Publication
Can we detect and predict fraud with machine learning?
| datacite.subject.fos | Ciências Sociais::Economia e Gestão | pt_PT |
| dc.contributor.advisor | Tran, Dan | |
| dc.contributor.author | Fatela, Catarina Teixeira Santos | |
| dc.date.accessioned | 2021-09-28T13:32:37Z | |
| dc.date.available | 2021-09-28T13:32:37Z | |
| dc.date.issued | 2021-02-01 | |
| dc.date.submitted | 2021-01 | |
| dc.description.abstract | This project aims to construct a machine learning model that is able to detect and predict financial fraud. Based on 3,095 U.S. fraudulent firms, 61 features and 24 years of analysis, this neural network will be able to detect and predict a large part of frauds. Following research and analysis, financial fraud was concluded to have a huge impact, not only for the companies in terms of costs and penalties, but also for investors and for the market as a whole. Many of the fraudulent companies disappear after the discovery of fraud and are unable to recover. The consequences this reflects on the employees, investors and the market are incalculable. Firms undergoing an initial public offering tend to have more incentives to commit fraud, since they are at a critical stage of their life cycle and want to attract as many investors as possible. This project will address these companies separately as well due to their interesting characteristics and evident incentives to commit fraud. This model can be used by investors, by banks in their credit risk models, by venture capitalists and last but not least, institutions like the Securities and Exchange Committee (SEC) that regulate the market. | pt_PT |
| dc.description.abstract | Este projeto visa construir um modelo de aprendizagem automática capaz de detetar e prever fraudes financeiras. Com base em 3.095 firmas fraudulentas dos EUA, 61 variáveis e 24 anos de análise, uma rede neural é capaz de detetar e prever grande parte das fraudes. Após pesquisa e análise, concluiu-se que a fraude financeira tem um impacto enorme, não só para as empresas em termos de custos e penalidades, mas também para os investidores e para o mercado como um todo. Muitas das empresas fraudulentas desaparecem após a descoberta da fraude e não conseguem recuperar. As consequências que isso acarreta/implica nos colaboradores, investidores e mercado são incalculáveis. As empresas em processo de oferta pública inicial tendem a ter mais incentivos para cometer fraudes, uma vez que se encontram num ponto crítico do seu ciclo de vida e desejam atrair o maior número possível de investidores. Este projeto irá abordar essas empresas separadamente também devido às suas características interessantes e incentivo evidente para cometer fraudes. Este modelo pode ser usado por investidores, por bancos nos seus modelos de risco de crédito, por investidores de risco e, por último, por instituições como o Securities and Exchange Committee (SEC), que regula o mercado nos EUA. | pt_PT |
| dc.identifier.tid | 202657060 | pt_PT |
| dc.identifier.uri | http://hdl.handle.net/10400.14/35271 | |
| dc.language.iso | eng | pt_PT |
| dc.subject | Financial fraud | pt_PT |
| dc.subject | Machine learning | pt_PT |
| dc.subject | Neural network | pt_PT |
| dc.subject | Initial public offering | pt_PT |
| dc.subject | Survival of fraudulent firms | pt_PT |
| dc.subject | Fraude financeira | pt_PT |
| dc.subject | Aprendizagem automática | pt_PT |
| dc.subject | Rede neural | pt_PT |
| dc.subject | Oferta pública inicial | pt_PT |
| dc.subject | Sobrevivência de empresas fraudulentas | pt_PT |
| dc.title | Can we detect and predict fraud with machine learning? | pt_PT |
| dc.type | master thesis | |
| dspace.entity.type | Publication | |
| rcaap.rights | restrictedAccess | pt_PT |
| rcaap.type | masterThesis | pt_PT |
| thesis.degree.name | Mestrado em Gestão e Administração de Empresas | pt_PT |
Files
Original bundle
1 - 1 of 1
No Thumbnail Available
- Name:
- 152419016_Catarina Fatela_DPDFA.pdf
- Size:
- 1.89 MB
- Format:
- Adobe Portable Document Format