利用向量量化自编码器神经网络在财务报表审计中学习抽样
机器学习
2020-08-07 v1 机器学习
摘要
财务报表审计旨在收集合理保证，以确认已出具报表不存在重大错报（真实与公允列报）。国际审计准则要求对报表所依据的会计相关交易（称为“日记账分录”）进行评估，以发现潜在错报。为高效审计此类不断增多的分录，审计人员定期进行基于抽样的评估，称为“审计抽样”。然而，审计抽样任务常在整体审计过程早期执行，往往处于审计人员可能尚未知晓所有生成因素及其动态（这些因素导致了审计范围内的日记账分录）的阶段。为克服此挑战，我们提出应用向量量化变分自编码器（VQ-VAE）神经网络。基于两个真实城市支付数据集，我们证明此类人工神经网络能够学习会计数据的量化表示。我们表明，所学量化揭示了（i）潜在变异因素，且（ii）可用作财务报表审计中具高度代表性的审计样本。
引用
@article{arxiv.2008.02528,
title = {Learning Sampling in Financial Statement Audits using Vector Quantised Autoencoder Neural Networks},
author = {Marco Schreyer and Timur Sattarov and Anita Gierbl and Bernd Reimer and Damian Borth},
journal= {arXiv preprint arXiv:2008.02528},
year = {2020}
}
备注
8 pages, 5 figures, 3 tables, to appear in Proceedings of the ACM's International Conference on AI in Finance (ICAIF'20), this paper is the initial accepted version