Vorhersage der Art des Prüfungsberichts: Statistiken, maschinelles Lernen oder eine Kombination aus beidem?

Ziel dieser Studie ist es, die identifizierten methodischen Einschränkungen früherer Studien zur Vorhersage der Art des Prüfungsberichts zu überwinden und definitive Schlussfolgerungen zur relativen prädiktiven Leistung verschiedener prädiktiver Methoden für diese spezifische Aufgabe zu ziehen. Die prädiktive Leistung von zwölf Kandidatenmodellen aus den Bereichen Statistik und maschinelles Lernen wird getrennt für die beiden gängigen realen Szenarien bewertet: a) wenn Vorabinformationen über den Kunden (d. h. Arten von Prüfungsberichten, die in der Vergangenheit erhalten wurden) verfügbar sind und in der Vorhersage verwendet werden können, und b) wenn solche Informationen nicht verfügbar sind (z. B. bei neuen Unternehmen). Die Ergebnisse zeigen, dass in dem ersten Szenario mehrere Methoden aus beiden Bereichen eine vergleichbare prädiktive Leistung von etwa 0,89 erreichen, gemessen durch die Fläche unter der Kurve (AUC). Im zweiten Szenario hingegen schneiden maschinelle Lernalgorithmen, insbesondere baumbasierte wie Random Forest, signifikant besser ab und erreichen eine AUC von bis zu 0,79. Schließlich entwickeln und bewerten wir die prädiktive Leistung von zwei hybriden Modellen, die darauf abzielen, die starken Punkte sowohl statistischer (d. h. Interpretierbarkeit der Ergebnisse) als auch maschineller Lernansätze (d. h. Umgang mit einer großen Anzahl von Prädiktoren und verbesserte Genauigkeit) zu kombinieren. Das gesamte Verfahren wird auf reproduzierbare Weise demonstriert, unter Verwendung des größten empirischen Datensatzes, der jemals in diesem Forschungsbereich verwendet wurde, der 13.561 Paare von Jahresabschlüssen und den entsprechenden Prüfungsberichten umfasst. Die in dieser Studie beschriebenen Verfahren ermöglichen es Prüfungs- und Finanzfachleuten weltweit, prädiktive Modelle zu entwickeln und zu testen, die ihre Verfahren zur Prüfungsplanung und Risikobewertung unterstützen.