Τα τελευταία χρόνια, οι ερευνητές λογιστικής και χρηματοοικονομικών, έχουν επιδείξει ιδιαίτερο ενδιαφέρον για τους αλγορίθμους μηχανικής μάθησης. Συνδυάζοντας βιβλιογραφική ανασκόπηση με βιβλιογραφική σύζευξη, αναλύουμε (181) άρθρα από (47) καταξιωμένα περιοδικά στο πεδίο της λογιστικής και των χρηματοοικονομικών που δημοσιεύτηκαν μεταξύ 1998 και 2021. Απαντάμε σε τρία επιστημονικά ερωτήματα: (ΕΕ 1) Ποια είναι η τρέχουσα κατάσταση της βιβλιογραφίας σχετικά με τη χρήση μηχανικής μάθησης στην λογιστική και χρηματοοικονομική; (ΕΕ 2) Που επικεντρώνεται και ποια τα συμπεράσματα της συγκεκριμένης βιβλιογραφίας; (ΕΕ 3) Ποιο είναι το μέλλον της έρευνας σχετικά με τη μηχανική μάθηση στην λογιστική και χρηματοοικονομικά; Αναγνωρίζουμε αυξημένο ενδιαφέρων στον συγκεκριμένο κλάδο από το 2015 με τις περισσότερες έρευνες να επικεντρώνονται είτε στην αγορά των Ηνωμένων Πολιτειών Αμερικής, είτε σε παγκόσμιο επίπεδο ενώ αύξηση ενδιαφέροντος κατά 600% παρουσίασαν οι Ασιατικές αγορές μεταξύ 2019 και 2021. Τα μοντέλα με επιβλεπόμενη μάθηση είναι με διαφορά τα πιο ευρέως χρησιμοποιούμενα (>60%) ενώ τα μη επιβλεπόμενα περιορίζονται κυρίως στην άντληση θεμάτων από κείμενο με την χρήση του «LDA» αλγορίθμου. Αυτό υποδηλώνει ότι η έρευνα σχετικά με την εύρεση νέων προτύπων είναι περιορισμένη. Αναγνωρίσαμε (10) κύριες κατηγορίες έρευνας για τις οποίες αναλύουμε τους προτεινόμενους αλγορίθμους με τα νευρωνικά δίκτυα να είναι τα δημοφιλέστερα. Ακόμα, αναλύουμε (7) κατηγορίες που δημιουργήθηκαν από το «VosViewer» για τον σκοπό της βιβλιογραφικής σύζευξης αναγνωρίζοντας την κύρια θεματολογία, τα προβλήματα και τις ευκαιρίες που παρέχει η χρήση της μηχανικής μάθησης. Προβλέψεις τιμών σε μετοχές και παράγωγα, πρόβλεψη πτώχευσης και αποτίμηση περιουσιακών στοιχείων είναι η κύρια θεματολογία κατά την οποία τα παραδοσιακά μοντέλα είναι είτε αργά στην εφαρμογή τους είτε παρουσιάζουν μικρότερη ακρίβεια από τα μοντέλα μηχανικής μάθησης τα οποία διαχειρίζονται μη γραμμικά και πολλαπλών διατάσεων δεδομένα. Η αφομοίωση της μηχανικής μάθησης καθυστερεί από την διαφάνεια στον τρόπο λήψης αποφάσεων, τα κανονιστικά πλαίσια και από την λανθασμένη επιλογή εργασιών για αντικατάσταση. Η έρευνα στην λογιστική είναι περιορισμένη (μόλις 15% των άρθρων μας) σε λογιστικό έλεγχο, εκπαίδευση και δεξιότητες που θα πρέπει να αποκτηθούν για να ανταπεξέλθουν οι λογιστές στις σημερινές και μελλοντικές απαιτήσεις. Τέλος, αναφέρουμε μελλοντικά μονοπάτια έρευνας.
In recent years, accounting and finance scholars have shown a growing interest in using machine learning for research. By combining bibliographic coupling and literature review, this study analyzes (181) papers from (47) established quality journals in the field of accounting and finance published between 1998 and 2021; it addresses three interrelated research questions: (RQ1) How is research on the impact of machine learning on accounting and finance research being developed? (RQ2) What are the focus and critique of this corpus of literature? (RQ3) What are the future avenues of machine learning in accounting and finance research? We find increased interest in this field since 2015 with majority of studies focused either in U.S markets or global scale approach, while Asian markets increased their share by 600% during 2019-2021. Supervised models are by far the most applied (>60%) in contrary to unsupervised models mainly focused on topic extraction thru LDA algorithm; an indication that research in finding new patterns is limited. We firstly examine our corpus under (10) major research categories identifying proposed machine learning algorithms while neural networks being the most commonly used. We also created (7) clusters thru bibliographic coupling using VosViewer identifying key topics, current challenges and opportunities that machine learning appliance provides. Stock and commodities price forecasting, bankruptcy prediction and asset pricing can summarize current interest in which traditional models are either slow (e.g. Monte Carlo), or less accurate than machine learning which can cater for non-linear and high-dimensional data. Adaptation of machine learning is also hindered by lack of algorithm decision making transparency, regulations and wrong choice of tasks to be replaced. Accounting research is limited (15% of our corpus) on auditing, education and skills that practitioners should require to cope up with current and future demands. Finally, we outline some promising research avenues for future research.
Μηχανική Μάθηση στη Λογιστική και Χρηματοοικονομική Έρευνα: Βιβλιογραφική Ανασκόπηση Περιγραφή: Machine Learning in Accounting and Finance Research- A Literature Review.pdf (pdf)
Book Reader Άδεια: Αναφορά Δημιουργού 4.0 Διεθνές Μέγεθος: 0.5 MB
Μηχανική Μάθηση στη Λογιστική και Χρηματοοικονομική Έρευνα: Βιβλιογραφική Ανασκόπηση - Identifier: 171999
Internal display of the 171999 entity interconnections (Node labels correspond to identifiers)
Μηχανική Μάθηση στη Λογιστική και Χρηματοοικονομική Έρευνα: Βιβλιογραφική Ανασκόπηση