피드로 돌아가기
Dev.toBackend
원문 읽기
Cornell 학생들이 1998년 Beneish M-Score 모델로 Enron을 조기 적발한 3년 전 경고 신호 포착
Detecting Earnings Manipulation with the Beneish M-Score: Python Implementation
AI 요약
Context
Wall Street 애널리스트들이 Enron에 매수 추천을 내릴 때, Cornell 대학 학생들이 통계 모델을 사용해 이미 회계 조작 신호를 감지했다. 재무제표만으로는 적발이 어려운 수익 조작을 정량적으로 탐지할 수 있는 방법이 필요했다.
Technical Solution
- Beneish M-Score 공식 구현: -4.84 + 0.920×DSRI + 0.528×GMI + 0.404×AQI + 0.892×SGI + 0.115×DEPI - 0.172×SGAI + 4.679×TATA - 0.327×LVGI 계수 조합
- 8개 재무 비율 변수 계산: DSRI(매출채권 일수), GMI(총마진), AQI(자산 품질), SGI(매출 성장), DEPI(감가상각), SGAI(판관비), TATA(총 발생액), LVGI(레버리지)
- 임계값 기준 판정: M-Score > -1.78이면 조작 가능성 있음, < -1.78이면 조작 가능성 낮음
- TATA 변수 가중치 우선순위: 4.679 계수로 모든 변수 중 최대값을 부여하여 현금흐름 대비 회계 이익의 괴리도 강조
- 상호검증 방법론: Piotroski F-Score, Altman Z-Score와 결합한 3중 품질 점검 함수 제공
Key Takeaway
M-Score는 과거 데이터에 기반하고 고성장 기업에서 오탐지가 발생할 수 있으므로, 단독 지표보다는 다른 재무 모델들과 조합해 사용할 때 최대 효과를 발휘한다.
실천 포인트
펀드 또는 개인 투자자가 상장사 재무제표 데이터로 Python 함수를 구현할 때, calculate_variables()로 8개 변수를 자동 계산하고 M-Score > -
1.78인 기업들을 우선 정밀 검토 대상으로 분류하면 회계 조작 위험을 사전에 필터링할 수 있다.