VynFi/vynfi-group-audit-3yr-medium

VynFi多期间集团审计数据集——3年中型演示版(v5.33.2)是一个端到端的多期间集团审计数据集，由`datasynth-data`工具在引擎版本v5.33.2（提交`bb5969c4`）生成。涵盖三个财年（2024年、2025年、2026年），包含三个实体（德国母公司以及美国和英国子公司），采用IFRS和US GAAP双重会计框架，每年提供完整的合并包，期初余额持久化存储，使得`Y_N+1 opens == Y_N closes`（即下一财年期初余额等于上一财年期末余额）可通过文件差异进行外部验证。所有数据均为合成数据，不包含真实客户名称或真实语料内容。VynFi Multi-Period Group Audit — 3-Year Medium Demo (v5.33.2) is an end-to-end multi-period group-audit dataset generated by `datasynth-data` at engine version v5.33.2 (commit `bb5969c4`). It covers three fiscal years (2024/2025/2026), three entities (German parent + US and UK subsidiaries), IFRS + US GAAP dual framework, full consolidated bundle per year, opening balances persisted to disk so `Y_N+1 opens == Y_N closes` is externally verifiable by file diff. All data is synthetic, with no client names and no real corpus content.

搜集汇总

数据集介绍

构建方式

该数据集依托VynFi团队研发的datasynth-data引擎（v5.33.2版本）构建，以可复现的种子（0xDEADBEEFCAFEBABE）为起点，通过预定义的配置文件和周期计划，系统性地生成涵盖2024至2026三个财年的多实体合并审计数据。数据集包含三家虚构实体——德国母公司以及美国和英国子公司，并采用IFRS与US GAAP双框架并行生成，使得每个实体均遵照其所属框架进行科目分类与财务报告编制。为确保跨年连续性，引擎将每一财年末的期初余额持久化至磁盘，使得下一年度的期初余额与上一年度的期末余额在文件层面可逐行比对验证。整体数据规模约6.6 GB（未压缩），包含超100万条日记账分录，经校验其借贷平衡性、合并资产负债表恒等式（A = L + E + NCI）及跨年连续性均通过严格测试。

使用方法

用户可通过Hugging Face CLI直接下载数据集压缩包，解压后即可访问按年份组织的完整目录结构。对于数据加载，推荐使用Pandas结合Pathlib遍历各年度实体目录下的journal_entries.json文件进行批量读取，也可分别加载试算平衡表、期初余额等用于跨年连续性验证。合并日记账网络图（je_network.parquet）可通过PyArrow或Pandas高效加载，适用于PyG或Neo4j等图分析框架。使用方法中附带了可执行的Python代码示例，演示如何比较相邻年度同一实体的期初与期末余额，以验证数据连续性——需注意由于已分配利润的结账分录，账户3200会存在预期内的单笔差异。所有数据均以Apache-2.0许可开放，研究使用时应引用引擎版本号以确保可复现性。

背景与挑战

背景概述

在集团审计与跨期财务核查领域，合成数据因其实体关系复杂、会计准则多样化和时间连续性要求高，成为数据驱动方法的重要支撑。VynFi多期集团审计数据集（3年中型版，v5.35.1）由Michael Ivertowski等人于2026年通过datasynth-data引擎生成，旨在模拟包含德国母公司及美国、英国子公司的三年期（2024-2026）集团审计场景。该数据集核心研究问题聚焦于多实体、双框架（IFRS与US GAAP）下的合并财务报表生成、公司间交易对账及跨期连续性验证，其开闭余额持久化机制使得Y_N+1期初与Y_N期末余额可逐文件比对，为审计AI模型的训练与评测提供了行业级基准。

当前挑战

该数据集应对的核心挑战在于多准则集团审计中的复杂账务处理，包括IFRS与US GAAP双重框架下的科目分类、公司间交易消除余额匹配（IC匹配覆盖率需达1.0000）以及合并资产负债表恒等式A=L+E+NCI的精确闭合（目标残差低于2%）。构建过程中，难题涵盖多语言记账方向约定差异（如贷方余额自然符号与借方方向符号的映射）、跨期留存收益结转逻辑（账户3200的期初即等于上期期初加本期净利润，而非期末试算余额）以及少数股东权益（NCI）的分账表示问题，预计结构残余约1-2%需通过后处理方案（如Option B1）修正，确保数据集在审计研究中的可靠复现性。

常用场景

经典使用场景

在审计与会计研究领域，多期集团合并财务报表的验证始终是核心难题之一。该数据集以合成方式完整模拟了一家德国母公司及其美国、英国子公司连续三个财年（2024-2026）的财务活动，涵盖IFRS与US GAAP双重准则下的日记账分录、试算平衡表、合并财务报表及公司间交易对账等核心数据。其经典使用场景包括跨期财务连续性验证（如期初余额与上期期末余额的一致性检查）、合并资产负债表恒等式（A=L+E+NCI）的精准度测试，以及公司间交易匹配覆盖率的全面评估，为审计算法与财务模型提供了高度逼真且可重复的实验基准。

解决学术问题

该数据集的问世有效填补了审计与会计领域长期缺乏公开、大规模、多期合成审计数据的学术空白。它解决了两个关键问题：其一，传统研究受限于真实数据的保密性，难以复现复杂集团合并场景下的连续审计流程；其二，现有合成数据集多忽视跨期连续性验证与双重准则并存的实际需求。该数据通过确保99.5%以上账户的期初-期末余额匹配，并自动处理留存收益结转等复杂会计逻辑，为多期财务异常检测、公司间交易消除算法、以及合并报表自动化校验模型提供了不可或缺的验证基石，显著推动了实证审计研究的可复现性与严谨性。

实际应用

在实际应用中，该数据集广泛服务于审计软件公司的自动化测试、企业ERP系统的合并功能验证，以及金融机构的财务合规检查工具开发。例如，审计师可利用其日记账网络图（je_network）训练欺诈检测模型，识别异常交易路径；财务系统开发商可将其作为基准，测试多实体、多币种、双准则合并报表引擎的运算准确性与性能效率。此外，该数据集还支持公司间交易自动匹配与对账算法、非控制性权益（NCI）及外币折算调整（CTA）等复杂流程的算法开发，为实际审计工作的降本增效提供了可靠的数据仿真环境。

数据集最近研究

最新研究方向

该数据集聚焦于审计领域前沿的合成数据生成与多期集团合并会计校验研究，特别结合了IFRS与US GAAP双框架下的跨实体对账、内部交易消除及少数股东权益处理等复杂场景。近期研究方向围绕大规模、高保真度、跨财务年度的审计数据集构建，通过P0c量级校准使每行中位数达到约10.8K美元，显著提升了数据真实性。这一进展呼应了当前审计行业对AI驱动异常检测与自动化复核的热点需求，为开发可解释的内部交易匹配模型及连续审计算法提供了标准化的基准测试平台，对推动合成数据在会计师事务所数字化转型中的验证应用具有里程碑意义。