Identificació de senyals d’alerta de manipulació comptable amb més poder predictiu a través de Random Forest

Abstract

La tesi analitza la manipulació comptable, un fenomen que afecta la transparència financera i pot tenir greus conseqüències econòmiques. Utilitzant metodologies estadístiques com Random Forest, s’identifiquen els senyals d’alerta amb més poder predictiu per detectar frau comptable. Es confirma que la combinació de variables qualitatives (com les pràctiques de govern corporatiu) i quantitatives (com la liquiditat i l’endeutament) millora la predicció del maquillatge comptable. L’anàlisi també revela que els escàndols comptables es multipliquen en períodes posteriors a crisis financeres. La investigació destaca la importància d’identificar patrons complexos i validar tècniques de Machine Learning per millorar la detecció de fraus. Tot i les limitacions d’accés a dades internes, els resultats poden ser útils per auditors, reguladors i inversors. Es proposen futures línies de recerca que integrin tècniques avançades com xarxes neuronals i NLP per reforçar la prevenció del frau i vincular-lo amb els Objectius de Desenvolupament Sostenible (ODS).

La tesis analiza la manipulación contable, un fenómeno que afecta la transparencia financiera y puede tener graves consecuencias económicas. Utilizando metodologías estadísticas como Random Forest, se identifican las señales de alerta con mayor poder predictivo para detectar fraudes contables. Se confirma que la combinación de variables cualitativas (como las prácticas de gobierno corporativo) y cuantitativas (como la liquidez y el endeudamiento) mejora la predicción del maquillaje contable. El análisis también revela que los escándalos contables aumentan significativamente en períodos posteriores a crisis financieras. La investigación destaca la importancia de identificar patrones complejos y validar técnicas de Machine Learning para mejorar la detección de fraudes. A pesar de las limitaciones en el acceso a datos internos, los resultados pueden ser útiles para auditores, reguladores e inversores. Se proponen futuras líneas de investigación que integren técnicas avanzadas como redes neuronales y NLP para reforzar la prevención del fraude y vincularlo con los Objetivos de Desarrollo Sostenible (ODS).

The thesis examines accounting manipulation, a phenomenon that affects financial transparency and can have severe economic consequences. Using statistical methodologies such as Random Forest, it identifies the most predictive warning signs for detecting accounting fraud. The study confirms that combining qualitative variables (such as corporate governance practices) and quantitative variables (such as liquidity and debt levels) improves fraud prediction. The analysis also reveals that accounting scandals increase significantly in periods following financial crises. The research highlights the importance of identifying complex patterns and validating Machine Learning techniques to enhance fraud detection. Despite limitations in accessing internal company data, the findings can be useful for auditors, regulators, and investors. Future research directions propose integrating advanced techniques such as neural networks and NLP to strengthen fraud prevention and link it to the Sustainable Development Goals (SDGs).