财务报告舞弊现象自资本市场出现以来,在各个国家都时有发生,这不仅对广大投资者的利益造成侵害,更破坏了证券市场对资源配置进行调控的作用。我国证券市场经过三十余年的发展,势头尚猛,上市公司数量快速增加,但相配套的监管机制与规范制度还不够完善成熟,导致财务舞弊事件层出不穷。传统的财务报告舞弊识别很大程度上依赖于审计师的经验判断,面对当前庞大的市场规模与愈加“高明”的舞弊手段,仅凭人工显然低效且成本高。因此,如何利用现有的机器学习算法,构建出高效并具有一定准确率的财务舞弊识别模型,不论对监管部门还是投资者来说,都有很强的现实意义。本文首先对财务舞弊已有的相关理论与研究进行梳理归纳,包括财务报告的起源与发展、财务舞弊动因理论、财务舞弊的定义以及财务舞弊特征与模型的研究现状。其次,本文选取了目前国内研究较少的批发零售业作为行业背景,从国泰安（CSMAR）违规数据库中选取了2000-2020年间因为涉及虚构利润、虚列资产、虚假记载（误导性陈述）、披露不实以及重大遗漏中一种或多种,而被证监会等机构公开处罚的上市公司作为舞弊样本,并按1:1的比例和一定原则获取配对样本,得到139个舞弊样本与139个非舞弊样本,共278个样本。随后,本文按照一定标准选取了28个初始指标,经过Mann-Whiteny检验后初筛出18个显著性指标,并采用三种不同的降维方法——AIC准则、Boruta算法、主成分分析法,进一步得到了三个更加精简的指标体系。最后,将三个指标体系与三种机器学习算法——逻辑回归、随机森林、支持向量机进行两两组合,最终得到9个组合模型,其中主成分分析法与随机森林的组合效果最好,精确率与召回率表现相当且均在85%以上,综合指标F1分数达到了87.2%,且整体上随机森林与支持向量机比逻辑回归模型的鲁棒性更强。本文的研究结论表明不同降维方法与机器学习的组合,能够实现对批发零售业上市公司财务舞弊的高效识别,同时也给出了对财务舞弊识别有显著影响的因素。这将为我国证券市场的平稳健康发展提供更多支持,也为批发零售业财务舞弊识别模型提供更多可行的选择。