论文部分内容阅读
近年来,财务舞弊案件层出不穷,严重侵害了投资者和相关人员的权益,阻碍了资本市场的有效运作。如果不能及时发现和预防财务舞弊风险,市场中的利益相关者就会受到不利的影响。因此,进行财务舞弊识别研究具有重要的理论和实践意义。建立有效而准确的财务舞弊识别模型是监管机构、审计师和投资者的共同期盼。然而识别财务舞弊并非易事,如何对财务舞弊问题进行精准识别,为利益相关者进行有效预警,值得进一步地讨论。
以往的研究大多基于舞弊公司和非舞弊公司建立二分类识别模型,然而目前未被公开处罚的上市公司并不代表其从未进行过财务舞弊,非舞弊公司的真实性往往难以保证。因此,为了避免筛选非舞弊公司时出现样本偏差问题,本文提出并使用单分类方法构建新的财务舞弊识别模型。与二分类模型不同,它不需要除了目标类之外的任何信息,仅通过学习舞弊公司样本数据便可以构建出有效的舞弊识别模型。根据这个思路,本文做了如下的工作:首先从财务舞弊定义、财务舞弊成因理论、财务舞弊特征、财务舞弊识别模型等多方面充分梳理了国内外研究现状,明确了财务舞弊研究的脉络。其次,通过使用2013年至2018年间中国沪深两市制造业财务舞弊信息和上市公司公开信息,选取了36个财务指标和非财务指标,构建出用于财务舞弊识别的数据集。再者选择了单分类模型中较为常用的一分类支持向量机作为财务舞弊识别基础模型。为了加强模型识别效果,本文利用机器学习方法中强大的集成学习思想改进模型,在集成融合策略的选择上,没有采用常用的方法,而是创新性地使用LSCP(Locally Selective Combination in Parallel Outlier Ensembles)框架来融合多个一分类支持向量机,生成了一个识别效率更好的财务舞弊识别集成模型。最后实验结果表明,一分类支持向量机可以有效地识别财务舞弊,且以此构建的LSCP集成模型提升了舞弊识别模型的准确率和泛化能力,对舞弊公司的识别率达到95.74%,总体识别率为81.91%。可以看出,本文的研究为财务舞弊识别研究提供了新方向,给市场投资者和相关监管人员提供了更为精准的决策参考。
以往的研究大多基于舞弊公司和非舞弊公司建立二分类识别模型,然而目前未被公开处罚的上市公司并不代表其从未进行过财务舞弊,非舞弊公司的真实性往往难以保证。因此,为了避免筛选非舞弊公司时出现样本偏差问题,本文提出并使用单分类方法构建新的财务舞弊识别模型。与二分类模型不同,它不需要除了目标类之外的任何信息,仅通过学习舞弊公司样本数据便可以构建出有效的舞弊识别模型。根据这个思路,本文做了如下的工作:首先从财务舞弊定义、财务舞弊成因理论、财务舞弊特征、财务舞弊识别模型等多方面充分梳理了国内外研究现状,明确了财务舞弊研究的脉络。其次,通过使用2013年至2018年间中国沪深两市制造业财务舞弊信息和上市公司公开信息,选取了36个财务指标和非财务指标,构建出用于财务舞弊识别的数据集。再者选择了单分类模型中较为常用的一分类支持向量机作为财务舞弊识别基础模型。为了加强模型识别效果,本文利用机器学习方法中强大的集成学习思想改进模型,在集成融合策略的选择上,没有采用常用的方法,而是创新性地使用LSCP(Locally Selective Combination in Parallel Outlier Ensembles)框架来融合多个一分类支持向量机,生成了一个识别效率更好的财务舞弊识别集成模型。最后实验结果表明,一分类支持向量机可以有效地识别财务舞弊,且以此构建的LSCP集成模型提升了舞弊识别模型的准确率和泛化能力,对舞弊公司的识别率达到95.74%,总体识别率为81.91%。可以看出,本文的研究为财务舞弊识别研究提供了新方向,给市场投资者和相关监管人员提供了更为精准的决策参考。