随着社会经济的不断发展,国内外被曝光的上市公司财务报告舞弊案屡见不鲜,此类事件的披露,不仅令上市公司财务报告的真实性饱受质疑,社会公众对资本市场的信心遭到严重破坏,也令大众开始怀疑上市公司监管机构与审计机构工作职能的有效性,因此如何快速有效地识别与预测上市公司财务报告舞弊对广大中小投资者、审计机构、监管机构都至关重要。本文对上市公司财务舞弊的数据分析方法进行了研究,主要针对现有财务报告舞弊识别方法研究大多是基于上市公司是否发生舞弊构建二分类单个模型进行舞弊识别,或进行多种单个分类模型的识别性能对比,方法过于单一,而进行了基于集成学习算法用于上市公司财务报告舞弊行为的识别与预测研究。围绕财务报告舞弊识别和预测问题的解决,本文所做工作如下:(1)对财务报告舞弊理论、手段、特征及识别研究等相关文献做了梳理,明晰关于财务报告舞弊的研究发展历程,并对本文研究所使用的技术手段——集成学习算法进行概述,结合集成学习算法原理构建基于Stacking的财务报告舞弊识别与预测模型。(2)在构建模型过程中,分别基于神经网络技术、支持向量机技术以及Stacking集成学习技术构建了财务报告舞弊识别与预测模型,选择BP神经网络和支持向量机作为集成学习的初级分类器;以Logistic回归模型作为集成学习的次级分类器。(3)基于新舞弊菱形理论,从舞弊动机、机会、合理化、能力以及公司治理机制五个方面作为筛选特征指标的理论基础,构造财务报告舞弊识别的指标体系,初步选择42个财务指标和非财务指标作为本文实验设计的初始特征指标集合,并分别基于独立样本T检验和自编码器进行特征指标提取,在P=0.05显著性水平上筛选出10个具有显著差异性的特征指标,为了对比两种提取特征指标方式的优劣,自编码器同样设置为提取10个特征指标,再分别以10个特征指标和42个初始特征指标进行BP神经网络、支持向量机、Stacking集成学习模型的训练,以考察不同组合特征指标构建的模型识别效果。(4)基于显著性检验、自编码器提取特征方式以及初始特征指标构建BP神经网络、支持向量机单个分类器和集成分类器,并比较上述三种情况下构建的单个分类器和集成分类器的模型性能以及基于不同方式提取特征构建的集成分类器的模型性能。(5)依据不同模型的识别性能,输出识别准确率最高、综合识别性能最优的模型结果,作为上市公司实施财务报告舞弊的可能性预测。本文的主要创新工作包括:(1)基于近年最新的新舞弊菱形理论研究成果进行模型特征指标的筛选,即从舞弊压力因素、舞弊机会因素、舞弊合理化(借口)因素、舞弊者能力因素和公司治理机制五个方面进行特征指标的选取,相比以往研究,丰富了指标的分类;且在指标选择上,并没有照搬以往研究已经考量过的指标,而是结合王志焕主编《财务管理学》一书中对财务指标的分析以及财政部令第41号《企业财务通则》对公司财务指标的划分创新性地选择、计算了一些如长期债务与营运资金比率、息税折旧摊销前利润/负债合计等前人没有使用过的指标,将其列入模型进行评估。除此之外,在模型特征指标提取方式上,本文创新性地应用自编码器这一工具进行特征指标的提取,并获得较好的模型识别效果。(2)现有财务报告舞弊识别研究中,大多是基于上市公司是否发生舞弊构建二分类单个模型进行舞弊识别,或进行多种单个分类模型的识别性能对比,少有学者基于集成学习算法将单个分类模型进行融合建模用于上市公司财务报告舞弊行为的识别与预测研究。本文将财务报告舞弊经典识别算法BP神经网络和支持向量机借助Logistic回归算法进行融合,构造集成分类器,获得了预测能力较强的财务报告舞弊识别模型。(3)本文借助Logistic回归模型作为集成模型的次级分类器,该算法有一个强大优势即模型结果不仅可以预测出“类别”,还可以预测某件事情发生的概率,有助于需要借助概率辅助决策的任务。现有研究中,少有学者对公司实施舞弊的可能性进行研究,本人认为仅得出公司是否舞弊的结论过于单一,模型预测出舞弊可能性不管是对监管机构还是审计机构均具有重要意义。监管机构可以事先察觉上市公司是否具有舞弊端倪,从而对上市公司进行有针对性地管控,对预测为舞弊可能性较高的公司严格审查,从而将舞弊行为防范于未然,有助于监管者监管职能的有效发挥;审计机构可以借助舞弊可能性高低对审计工作进行新的部署,对舞弊概率较高的公司审计更为严谨、细化,以识别是否真的存在舞弊行为,从而发表正确的审计意见类型。