中国证券市场屡禁不止的财务造假给投资者造成巨大损失,利用量化手段构建的财务造假识别模型能够帮助投资者科学、有效地判断公司是否存在造假行为,从而规避投资风险,因此具有重要的实践意义。国外学者建立的财务造假识别模型在中国市场上适用性较低,而我国已有的模型预测准确率仅73%。已有研究发现当前资本市场上存在着信息不对称,与之相关的一些变量—分析师评级等级调整、卖空量、大股东减持、机构投资者减持、交易所问询函,可以用来判断上市公司财务信息披露是否存在问题,但尚无模型全面检验这五种变量,本文旨在将这五种变量加入已有财务造假识别模型Cscore模型,检验是否能提升已有财务造假识别模型的识别能力。本文选取2015-2020年所有因虚假披露资产、负债、收入、成本或其他会计科目而受到监管机构处罚的121个公司为造假样本,并按照行业和时间配对14272个非造假样本。本文将全体样本分为两部分,用2015-2019年的13635个样本（其中115个造假,13520个非造假）建立模型,用2020年的758个样本（其中6个造假,752个非造假）作为测试集。模型回归结果显示分析师评级等级调整、大股东减持、交易所问询函有助于提升现有模型的识别准确率。加入新变量后的模型（后文称为New Cscore模型）对2015-2019年样本的识别准确率较Cscore模型提升了4.39%,犯第一类错误（即将造假公司误判为非造假公司）的概率下降53.85%,犯第二类错误（即将非造假公司误判为造假公司）的概率下降14.04%。本文参考Beneish（1999）研究将一类错误成本与二类错误成本之比设为40:1,并计算模型的期望错误成本,发现错误成本下降了38.62%。本文以2020年6家造假上市公司和752家同行业的非造假公司作为测试集,对New Cscore模型和Cscore模型的财务造假识别能力进行测试,结果显示New Cscore模型的一类错误概率较Cscore模型降低50%,二类错误概率提高51.02%。考虑到一、二类错误成本之比约为40:1（Beneish,1999）,模型犯两类错误的平均成本降低了30.12%,说明New Cscore模型整体识别能力更强。本文全面检验了市场信息不对称相关的一系列变量,实证上综合使用了t检验、惠特曼U检验、向后剔除的Logit模型回归、稳健性检验等多种统计手段,建立了较为可靠的财务造假识别模型。对模型的测评工作较为完善,采用了约登指数、准确率、错误期望成本等多种模型评价指标。