En la presentación del informe anual 10-K de la Comisión de Bolsa y Valores de EE. UU. (SEC) para su año financiero que finaliza el 31 de julio, 2008, El minorista estadounidense de joyería Zale Corporation ("Zales") mencionó las palabras "publicidad" o "publicidad" 17 veces. Un año después, esas mismas palabras aparecieron con más del doble de frecuencia en 41 ocasiones.

Para entonces, la SEC había comenzado las investigaciones después de que la compañía demorara la publicación de los resultados del cuarto trimestre. Posteriormente, se descubrió que Zales había capitalizado incorrectamente los costos de publicidad televisiva de 2004 a 2009, aunque pocos se habían dado cuenta de lo que estaba sucediendo.

En un método presentado en una nueva investigación del profesor asistente de contabilidad de SMU, Richard Crowley, esta información falsa intencional habría hecho sonar las alarmas mucho antes de que la SEC comenzara a hacer preguntas.

"Están en el percentil 97 o más en nuestro modelo todos los años a partir del segundo año de informes erróneos en adelante, "dice el profesor Crowley, refiriéndose a la técnica de aprendizaje automático presentada en el documento "¿Qué está diciendo? Uso de un tema para detectar informes financieros erróneos". "El percentil 97 aquí significa que su puntaje en nuestro modelo de detección de informes erróneos fue superior al 97 por ciento de las empresas públicas estadounidenses".

Agrega:"El modelo se ejecuta anualmente, eso significa que para cada año de 2005, 2006, ... 2009, Zales obtuvo un puntaje de detección de informes erróneos más alto que el 97 por ciento de las empresas públicas ese año ".

¿Cuál es la palabra?

El profesor Crowley explica que la investigación ignora por completo los números:"Si los gerentes van a informar erróneamente los números, lo harán de una manera creíble ", y en su lugar, mira lo que está escrito en su lugar, al que la investigación se refiere como el "tema".

Junto con los profesores Nerissa Brown y Brooke Elliott de Gies College of Business en la Universidad de Illinois Urbana-Champaign, El profesor Crowley analizó más de 3 mil millones de palabras en presentaciones 10-K de 1994 a 2012 para ver qué tan confiablemente ciertos temas predijeron información errónea intencional. En ciertas muestras, la investigación mejoró la predicción de informes erróneos intencionales en un 59 por ciento.

"La única diferencia clave cuando discutes cosas cuando mientes es que eres muy intencional en los temas que eliges discutir, "él elabora, señalando el ejemplo de Enron.

"Simplemente hablan de aumentos en los ingresos y tienen una gran cantidad de discusiones sobre eso, "Observa el profesor Crowley. El informe anual de 1999 de Enron sirve como un excelente ejemplo, citando "la aceleración del asombroso ritmo de innovación comercial de Enron" para un aumento del 28 por ciento en los ingresos a US $ 40 mil millones desde hace un año, así como un salto del 37 por ciento en la utilidad neta antes de partidas no recurrentes a US $ 957 millones.

El profesor Crowley destaca una frase que Enron usaba a menudo en sus 10-K:"comparado con". El explica:

"Las empresas siempre dicen cosas como, 'Estos son nuestros ingresos en 2011 en comparación con los ingresos en 2010, 'y siempre dan previsiones sobre los ingresos, márgenes brutos, etc.

"Pero luego tienes impuestos sobre la renta, ingresos distintos de intereses, lucro, esas son solo las frases generales que aparecen. Cuando seleccionamos las oraciones más representativas para cada uno de estos temas, encontramos frases como 'la ganancia operativa fue de $ 122,1 millones en 2011 en comparación con $ 113,9 millones en 2010, un aumento del 7,8 por ciento '. Esta es una estructura muy común de ver en estos documentos.

"Así que cuando hablamos de Enron, tienen frases como esa, pero tienen muchos más de los que nadie ha tenido, tanto en 1999 como en toda la historia de nuestra muestra ".

Dado el supuesto número de acuerdos que Enron tuvo que generaron todos esos ingresos, podría tener más sentido leer en sus informes anuales cosas como la adquisición de fuentes para sus contratos de energía, Notas del profesor Crowley. En lugar de, en gran medida "hablaba de cifras de ingresos y cifras de ingresos", observa.

Entonces, ¿hay un punto de inflexión en la cantidad de veces que aparece un tema que es una bandera roja? ¿O el tipo de palabras que se usan?

"No existe un tipo de barómetro constante para esto, "El profesor Crowley le dice a la Oficina de Investigación y Transferencia de Tecnología." No puedo simplemente decir si hablaron de ello el X por ciento de las veces, los tenemos. Depende de muchos factores. Y muchos de estos factores son específicos de la industria, y algunos son específicos de la empresa.

"[También depende de si] estás en una recesión o si no estás en una recesión. Del mismo modo, si es una empresa financiera frente a una empresa de salud, o una compañía telefónica versus un fabricante de acero, [los temas a buscar] deberían ser todos diferentes ".

No puedes jugar con lo que no sabes

El profesor Crowley y sus colaboradores emplearon más de 20 variables diferentes basadas en texto en su modelo predictivo, incluido el uso del índice de niebla para facilitar la lectura.

Si bien la intuición sugiere que un 10-K fácil de leer sea transparente, El profesor Crowley responde diciendo que "podría deberse a que omitieron todos los detalles". Similar, Los sentimientos positivos como los expresados ​​por Enron podrían ser señales de informes erróneos intencionales, aunque es imposible estar 100 por ciento seguro.

"Solo se necesitan seis segundos para ejecutar un 10-K con nuestro modelo, "El profesor Crowley dice al tiempo que señala que la SEC ha adoptado partes de su modelo para descubrir informes erróneos intencionales. Pero debe hacerse la pregunta:¿pueden las empresas que buscan engañar al mercado estudiar el algoritmo para vencer a la SEC en su propio juego?"

"Lo bueno de este algoritmo es que cambia todos los años, "él elabora, apuntando a la combinación de palabras que componen los temas sobre los que trabaja el algoritmo. "Las empresas no saben cuál sería el objetivo del regulador, incluso si utilizan nuestro algoritmo ".

"El beneficio de eso es que si eres una empresa que intenta manipular, tampoco sabes cuál es el objetivo ".