Detecting Earnings Manipulation with the Beneish M-Score: Python Implementation

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.