{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:5325108"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:5325108","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Ανίχνευση απάτης στις χρηματοοικονομικές καταστάσεις εφαρμογή τεχνικών μηχανικής μάθησης για τον εντοπισμό ανωμαλιών και παραποιημένων οικονομικών στοιχείων","abstract":"Η παρούσα εργασία εξετάζει την ανίχνευση απάτης στις χρηματοοικονομικές καταστάσεις μέσω της εφαρμογής τεχνικών μηχανικής μάθησης, με στόχο τον εντοπισμό ανωμαλιών και ενδείξεων παραποίησης οικονομικών στοιχείων. Αρχικά, αναπτύσσεται το θεωρητικό υπόβαθρο της χρηματοοικονομικής απάτης, παρουσιάζοντας τα βασικά είδη και τους μηχανισμούς της, καθώς και τα καθιερωμένα θεωρητικά πλαίσια ερμηνείας, όπως το Fraud Triangle, το Fraud Diamond, το Fraud Pentagon και το Fraud Hexagon. Παράλληλα, αναλύεται το κανονιστικό πλαίσιο και η σημασία των διεθνών λογιστικών προτύπων, ενώ εξετάζονται οι χρηματοοικονομικοί δείκτες που έχουν συσχετιστεί στη βιβλιογραφία με αυξημένο κίνδυνο χειραγώγησης οικονομικών καταστάσεων. Στη συνέχεια, πραγματοποιείται εκτενής βιβλιογραφική ανασκόπηση σύγχρονων ερευνών που αξιοποιούν μεθόδους μηχανικής μάθησης και ανίχνευσης ανωμαλιών για την πρόβλεψη και τον εντοπισμό περιπτώσεων απάτης. Το εμπειρικό μέρος της εργασίας βασίζεται σε δεδομένα από financial filings και αναπτύσσονται οι αλγόριθμοι που χρησιμοποιήθηκαν με στόχο τον εντοπισμό απάτης. Τα αποτελέσματα καταδεικνύουν ότι οι μέθοδοι μηχανικής μάθησης υπερτερούν των παραδοσιακών προσεγγίσεων ως προς την ικανότητα εντοπισμού σύνθετων και μη γραμμικών σχέσεων στα οικονομικά δεδομένα, λειτουργώντας ως αποτελεσματικά εργαλεία έγκαιρης προειδοποίησης. Τέλος, αναδεικνύεται η μηχανική μάθηση ως ένα ιδιαίτερα ισχυρό μέσο υποστήριξης της διαδικασίας ανίχνευσης απάτης στις χρηματοοικονομικές καταστάσεις, τονίζοντας παράλληλα την ανάγκη συνδυασμού των υπολογιστικών τεχνικών με την επαγγελματική κρίση των ελεγκτών και την ανθρώπινη εποπτεία. Προτείνονται κατευθύνσεις για μελλοντική έρευνα, με έμφαση στην αξιοποίηση αδόμητων δεδομένων και στην ανάπτυξη πιο ερμηνεύσιμων και γενικεύσιμων μοντέλων.","abstract_html":"Η παρούσα εργασία εξετάζει την ανίχνευση απάτης στις χρηματοοικονομικές καταστάσεις μέσω της εφαρμογής τεχνικών μηχανικής μάθησης, με στόχο τον εντοπισμό ανωμαλιών και ενδείξεων παραποίησης οικονομικών στοιχείων. Αρχικά, αναπτύσσεται το θεωρητικό υπόβαθρο της χρηματοοικονομικής απάτης, παρουσιάζοντας τα βασικά είδη και τους μηχανισμούς της, καθώς και τα καθιερωμένα θεωρητικά πλαίσια ερμηνείας, όπως το Fraud Triangle, το Fraud Diamond, το Fraud Pentagon και το Fraud Hexagon. Παράλληλα, αναλύεται το κανονιστικό πλαίσιο και η σημασία των διεθνών λογιστικών προτύπων, ενώ εξετάζονται οι χρηματοοικονομικοί δείκτες που έχουν συσχετιστεί στη βιβλιογραφία με αυξημένο κίνδυνο χειραγώγησης οικονομικών καταστάσεων. Στη συνέχεια, πραγματοποιείται εκτενής βιβλιογραφική ανασκόπηση σύγχρονων ερευνών που αξιοποιούν μεθόδους μηχανικής μάθησης και ανίχνευσης ανωμαλιών για την πρόβλεψη και τον εντοπισμό περιπτώσεων απάτης. Το εμπειρικό μέρος της εργασίας βασίζεται σε δεδομένα από financial filings και αναπτύσσονται οι αλγόριθμοι που χρησιμοποιήθηκαν με στόχο τον εντοπισμό απάτης. Τα αποτελέσματα καταδεικνύουν ότι οι μέθοδοι μηχανικής μάθησης υπερτερούν των παραδοσιακών προσεγγίσεων ως προς την ικανότητα εντοπισμού σύνθετων και μη γραμμικών σχέσεων στα οικονομικά δεδομένα, λειτουργώντας ως αποτελεσματικά εργαλεία έγκαιρης προειδοποίησης. Τέλος, αναδεικνύεται η μηχανική μάθηση ως ένα ιδιαίτερα ισχυρό μέσο υποστήριξης της διαδικασίας ανίχνευσης απάτης στις χρηματοοικονομικές καταστάσεις, τονίζοντας παράλληλα την ανάγκη συνδυασμού των υπολογιστικών τεχνικών με την επαγγελματική κρίση των ελεγκτών και την ανθρώπινη εποπτεία. Προτείνονται κατευθύνσεις για μελλοντική έρευνα, με έμφαση στην αξιοποίηση αδόμητων δεδομένων και στην ανάπτυξη πιο ερμηνεύσιμων και γενικεύσιμων μοντέλων.","abstract_has_math":false,"creators":["ΜΑΝΟΥΚΙΑΝ ΑΝΙ","MANOUKIAN ANI"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2026,"date_issued":"2026","date_published":"2026","updated_at":"2026-11-19T05:17:45Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5325108"],"render_values":[{"text":"uoadl:5325108","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5325108","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5325108","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A5325108","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["ΜΑΝΟΥΚΙΑΝ ΑΝΙ","MANOUKIAN ANI"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2026"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Τεχνολογία – Πληροφορική","Technology - Computer science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["Ελληνικά","Greek"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5325108","https://pergamos.lib.uoa.gr/uoa/dl/object/5325108"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η παρούσα εργασία εξετάζει την ανίχνευση απάτης στις χρηματοοικονομικές καταστάσεις μέσω της εφαρμογής τεχνικών μηχανικής μάθησης, με στόχο τον εντοπισμό ανωμαλιών και ενδείξεων παραποίησης οικονομικών στοιχείων. Αρχικά, αναπτύσσεται το θεωρητικό υπόβαθρο της χρηματοοικονομικής απάτης, παρουσιάζοντας τα βασικά είδη και τους μηχανισμούς της, καθώς και τα καθιερωμένα θεωρητικά πλαίσια ερμηνείας, όπως το Fraud Triangle, το Fraud Diamond, το Fraud Pentagon και το Fraud Hexagon. Παράλληλα, αναλύεται το κανονιστικό πλαίσιο και η σημασία των διεθνών λογιστικών προτύπων, ενώ εξετάζονται οι χρηματοοικονομικοί δείκτες που έχουν συσχετιστεί στη βιβλιογραφία με αυξημένο κίνδυνο χειραγώγησης οικονομικών καταστάσεων. Στη συνέχεια, πραγματοποιείται εκτενής βιβλιογραφική ανασκόπηση σύγχρονων ερευνών που αξιοποιούν μεθόδους μηχανικής μάθησης και ανίχνευσης ανωμαλιών για την πρόβλεψη και τον εντοπισμό περιπτώσεων απάτης. Το εμπειρικό μέρος της εργασίας βασίζεται σε δεδομένα από financial filings και αναπτύσσονται οι αλγόριθμοι που χρησιμοποιήθηκαν με στόχο τον εντοπισμό απάτης. Τα αποτελέσματα καταδεικνύουν ότι οι μέθοδοι μηχανικής μάθησης υπερτερούν των παραδοσιακών προσεγγίσεων ως προς την ικανότητα εντοπισμού σύνθετων και μη γραμμικών σχέσεων στα οικονομικά δεδομένα, λειτουργώντας ως αποτελεσματικά εργαλεία έγκαιρης προειδοποίησης. Τέλος, αναδεικνύεται η μηχανική μάθηση ως ένα ιδιαίτερα ισχυρό μέσο υποστήριξης της διαδικασίας ανίχνευσης απάτης στις χρηματοοικονομικές καταστάσεις, τονίζοντας παράλληλα την ανάγκη συνδυασμού των υπολογιστικών τεχνικών με την επαγγελματική κρίση των ελεγκτών και την ανθρώπινη εποπτεία. Προτείνονται κατευθύνσεις για μελλοντική έρευνα, με έμφαση στην αξιοποίηση αδόμητων δεδομένων και στην ανάπτυξη πιο ερμηνεύσιμων και γενικεύσιμων μοντέλων.","The present study examines the detection of fraud in financial statements through the application of machine learning techniques, with the aim of identifying anomalies and indications of manipulation of financial information. Initially, the theoretical background of financial fraud is developed, presenting its main types and mechanisms, as well as established theoretical frameworks of interpretation, such as the Fraud Triangle, the Fraud Diamond, the Fraud Pentagon, and the Fraud Hexagon. At the same time, the regulatory framework and the importance of international accounting standards are analyzed, while financial ratios that have been associated in the literature with an increased risk of financial statement manipulation are examined. Subsequently, an extensive literature review of contemporary studies that employ machine learning and anomaly detection methods for the prediction and identification of fraud cases is conducted. The empirical part of the study is based on data from financial filings, and the algorithms used for fraud detection are developed and analyzed. The results indicate that machine learning methods outperform traditional approaches in their ability to detect complex and non-linear relationships in financial data, functioning as effective early warning tools. Finally, machine learning is highlighted as a particularly powerful means of supporting the process of fraud detection in financial statements, while emphasizing the need to combine computational techniques with auditors’ professional judgment and human oversight. Directions for future research are proposed, with an emphasis on the utilization of unstructured data and the development of more interpretable and generalizable models."]},{"key":"dc:title","label":"Title","values":["Ανίχνευση απάτης στις χρηματοοικονομικές καταστάσεις εφαρμογή τεχνικών μηχανικής μάθησης για τον εντοπισμό ανωμαλιών και παραποιημένων οικονομικών στοιχείων"]}]}],"canonical_facts":{"dc:creator":["ΜΑΝΟΥΚΙΑΝ ΑΝΙ","MANOUKIAN ANI"],"dc:date":["2026"],"dc:description":["Η παρούσα εργασία εξετάζει την ανίχνευση απάτης στις χρηματοοικονομικές καταστάσεις μέσω της εφαρμογής τεχνικών μηχανικής μάθησης, με στόχο τον εντοπισμό ανωμαλιών και ενδείξεων παραποίησης οικονομικών στοιχείων. Αρχικά, αναπτύσσεται το θεωρητικό υπόβαθρο της χρηματοοικονομικής απάτης, παρουσιάζοντας τα βασικά είδη και τους μηχανισμούς της, καθώς και τα καθιερωμένα θεωρητικά πλαίσια ερμηνείας, όπως το Fraud Triangle, το Fraud Diamond, το Fraud Pentagon και το Fraud Hexagon. Παράλληλα, αναλύεται το κανονιστικό πλαίσιο και η σημασία των διεθνών λογιστικών προτύπων, ενώ εξετάζονται οι χρηματοοικονομικοί δείκτες που έχουν συσχετιστεί στη βιβλιογραφία με αυξημένο κίνδυνο χειραγώγησης οικονομικών καταστάσεων. Στη συνέχεια, πραγματοποιείται εκτενής βιβλιογραφική ανασκόπηση σύγχρονων ερευνών που αξιοποιούν μεθόδους μηχανικής μάθησης και ανίχνευσης ανωμαλιών για την πρόβλεψη και τον εντοπισμό περιπτώσεων απάτης. Το εμπειρικό μέρος της εργασίας βασίζεται σε δεδομένα από financial filings και αναπτύσσονται οι αλγόριθμοι που χρησιμοποιήθηκαν με στόχο τον εντοπισμό απάτης. Τα αποτελέσματα καταδεικνύουν ότι οι μέθοδοι μηχανικής μάθησης υπερτερούν των παραδοσιακών προσεγγίσεων ως προς την ικανότητα εντοπισμού σύνθετων και μη γραμμικών σχέσεων στα οικονομικά δεδομένα, λειτουργώντας ως αποτελεσματικά εργαλεία έγκαιρης προειδοποίησης. Τέλος, αναδεικνύεται η μηχανική μάθηση ως ένα ιδιαίτερα ισχυρό μέσο υποστήριξης της διαδικασίας ανίχνευσης απάτης στις χρηματοοικονομικές καταστάσεις, τονίζοντας παράλληλα την ανάγκη συνδυασμού των υπολογιστικών τεχνικών με την επαγγελματική κρίση των ελεγκτών και την ανθρώπινη εποπτεία. Προτείνονται κατευθύνσεις για μελλοντική έρευνα, με έμφαση στην αξιοποίηση αδόμητων δεδομένων και στην ανάπτυξη πιο ερμηνεύσιμων και γενικεύσιμων μοντέλων.","The present study examines the detection of fraud in financial statements through the application of machine learning techniques, with the aim of identifying anomalies and indications of manipulation of financial information. Initially, the theoretical background of financial fraud is developed, presenting its main types and mechanisms, as well as established theoretical frameworks of interpretation, such as the Fraud Triangle, the Fraud Diamond, the Fraud Pentagon, and the Fraud Hexagon. At the same time, the regulatory framework and the importance of international accounting standards are analyzed, while financial ratios that have been associated in the literature with an increased risk of financial statement manipulation are examined. Subsequently, an extensive literature review of contemporary studies that employ machine learning and anomaly detection methods for the prediction and identification of fraud cases is conducted. The empirical part of the study is based on data from financial filings, and the algorithms used for fraud detection are developed and analyzed. The results indicate that machine learning methods outperform traditional approaches in their ability to detect complex and non-linear relationships in financial data, functioning as effective early warning tools. Finally, machine learning is highlighted as a particularly powerful means of supporting the process of fraud detection in financial statements, while emphasizing the need to combine computational techniques with auditors’ professional judgment and human oversight. Directions for future research are proposed, with an emphasis on the utilization of unstructured data and the development of more interpretable and generalizable models."],"dc:identifier":["uoadl:5325108","https://pergamos.lib.uoa.gr/uoa/dl/object/5325108"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["Ανίχνευση απάτης στις χρηματοοικονομικές καταστάσεις εφαρμογή τεχνικών μηχανικής μάθησης για τον εντοπισμό ανωμαλιών και παραποιημένων οικονομικών στοιχείων"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:17:45Z"}