Der Einsatz von Machine Learning (ML) gewinnt seit Jahren an Bedeutung. Auch im Financial Accounting & Auditing bietet ML vielfache Einsatzmöglichkeiten, wie z. B. die Vorhersage von Insolvenzen oder das Aufdecken von Bilanzbetrug. Ein bislang recht unerforschter, derzeit aber mehr in den Fokus rückender Anwendungsbereich im Financial Accounting, ist die Prognose von finanziellen Kennzahlen und ihrer zukünftigen Entwicklung.
Grundsätzlich basiert eine Vielzahl der finanziellen Kennzahlen in der Berichterstattung auf Schätzungen, die durch das Management erfolgen. Vorangegangene Untersuchungen stellen allerdings signifikante Abweichungen zwischen Managementschätzung und dem tatsächlich eingetretenen Wert fest. Aus diesem Grund stehen derartige Kennzahlprognosen im Fokus der vorliegenden Masterarbeit. Das Ziel der Arbeit ist, die Prognosefähigkeit von ML-Verfahren für die zukünftige Entwicklung von finanziellen Kennzahlen mit der von Managementschätzungen zu vergleichen. Über die Prognose hinaus werden die Ursachen für mögliche Unterschiede in der Prognosefähigkeit der Verfahren mithilfe von ML analysiert.
Die Umsetzung der ML-Prognosen erfolgt in Matlab. Es werden mit den ML-Verfahren Random Forest (RF) und Neuronale Netze (NN) die Prognosen der Kennzahlen für das jeweils nächste Jahr erstellt. Nach einem Vergleich der Prognosegüte der ML-Modelle untereinander erfolgt anschließend eine Gegenüberstellung dieser mit der Managementschätzung. Anknüpfend an diese Ergebnisse erfolgt eine Interpretation der unterschiedlichen Prognosefähigkeit der Verfahren. Hierzu wird zum einen untersucht, wie sich durch die Hinzunahme der Managementschätzung als Attribut in den Kennzahlprognosen der ML-Verfahren die Prognosefähigkeit dieser verändert. Ferner wird analysiert, welche Informationen für die einzelnen ML-Modelle in der Prognose der zukünftigen Kennzahlen relevant sind (Feature Importance) und ob das Management bei seinen Schätzungen die gleichen Informationen berücksichtigt. Durch dieses Vorgehen werden Ursachen der Unterschiede in der Prognosefähigkeit der Verfahren erörtert. Zum Abschluss der Arbeit erfolgt ein Fazit mit kritischer Würdigung der Ergebnisse sowie einem Ausblick über mögliche anknüpfende Forschungsfelder.
Inhaltsverzeichnis
1 Einleitung
2 Theoretischer Hintergrund
2.1 Finanzielle Kennzahlen und Kennzahlprognose
2.2 Literaturüberblick
2.3 Ausgewählte Machine Learning-Verfahren
2.3.1 Einführung Machine Learning
2.3.2 Lineare Regression
2.3.3 Random Forest
2.3.4 Neuronale Netze
3 Daten
3.1 Datenexploration
3.1.1 Managementschätzung
3.1.2 Kennzahlprognose mit Machine Learning
3.2 Datenaufbereitung
3.2.1 Managementschätzung
3.2.2 Kennzahlprognose mit Machine Learning
4 Methodisches Vorgehen
4.1 Modellvalidierung
4.2 Modellerstellung
4.2.1 Managementschätzung
4.2.2 Kennzahlprognose mit Machine Learning
4.2.3 Analyse des Schätzfehlers
5 Modellergebnisse und Interpretation
5.1 Prognosefähigkeit der Managementschätzung
5.2 Prognosefähigkeit der Machine Learning-Modelle
5.2.1 Lineare Regression
5.2.2 Lineare Regression mit Regularisierung
5.2.3 Random Forest
5.2.4 Neuronale Netze
5.3 Vergleich der Prognosefähigkeit
5.4 Analyse des Schätzfehlers
6 Schlussbetrachtung
6.1 Fazit
6.2 Kritische Würdigung und Ausblick
Zielsetzung & Themen
Die Arbeit untersucht die Prognosefähigkeit von Machine Learning-Verfahren im Vergleich zu manuellen Managementschätzungen bei zentralen finanziellen Unternehmenskennzahlen. Dabei wird analysiert, ob datengetriebene Ansätze eine höhere Vorhersagegenauigkeit ermöglichen und welche Faktoren für die Schätzfehler des Managements verantwortlich sind.
- Vergleich von ML-Modellen (Random Forest, Neuronale Netze, Regression) mit Managementschätzungen
- Analyse der Prognosequalität für Kennzahlen wie Umsatz, EPS, Dividenden und Investitionsausgaben
- Einsatz von Feature Importance zur Identifikation relevanter Einflussfaktoren
- Untersuchung von Schätzfehlern durch das Management (Lost Information vs. Bad Model)
Auszug aus dem Buch
1 Einleitung
Der Einsatz von Machine Learning (ML) gewinnt seit Jahren an Bedeutung. In vielen Bereichen wird die Technologie bereits angewandt, um die immer größer werdenden Datenmengen zu verarbeiten, die vom Menschen selbst nicht auswertbar sind. Dies ist auf die Vielzahl der Daten, aber auch die Diversität und Schnelllebigkeit hinsichtlich Entstehung und Verfügbarkeit dieser (Big Data) zurückzuführen. Auch im Financial Accounting & Auditing bietet ML vielfache Einsatzmöglichkeiten, wie z. B. die Vorhersage von Insolvenzen oder das Aufdecken von Bilanzbetrug. Ein bislang recht unerforschter, derzeit aber mehr in den Fokus rückender Anwendungsbereich im Financial Accounting ist die Prognose von finanziellen Kennzahlen und ihrer zukünftigen Entwicklung. Jene werden im Rahmen der Unternehmensberichterstattung, z. B. in Geschäftsberichten, auf der Website oder auf Veranstaltungen des Unternehmens an dessen Stakeholder veröffentlicht.
Grundsätzlich basiert eine Vielzahl der finanziellen Kennzahlen in der Berichterstattung auf Schätzungen, die durch das Management erfolgen, wie z. B. Rückstellungen oder die Abschreibung von Anlagevermögen im Rahmen der International Financial Reporting Standards (IFRS). Allerdings ist die Qualität derartiger Schätzungen umstritten. Untersuchungen, wie z. B. von Petroni/Beasley (1996), stellen signifikante Abweichungen zwischen Managementschätzung und dem tatsächlich eingetretenen Wert fest. Einige Autoren führen diese Schätzfehler auf das bewusste Verzerren der Schätzungen durch die Manager als Reaktion auf Anreize insbesondere finanzieller Art zurück. Andere wiederum sehen die Ursache in intuitiven Fehleinschätzungen und mangelnder Qualifikation der Manager. Zudem stellt die Überprüfung der Managementschätzungen in Geschäftsberichten für Wirtschaftsprüfer eine Herausforderung dar. Es mangelt somit an Objektivität im Rahmen der Schätzungen und der Möglichkeit ihrer Überprüfbarkeit. Daher liegen in der Literatur eine Vielzahl von Untersuchungen zur
Zusammenfassung der Kapitel
1 Einleitung: Die Einleitung stellt die Relevanz von Machine Learning für Finanzprognosen dar und definiert die Zielsetzung, die Prognosefähigkeit von ML-Modellen mit denen des Managements zu vergleichen.
2 Theoretischer Hintergrund: Dieses Kapitel erläutert die Grundlagen finanzieller Kennzahlen sowie die eingesetzten Machine Learning-Verfahren wie Lineare Regression, Random Forest und Neuronale Netze.
3 Daten: Hier wird die Datenbasis (IBES und Compustat) beschrieben sowie die notwendige Datenexploration und -aufbereitung für die Modellierung erläutert.
4 Methodisches Vorgehen: Das Kapitel beschreibt die Strategie der Modellvalidierung durch rollierende Zeitfenster sowie die technische Umsetzung der verschiedenen ML-Algorithmen.
5 Modellergebnisse und Interpretation: In diesem Hauptteil werden die Fehlermaße (MAE, RMSE) der verschiedenen Modelle ausgewertet und die Prognosegüte der ML-Modelle mit der Managementschätzung verglichen.
6 Schlussbetrachtung: Das letzte Kapitel fasst die zentralen Ergebnisse zusammen und diskutiert kritisch die Anwendbarkeit von ML-Verfahren zur Verbesserung der Unternehmensberichterstattung.
Schlüsselwörter
Machine Learning, Finanzkennzahlen, Managementschätzung, Prognosefähigkeit, Financial Accounting, Random Forest, Neuronale Netze, Lineare Regression, Umsatzprognose, EPS, Feature Importance, Datenaufbereitung, rollierende Validierung, Schätzfehler, Bilanzanalyse
Häufig gestellte Fragen
Worum geht es in dieser Arbeit grundsätzlich?
Die Masterarbeit vergleicht, wie präzise Machine Learning-Modelle finanzielle Unternehmenskennzahlen prognostizieren können im Vergleich zu den offiziellen Schätzungen des Managements.
Welche zentralen Themenfelder deckt die Arbeit ab?
Die Schwerpunkte liegen auf der Schnittstelle von Financial Accounting, moderner Datenanalyse (Machine Learning) und der empirischen Untersuchung von Prognosequalität.
Was ist die primäre Forschungsfrage?
Die Arbeit fragt, ob ML-Verfahren die Prognosefähigkeit des Managements übertreffen können und welche Gründe für eventuelle Schätzfehler des Managements vorliegen.
Welche wissenschaftlichen Methoden werden verwendet?
Es kommen verschiedene ML-Modelle wie Lineare Regression (mit und ohne Regularisierung), Random Forest und Neuronale Netze zum Einsatz, deren Güte anhand von MAE und RMSE gemessen wird.
Was behandelt der Hauptteil der Arbeit?
Der Hauptteil analysiert die Datenaufbereitung, die methodische Modellbildung sowie die detaillierte Auswertung der Modellergebnisse und eine Ursachenanalyse für Schätzfehler mittels Feature Importance.
Welche Schlüsselwörter charakterisieren die Untersuchung?
Wichtige Begriffe sind Machine Learning, Finanzkennzahlen, Prognosegüte, Managementschätzung, Feature Importance und Bilanzanalyse.
Warum schneidet das Management bei der Umsatzprognose manchmal besser ab als ML-Modelle?
Die Arbeit zeigt, dass Manager über Insiderwissen und makroökonomische Informationen verfügen, die in rein historischen Finanzdaten nicht enthalten sind.
Welchen Mehrwert bietet die Arbeit für Wirtschaftsprüfer?
Die Analyse zeigt, dass ML-Modelle als objektive Kontrollinstanz dienen können, um Verzerrungen in den Schätzungen des Managements in Geschäftsberichten frühzeitig zu identifizieren.
- Arbeit zitieren
- Anonym (Autor:in), 2022, Die Prognosefähigkeit von Machine Learning-Verfahren und Managementschätzungen im Rahmen von finanziellen Unternehmenskennzahlen. Ein Vergleich, München, GRIN Verlag, https://www.grin.com/document/1368399
