Die Prognosefähigkeit von Machine Learning-Verfahren und Managementschätzungen im Rahmen von finanziellen Unternehmenskennzahlen. Ein Vergleich

Masterarbeit aus dem Jahr 2022 im Fachbereich BWL - Controlling, Note: 1,3, Universit酹 Bremen (Lehrstuhl f Allgemeine Betriebswirtschaftslehre, Unternehmensrechnung und Controlling), Veranstaltung: Masterarbeit, Sprache: Deutsch, Abstract: Der Einsatz von Machine Learning (ML) gewinnt seit Jahren an Bedeutung. Auch im Financial Accounting & Auditing bietet ML vielfache Einsatzm鐷lichkeiten, wie z. B. die Vorhersage von Insolvenzen oder das Aufdecken von Bilanzbetrug. Ein bislang recht unerforschter, derzeit aber mehr in den Fokus rkender Anwendungsbereich im Financial Accounting, ist die Prognose von finanziellen Kennzahlen und ihrer zukftigen Entwicklung. Grunds酹zlich basiert eine Vielzahl der finanziellen Kennzahlen in der Berichterstattung auf Sch酹zungen, die durch das Management erfolgen. Vorangegangene Untersuchungen stellen allerdings signifikante Abweichungen zwischen Managementsch酹zung und dem tats踄hlich eingetretenen Wert fest. Aus diesem Grund stehen derartige Kennzahlprognosen im Fokus der vorliegenden Masterarbeit. Das Ziel der Arbeit ist, die Prognosef鄣igkeit von ML-Verfahren f die zukftige Entwicklung von finanziellen Kennzahlen mit der von Managementsch酹zungen zu vergleichen. 鈁er die Prognose hinaus werden die Ursachen f m鐷liche Unterschiede in der Prognosef鄣igkeit 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 f das jeweils n踄hste Jahr erstellt. Nach einem Vergleich der Prognosege der ML-Modelle untereinander erfolgt anschlie end eine Gegenerstellung dieser mit der Managementsch酹zung. Anknfend an diese Ergebnisse erfolgt eine Interpretation der unterschiedlichen Prognosef鄣igkeit der Verfahren. Hierzu wird zum einen untersucht, wie sich durch die Hinzunahme der Managementsch酹zung als Attribut in den Kennzahlprognosen der ML-Verfahren die Prognosef鄣igkeit dieser ver鄚d