1. Home page
  2. Search

Identification of fraudulent financial statements using data mining techniques

This item is provided by the institution :
Technical University of Crete   

Repository :
Institutional Repository Technical University of Crete   

see the original item page
in the repository's web site and access all digital files if the item*



Εντοπισμός χρηματοοικονομικής απάτης στις δημοσιευμένες οικονομικές καταστάσεις με την εφαρμογή τεχνικών εξόρυξης δεδομένων (EL)
Identification of fraudulent financial statements using data mining techniques (EN)
Τραγουδα Μαρια (EL)
Tragouda Maria (EN)
Δουμπος Μιχαηλ (EL)
Τσαφαρακης Στελιος (EL)
Γαγανης Χρυσοβαλαντης (EL)
Ζοπουνιδης Κωνσταντινος (EL)
Ατσαλακης Γεωργιος (EL)
Spathis Charalampos (EN)
Lemonakis, Christos (EN)
Doumpos Michail (EN)
Zopounidis Konstantinos (EN)
Gaganis Chrysovalantis (EN)
Tsafarakis Stelios (EN)
Atsalakis Georgios (EN)
doctoralThesis
2024
Αν και οι έλεγχοι οικονομικού ελέγχου στις εταιρείες έχουν εξελιχθεί με τα χρόνια, ο αριθμός των περιπτώσεων εταιρικής απάτης αυξάνεται, εντείνοντας έτσι την ανάγκη για διερεύνηση των παραγόντων που μπορούν να χρησιμοποιηθούν ως έγκαιρες προειδοποιητικές ενδείξεις και οδηγώντας στην ανάπτυξη αποτελεσματικών συστημάτων για τον εντοπισμό της οικονομικής απάτης. Στην παρούσα διδακτορική διατριβή διερευνώνται οι οικονομικές καταστάσεις 133 ελληνικών εταιρειών εισηγμένων στο Χρηματιστήριο Αθηνών κατά την περίοδο 2014 έως 2019, με βάση τη θεωρία του διαμαντιού της απάτης. Τα χρηματοοικονομικά δεδομένα και οι μεταβλητές εταιρικής διακυβέρνησης χρησιμοποιούνται ως εισροές σε τεχνικές εξόρυξης δεδομένων για την ανάπτυξη μοντέλων που μπορούν να εντοπίσουν πρότυπα παρατυπιών στις οικονομικές αναφορές μιας εταιρείας. Για το σκοπό αυτό, χρησιμοποιούνται δημοφιλείς αλγόριθμοι ταξινόμησης μηχανικής μάθησης σε μια νέα ρύθμιση ταξινόμησης πολλαπλών ετικετών που όχι μόνο εντοπίζει δόλιες περιπτώσεις, αλλά λαμβάνει επίσης υπόψη τη φύση των σχολίων των ελεγκτών. Τα αποτελέσματα δείχνουν ότι η προτεινόμενη προσέγγιση πολλαπλών ετικετών παρέχει βελτιωμένα αποτελέσματα σε σύγκριση με τους αλγόριθμους δυαδικής ταξινόμησης, αποφεύγοντας ασυνεπή αποτελέσματα όσον αφορά την ύπαρξη διαφορετικών μορφών χειραγώγησης των οικονομικών καταστάσεων. (EL)
Although the financial audit controls in companies have advanced over the years, the number of corporate fraud instances is growing, thus raising the need for investigating the factors that can be used as early-warning signals and developing effective systems for identifying financial fraud. In this thesis, financial statements from 133 Greek companies listed in the Athens Stock Exchange over the period 2014 to 2019 are investigated, based on the fraud diamond theory. Financial data and corporate governance variables are used as inputs to data mining techniques to develop models that can identify patterns of irregularities in a company’s financial reports. To this end popular machine learning classification algorithms are employed in a novel multi-label classification setting that not only identifies fraudulent cases, but also considers the nature of the auditors’ comments. The results indicate that the proposed multi-label approach provides enhanced results compared to binary classification algorithms, avoiding inconsistent outputs with respect to the existence of different forms of manipulation of financial statements. (EN)
Financial auditing (EN)
Data mining techniques (EN)
English
Πολυτεχνείο Κρήτης (EL)
Πολυτεχνείο Κρήτης::Σχολή Μηχανικών Παραγωγής και Διοίκησης (EL)
Technical University of Crete (EN)
Technical University of Crete::School of Production Engineering and Management (EN)
Technical University of Crete
Institutional Repository Technical University of Crete
School of Electrical and Computer Engineering - Diploma Works
Distributed Multimedia Information Systems and Applications Laboratory - Diploma Works



*Institutions are responsible for keeping their URLs functional (digital file, item page in repository site)