2019年的资本市场又是令投资者胆战心惊的一年。康美药业近300亿货币资金不翼而飞,康得新连续4年间累计虚增利润总额119.21亿元。“两康”事件令无数的投资者蒙受了巨大的损失,同时也在各市场参与者的心中敲响了警钟。财务数据作为定期向全市场公开的数据,是市场预期形成的底层架构。亦真亦假的财务数据使得资本市场更加令人畏惧。那么,作为市场参与者,如何才能规避这些财务“地雷”公司呢?本文回顾海内外有关盈余管理、财务造假的文献,发现现有的研究存在较为明显的问题。Dechow et al.（2011）提出的F-score模型是目前最为著名的财务造假预测模型,该模型曾因成功甄别本世纪初震惊全球的安然造假案而闻名。F-score模型运用Logistic回归的方法,证明了财务数据具备甄别财务“爆雷”的能力,成功从样本中甄别了69%的存在财务造假或重大错误陈述的公司。然而,由于样本的极度不平衡以及对非财务数据挖掘不足等原因,Fscore模型表现出高误报率的特征。其合计发出了4.95万次信号,才得以命中339个“地雷”样本,即0.7%的精确率。钱苹和罗玟（2015）针对中国A股市场开发的C-score模型基本延续了F-score模型的思路,因此同样存在误报率畸高的缺点。过高的误报率使得现有的模型很难参与到金融市场的实际应用。本篇文章收集了从2014年年报到2018年年报之间全部A股上市公司的财务报告,共40415份财务数据样本。并将披露后一年内,公司被出具非标审计意见的样本作为观测样本,即“地雷”样本,共1584个,剩余样本作为控制样本。“地雷”样本与控制样本的数量比例达到1:25。本文综合海内外文献、财务造假案例、各类财务分析软件、财务报表附注以及监管问询函文本等资料,从财务杠杆、盈利能力、成长性、资产周转能力、盈利质量、资产质量、异常背离、公司治理结构、公开市场信息及产业链共10个维度出发,挖掘了近140个解释变量。解释变量数量和全面性超过现有研究。针对数目繁多的解释变量,本文首先通过信噪比、方差分析、方差膨胀因子检验进行了特征变量的预筛选。其次,本文应用L1正则化的Logistic回归模型,同时通过最大化F2分数的方法进行模型判断阈值的选择,得到了一个简洁、意义明确且分类效果出色的Logistic模型。估计得的模型表明最近年报是否亏损、存贷双高、近一年监管问询函数量、客户单一程度、期间费用率、股权集中度、ROA、股息率、员工平均薪酬是甄别我国A股上市公司财务“地雷”风险的关键指标。该模型的召回率为60.86%,精确率为22.51%,虽然召回率较F-score模型和Cscore模型有些许下降,但精确度大幅提升,使该模型具备实际应用的可能。另,从F2分数上看,该模型拥有显著更强的综合性能。进一步的,本文探索了机器学习领域中的不平衡学习方法Easy Ensemble。Easy Ensemble是一种特殊的欠采样方法,通过对样本的抽样再构,改善样本不均衡带来的模型估计困难。本文分别尝试了以Logistic、Ada Boost、XGBoost和SVM作为的基学习器的Easy Ensemble模型。发现Easy Ensemble方法能大幅度的改善模型的分类性能,大幅提升对小类样本的估计准确度。其中,Easy Ensembled XGBosst拥有最强的分类性能,该模型成功从1584个“地雷”样本中成功甄别了1398个,召回率高达88.26%,同时模型的精确率也达到19.36%,F2分数高达0.5156,大幅度优于传统的Logistic回归模型。本文即提供了意义明确、便于使用的Logistic回归模型,也提供了性能强劲、召回率高、误判率低的Easy Ensembled XGBoost模型。本文给出的模型即可应用于投资过程中的风险控制,也可稍加变换用以辅助财务分析、个股选择,还可以用于协助审计师和监管机构及早发现财务粉饰或财务造假,具有充分的现实意义。