Informationen des Jahresabschlusses dienen für eine Vielzahl externer Adressaten als wesentliche Informationsquelle zur Entscheidungsfindung. Trotz zahlreicher Kontrollinstanzen kommt es regelmäßig zu Bilanzskandalen, durch die die derzeitigen Kontrollmechanismen auf den Prüfstand gestellt werden. Gleichzeitig sehen sich Prüfer im Zuge der Digitalisierung mit komplexeren Unternehmenssystemen und -daten konfrontiert, wodurch effizientere Prüfungen zwingend notwendig werden. Die Frage, ob ein Jahresabschluss manipuliert worden ist oder nicht, kann statistisch als Klassifikationsproblem verstanden werden. Klassifikationsverfahren des maschinellen Lernens sind in der Lage, adäquate Risikobeurteilungen zu fällen, auf deren Basis eine mögliche Fallauswahl zu prüfender Abschlüsse getroffen werden kann und die eine Festlegung des Prüfungsumfangs in Abwägung des Risikos ermöglicht. Im Rahmen dieser Untersuchung werden verschiedene Methoden des maschinellen Lernens sowie die Kombination dieser Verfahren durch Ensemble-Methoden dargestellt und deren Güte empirisch aus Basis der area under the curve (AUC) von receiver operating characteristic-Kurven (ROC-Kurven) überprüft. Als Datengrundlage dienen Abschlüsse deutscher Unternehmen, bei denen ein nicht uneingeschränkter Bestätigungsvermerk vorgelegen hat oder eine Fehlerfeststellung des Enforcement bekannt gemacht worden ist. Die Gruppe nicht-fehlerhafte Abschlüsse wurde über ein k-nearest-neighbor basiertes Matchingverfahren identifiziert. Die Ergebnisse zeigen, dass insbesondere durch die Verwendung von Ensemble-Methoden eine hohe Klassifikationsgüte erzielt werden kann. Die praktischen Einsatzmöglichkeiten der Verfahren werden am Fall der Wirecard AG dargestellt. Unter Berücksichtigung weiterer Kriterien wie Einfachheit, Verständlichkeit und Implementierbarkeit werden die Einsatzmöglichkeiten im derzeitigen Kontrollsystem von Jahresabschlüssen diskutiert.