ENGФинансовое мошенничество (ФМ), связанное с фальсификацией финансовой отчетности, — самый тяжелый с точки зрения убытков вид мошенничества. По оценкам Association of Certified Fraud Examiners (ACFE), опубликованным в 2018 Report to the Nations, медианный убыток от известных случаев финансового мошенничества составил $800 000, тогда как по всем остальным случаям мошенничества он был только на уровне $130 000.
Мошенничество, совершаемое руководством компании, ведет к частичной или полной потере средств инвесторов. Наиболее известные случаи ФМ включают такие компании, как Wells Fargo, Nortel, Theranos, WorldCom, Nortel и, конечно, Enron, но это только вершина айсберга. По оценкам ACFE, медианный срок мошенничества составляет 18 месяцев, и чем дольше он продолжается, тем значительнее убытки инвесторов. Это делает крайне важным регулярный мониторинг финансовой отчетности компаний. В США и Канаде закон обязывает компании, чьи ценные бумаги торгуются на биржах, предоставлять аудированную финансовую отчетность регулятору, который в свою очередь размещает ее для публичного доступа.
Проблема в том, что стандартная отчетность (баланс, отчет о доходах, отчет о движении средств) включает десятки, а то и сотни показателей, что сильно затрудняет анализ. В 1999 году Мессод Бенеиш из Университета Индианы предложил композитный индекс M-Score. Данный индекс представляет собой математическую формулу, где вводные данные — несколько показателей из финансовой отчетности (например, текущие активы, продажи, задолженность). Коэффициенты для каждого показателя определены эмпирически, и результирующее значение (индекс) позволяет оценить риск ФМ для каждого отчетного периода. Если значение индекса превышает установленное значение, значит, следует более глубоко исследовать, что происходит с компанией. Практическое применение индекса показало, что M-Score способен правильно указать на компании с подтвержденными и/или позднее раскрытыми случаями ФМ в 76 случаях из 100. Примеры успешного применения M-Score включают обнаружение случаев ФМ в ряде крупных компаний, в том числе канонический случай с Enron, когда группа студентов Корнельского университета, анализируя M-Score, пришла к выводу, что в компании с большой долей вероятности происходит ФМ. Это имело место в 1998 году, выводы студентов были проигнорированы большинством участников фондового рынка, а через несколько лет произошло банкротство компании именно из-за ФМ. M-Score применяется не только для североамериканских компаний, но и для компаний Азии, Европы, , то есть, можно сказать, повсеместно.
Однако будучи разработанной почти 20 лет назад, формула M-Score была исследована не только инвестиционными аналитиками, но и потенциальными злоумышленниками, которые сумели найти новые пути фальсификации отчетности. Здесь на помощь инвесторам могут прийти новые аналитические разработки, в частности нейронные сети, которые оценивают факторы, влияющие на успех, и решают, какие из них более или менее важны. Нейронные сети устроены подобным образом. Допустим, у нас есть исторический массив данных по компаниям с известными случаями ФМ и компаниям с чистой историей. Мы можем собрать финансовую отчетность по компаниям обеих групп. Далее вводим отчетность как исходные данные и была или не была компания объектом ФМ как выходные данные. Алгоритм нейронный сетей запускает процесс и определяет, какие финансовые показатели, их значения и сравнительный вес или важность (коэффициент), наиболее типичны для компаний с ФМ. Это процесс «обучения». Далее мы предоставляем новый массив данных с теми же показателями (финансовая отчетность, был или не был случай ФМ). Нейронные сети применяют коэффициенты, определенные на этапе обучения, и анализируют, насколько вычисленные результаты разнятся с реальными и в чем причина диспропорции. Это процесс «тестирования». Затем снова запускается процесс обучения.
Процессы обучения и тестирования могут сменять друг друга миллиарды раз. В отличие от футболиста или баскетболиста, нейронные сети не могут устать, получить травму и т.д. Обученная нейронная сеть, по существу, становится экспертом в том, что она пытается проанализировать. В результате нейронные сети определяют те финансовые показатели и их производные, которые специфичны именно для компаний, связанных со случаями ФМ.
Помимо возможности самообучения, нейронные сети обладают двумя другими важными преимуществами:
- Возможностью анализировать весь массив (сотни) финансовых показателей и их производных, а не пять или семь, как M-Score;
- Гибкость при учете взаимосвязи (ковариантности) входных данных (финансовых показателей). Данная ковариантность является большой проблемой при работе с обычными аналитическими методами, например с линейной или логистической регрессией.
Основной недостаток нейронный сетей — необходимость большой выборки: данные требуются как минимум по нескольким сотням, а то и тысячам компаний.
Развитие информационных технологий и программного обеспечения сделало применение нейронных сетей совсем несложной задачей. Как коммерческие (SAS JMP), так и open-source (Python, R) приложения имеют такую возможность. Основная проблема — наличие массива данных. Но и она решаема: как указывалось выше, финансовая отчетность компаний, чьи ценные бумаги торгуются на биржах США и Канады, доступна на сайтах регуляторов. В США это Securities and Exchange Commission, в Канаде — SEDAR. Данные о компаниях, ставшими жертвами ФМ, могут быть собраны в интернете или приобретены как лицензионная база данных.
Применение нейронных сетей — новое направление для борьбы с мошенничеством в целом и ФМ в частности. Примеры применения нейронных сетей включают не только существующие разработки против ФМ, но и другие сферы борьбы с мошенничеством, скажем, предотвращение похищения средств с кредитных карт. Авторы разработали и применили пилотную модель для идентификации случаев ФМ, базирующуюся на нейронных сетях. Используя исторические данные, модель смогла правильно определить 85-90 случаев ФМ из 100 (85-90%).
Авторы: Владимир Ясеновский, M.A., M.Sc., Ph.D., Аллан Сэмми, CPA, CGA, CIA
