No. 22: Machine Learning und empirische Rechnungslegungsforschung: Einige Erkenntnisse und offene Fragen

Jahr: 2020

Typ: Working Paper

Abstract

Im Zuge der digitalen Transformation von Wirtschaft und Gesellschaft ergeben sich zunehmend Anwendungsfelder für Ansätze des maschinellen Lernens nicht nur in der Rechnungslegungspraxis, sondern auch in der betriebswirtschaftlichen Forschung auf diesem Gebiet. Der nachfolgende Beitrag diskutiert selektiv einige Einsatzgebiete von Machine-LearningAnsätzen in der Unternehmensberichterstattung, der Abschlussprüfung sowie der Unternehmensanalyse und -bewertung. Zudem werden aktuelle und potenzielle Anwendungen in der empirischen Forschung aufgezeigt sowie limitierende Faktoren diskutiert.

Veröffentlichungsinformationen

TRR 266 researchers

Thorsten Sellhorn LMU Munich

Thorsten Sellhorn is Director of the Institute for Accounting, Auditing and Analysis at Ludwig-Maximilians-University (LMU) of Munich. His research interests include International Financial Reporting Standards (IFRS), the role of accounting information in capital markets as well as accounting quality and earnings management. His research is published in leading international journals like Management Science, The Accounting Review, European Accounting Review, Review of Accounting Studies and Abacus. He is a co-author of a leading German textbook on international accounting, Internationale Rechnungslegung, and is president (2019-2021) of the European Accounting Association (EAA).

DOI

DOI Link

Attachment

TRR 266 WP Series No. 22

To cite this article

Sellhorn, T. (2020). Machine Learning und empirische Rechnungslegungsforschung: Einige Erkenntnisse und offene Fragen. TRR 266 Accounting for Transparency Working Paper Series No. 22. http://dx.doi.org/10.2139/ssrn.4396262

Zugehörige Projekte

A07

Ambiguity, Learning, and the Diffusion of Reporting Practices

+ 14

Abstract

Zugehörige Projekte

Ambiguity, Learning, and the Diffusion of Reporting Practices

Beteiligte Institutionen