題に対するDeep Symbolic Regressionフレームワークの拡張であるDeep Classificationを提案する。 関数は閉形式で簡潔な数学的表現であるため、モデルは1つの分類決定のレベルとモデルの決定過程の両方において本質的に説明可能である。 PaySimデータセットの評価は、最先端のモデルと競合する予測性能を示しながら、説明可能性の観点からそれらを上回っている。
  論文  参考訳（メタデータ） (2023-12-01T13:50:55Z)
• Learning for Counterfactual Fairness from Observational Data [62.43249746968616]
  公正な機械学習は、人種、性別、年齢などの特定の保護された(感受性のある)属性によって記述されるある種のサブグループに対して、学習モデルのバイアスを取り除くことを目的としている。 カウンターファクトフェアネスを達成するための既存の手法の前提条件は、データに対する因果モデルの事前の人間の知識である。 本研究では,新しいフレームワークCLAIREを提案することにより,因果関係を付与せずに観測データから対実的に公正な予測を行う問題に対処する。
  論文  参考訳（メタデータ） (2023-07-17T04:08:29Z)
• Transaction Fraud Detection via an Adaptive Graph Neural Network [64.9428588496749]
  本稿では,アダプティブサンプリングとアグリゲーションに基づくグラフニューラルネットワーク(ASA-GNN)を提案する。 ノイズの多いノードをフィルタリングし、不正なノードを補うために、隣のサンプリング戦略を実行する。 3つのファイナンシャルデータセットの実験により,提案手法のASA-GNNは最先端のデータセットよりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-07-11T07:48:39Z)
• Bayesian Bilinear Neural Network for Predicting the Mid-price Dynamics in Limit-Order Book Markets [84.90242084523565]
  伝統的な時系列計量法は、価格力学を駆動する多層相互作用の真の複雑さを捉えることができないことが多い。 最先端の2次最適化アルゴリズムを採用することで、時間的注意を払ってベイジアン双線形ニューラルネットワークを訓練する。 予測分布を用いて推定パラメータとモデル予測に関連する誤差や不確実性を解析することにより、ベイズモデルと従来のML代替品を徹底的に比較する。
  論文  参考訳（メタデータ） (2022-03-07T18:59:54Z)
• Relational Graph Neural Networks for Fraud Detection in a Super-App environment [53.561797148529664]
  スーパーアプリケーションの金融サービスにおける不正行為防止のための関係グラフ畳み込みネットワーク手法の枠組みを提案する。 我々は,グラフニューラルネットワークの解釈可能性アルゴリズムを用いて,ユーザの分類タスクに対する最も重要な関係を判定する。 以上の結果から,Super-Appの代替データと高接続性で得られるインタラクションを利用するモデルには,付加価値があることが示唆された。
  論文  参考訳（メタデータ） (2021-07-29T00:02:06Z)
• Every Corporation Owns Its Image: Corporate Credit Ratings via Convolutional Neural Networks [2.867517731896504]
  企業の信用格付けを予測するため,従来の機械学習モデルの性能を分析した。 本稿では,畳み込みニューラルネットワーク(CCR-CNN)を用いた新しいエンド・ツー・エンド手法,コーポレート・クレジット・レーティングを提案する。 CCR-CNNは最先端のメソッドを一貫して上回る。
  論文  参考訳（メタデータ） (2020-12-03T01:01:34Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。