Institutional Repository [SANDBOX]
Technical University of Crete
EN  |  EL

Search

Browse

My Space

Identification of fraudulent financial statements using data mining techniques

Tragouda Maria

Simple record


URIhttp://purl.tuc.gr/dl/dias/9B5379D5-7D2A-421A-91F1-F9761FE1E9D8-
Identifierhttps://doi.org/10.26233/heallink.tuc.100454-
Languageen-
Extent109 pagesen
Extent3.3 megabytesen
TitleIdentification of fraudulent financial statements using data mining techniquesen
TitleΕντοπισμός χρηματοοικονομικής απάτης στις δημοσιευμένες οικονομικές καταστάσεις με την εφαρμογή τεχνικών εξόρυξης δεδομένωνel
CreatorTragouda Mariaen
CreatorΤραγουδα Μαριαel
Contributor [Committee Member]Atsalakis Georgiosen
Contributor [Committee Member]Ατσαλακης Γεωργιοςel
Contributor [Thesis Supervisor]Doumpos Michailen
Contributor [Thesis Supervisor]Δουμπος Μιχαηλel
Contributor [Committee Member]Gaganis Chrysovalantisen
Contributor [Committee Member]Γαγανης Χρυσοβαλαντηςel
Contributor [Committee Member]Lemonakis, Christosen
Contributor [Committee Member]Spathis Charalamposen
Contributor [Committee Member]Tsafarakis Steliosen
Contributor [Committee Member]Τσαφαρακης Στελιοςel
Contributor [Committee Member]Zopounidis Konstantinosen
Contributor [Committee Member]Ζοπουνιδης Κωνσταντινοςel
PublisherΠολυτεχνείο Κρήτηςel
PublisherTechnical University of Creteen
Academic UnitTechnical University of Crete::School of Production Engineering and Managementen
Academic UnitΠολυτεχνείο Κρήτης::Σχολή Μηχανικών Παραγωγής και Διοίκησηςel
DescriptionΔιδακτορική Διατριβή που υποβλήθηκε στη σχολή ΜΠΔ του Πολυτεχνείου Κρήτης για την πλήρωση προϋποθέσεων λήψης του Διδακτορικού Διπλώματος.el
Content SummaryAlthough 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
Content SummaryΑν 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
Type of ItemΔιδακτορική Διατριβήel
Type of ItemDoctoral Dissertationen
Licensehttp://creativecommons.org/licenses/by/4.0/en
Date of Item2024-07-24-
Date of Publication2024-
SubjectData mining techniquesen
SubjectFinancial auditingen
Bibliographic CitationMaria Tragouda, "Identification of fraudulent financial statements using data mining techniques", Doctoral Dissertation, School of Production Engineering and Management, Technical University of Crete, Chania, Greece, 2024en
Bibliographic CitationΜαρία Τραγούδα, "Εντοπισμός χρηματοοικονομικής απάτης στις δημοσιευμένες οικονομικές καταστάσεις με την εφαρμογή τεχνικών εξόρυξης δεδομένων", Διδακτορική Διατριβή, Σχολή Μηχανικών Παραγωγής και Διοίκησης, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2024el

Available Files

Services

Statistics