财务舞弊一直是资本市场最令人深恶痛绝的现象之一,因此如何建立一个有效的方案来对财务舞弊行为进行预测,具有重要的现实意义。本文正是基于这样的需求下,企图利用神经网络模型以及其它方法来建立一个能有效预测财务舞弊的方案。本文先阐述了财务舞弊的概念以及梳理了国内外关于财务舞弊动机的相关研究,然后又对国内外部分财务舞弊识别模型的研究情况进行概述。随之论述了财务报表各项指标的概念及性质,并从上市公司的盈利能力、应计项目、偿债能力、周转能力、资产质量、发展能力以及风险水平等七大方面确定了本文所使用的26项财务指标。财务指标确定之后,借助“CSMAR”数据库筛选出1999-2018年所有因财务违规而被官方机构通报的公司及对应违规年份的数据,然后再从该数据中筛选出发生财务舞弊的数据。获取到名单数据之后,又借助“聚宽量化”平台,在严格的非财务舞弊公司样本选取原则下,使用Python语言,获得了非财务舞弊样本名单以及所有样本的26项财务指标数据。在清洗样本数据之后共获得1046个非财务舞弊样本数据以及733个财务舞弊样本数据。获取到有效样本数据之后,为了降低各项指标之间的相关性以及提升数据质量,先借助Matlab工具,使用PCA法将原数据降维,获得了含有15个新指标的新数据。相较于原数据,处理后的数据质量得到很大提高;另外再根据一般经验,按照8:2的比例将数据划分为训练集和测试集。在得到训练集和测试集的数据之后,先通过科学的方法确立初始模型参数。在初始模型中:激活函数定为当前较为流行的Re LU函数;隐藏层层数定为1;隐藏层节点数定为5;并使用SGD算法来优化BP算法。初始模型的结果显示,当前参数下的模型精度不高:在测试集的查准率为81.48%,召回率为14.97%,F1 Score为25.29%,综合准确度为63.48%,因此必须对模型进行优化。首先是对BP算法进行优化,通过对比不同的BP优化算法写的模型结果,发现在使用L-BFGS算法后,模型各项指标有了质的提升。其次是对隐藏层节点数进行优化,通过不断试错,发现将隐藏层节点数设定为6时模型指标表现最好。最终优化后的模型结果较初始模型有了非常大的提升:在测试集中的查准率达到93.28%,召回率达到85.03%,F1 Score为88.97%,综合准确度为91.29%。综合对比于其它文献中的识别模型,本文的最终模型的识别率处于较高的位置。总之,本文所建立的财务舞弊识别方案,无论是从数据获取,数据处理还是从模型的构建和和求解结果来看,在实践中都有较强的可行性。