LuanVan.vnLuận Văn
Gửi thư

Ứng dụng mô hình M-Score và xây dựng mô hình Machine Learning với thuật toán Random Forest để phát hiện rủi ro sai lệch trong Báo cáo tài chính của các Công ty được niêm yết trên sàn giao dịch chứng khoán HOSE

Luận văn · Thạc sĩ · năm 2024 · đề tài tham khảo

Loại tài liệuLuận văn
Bậc họcThạc sĩ
NgànhKế toán, kiểm toán
Tác giảTrần Trung Thuận
Người hướng dẫnNguyễn Ngọc Định
Cơ sở đào tạoTrường Đại học Kinh tế TP. Hồ Chí Minh
Năm2024
NguồnThư viện số Trường Đại học Kinh tế TP. Hồ Chí Minh · trang gốc

Tóm tắt

Đề tài “Ứng dụng mô hình M-Score và xây dựng mô hình Machine Learning với thuật toán Random Forest để phát hiện rủi ro sai lệch trong Báo cáo tài chính của các Công ty được niêm yết trên sàn giao dịch chứng khoán HOSE” với mục đích xem xét hiệu quả của hai phương pháp nhận diện nguy cơ sai lệch tài chính giữa mô hình M-Score của Beneish và thuật toán Random Forest. Thông tin dữ liệu được thống kê từ 272 doanh nghiệp đại chúng trên sàn HOSE trong thời kỳ từ 2013-2023, với yếu tố sai lệch được xác định thông qua mức độ chênh lệch trong lợi nhuận trước thuế trước khi kiểm toán và sau khi kiểm toán. Tác giả nhận định, trong khi mô hình M-Score dựa trên các biến tài chính cơ bản như DSRI, GMI, AQI, SGI, DEPI, SGAI, TATA và LVGI, có cơ sở lý thuyết mạnh mẽ nhưng lại gặp khó khăn khi áp dụng vào dữ liệu thực tế. Các hệ số hồi quy khi sử dụng hồi quy logistic theo mô hình của Beneish không có nhiều ý nghĩa thống kê, cho thấy mô hình này không đủ mạnh để nhận diện sai lệch trong môi trường doanh nghiệp Việt Nam. Điều này có thể xuất phát từ việc các công ty trong nước có thể sử dụng những kỹ thuật sai lệch khác biệt so với các nước ngoài. Ngược lại, mô hình Machine Learning với thuật toán Random Forest đã cho thấy sự vượt trội rõ rệt, đạt tỷ lệ chính xác lên đến 91.28%. Thuật toán này không chỉ cải thiện khả năng dự đoán mà còn giúp xác định các biến số quan trọng nhất trong việc nhận diện sai lệch. Đặc biệt, các biến GMI và SGAI đã đóng vai trò quyết định trong việc nhận diện thao túng tài chính, phản ánh mức độ xử lý dữ liệu mạnh mẽ của thuật toán đối với dữ liệu phức tạp và đa chiều. Sau khi tổng hợp các kết quả, tác giả nhận định việc phối hợp các cách thức truyền thống như M-Score với công nghệ cao như học máy sẽ mở ra những hướng đi mới hiệu quả hơn trong nhận diện được nguy cơ doanh nghiệp thao túng tài chính. Điều này giúp nâng cao sự rõ ràng của thị trường tài chính Việt Nam, cũng như hỗ trợ nhà đầu tư trong quá trình đầu tư vào doanh nghiệp
Bản toàn văn lưu tại thư viện Trường Đại học Kinh tế TP. Hồ Chí Minh

Thông tin và tóm tắt ở trên lấy từ kho số mở của thư viện trường. Bản toàn văn do thư viện trường quản lý — có nơi cho đọc trực tuyến, có nơi cần tài khoản bạn đọc của trường.

Mở tại thư viện trường ↗
Dùng tài liệu tham khảo cho đúng
  • Đọc để hiểu cách người trước đặt câu hỏi, chọn phương pháp, trình bày số liệu — rồi tự làm với dữ liệu và bối cảnh của bạn.
  • Ý, số liệu, bảng biểu lấy từ tài liệu này phải trích dẫn (tác giả, năm, tên đề tài, cơ sở đào tạo).
  • Đề tài trùng tên vẫn làm được nếu khác đơn vị khảo sát, thời gian hoặc cách tiếp cận — nêu rõ điểm khác trong phần mở đầu.

Hướng dẫn chọn đề tài, cấu trúc và số liệu cho ngành này: Luận văn kế toán, kiểm toán · Hỏi đáp từng chương với người hướng dẫn số: Học Giả Số · Công cụ số: Luận Văn Số.

Đề tài cùng ngành

Tác giả muốn gỡ, sửa thông tin hoặc bổ sung bản toàn văn: gửi yêu cầu qua trang Liên hệ, kèm đường dẫn trang này.

Tải ứng dụng AI Học Thuật

Tư vấn học thuật, luận văn, công bố quốc tế với chuyên gia — miễn phí trên iPhone, iPad và Android.

Download on the App Store Tải trên Google Play