基于ＬＶＱ神经网络的财务舞弊识别模型实证研究.docVIP

基于ＬＶＱ神经网络的财务舞弊识别模型实证研究 　　 摘要:为了保护广大投资者和规范国内资本市场,对财务舞弊识别的研究具有重要的意义。在参考前人研究的基础上,选择能识别财务舞弊的指标,利用主成分分析法约减指标,得到9个综合变量。在此基础上,利用学习矢量量化(Learning Vector Quantization,LVQ)神经网络建立财务舞弊识别模型;此模型对测试样本的判断准确率高达90.9%,验证了模型的有效性。最后把此模型与用其他方法建立的财务舞弊识别模型进行比较,发现LVQ神经网络建立的财务舞弊识别模型,能更有效地识别测试样本有没有财务舞弊。 　　 Abstract: In order to protect investors and regulate the capital market, the research of the fraudulent financial statements detection is very important. Then principal component method was used to reduce the numbers of indicators. Through it, 9 comprehensive indicators which can detect the fraudulent financial statements were acquired .Then the model of identifying the fraudulent financial statements was built by the LVQ neural network. Then an empirical research about the model has been done, the accuracy of predicting the testing samples was up to 90.9%.At last by comparing with other models, this paper find that the model built by LVQ neural network can detect the fraudulent financial statements effectively. 　　 关键词: 财务舞弊;识别;LVQ神经网络;支持向量机(SVM) 　　 Key words: fraudulent financial statements;detection;LVQ neural network;support vector machines(SVM) 　　 中图分类号:F253?7;F019?3 文献标识码:A 文章编号:1006-4311(2009)10-0111-03 　　 　　0引言 　　 　　财务舞弊不仅让投资者蒙受巨大损失,也严重影响资本市场健康发展。有效地识别财务舞弊不仅有利于广大投资者,也有利于资本市场健康发展。 　　为了有效识别财务舞弊,国内外学者运用各种方法建立财务舞弊识别模型。BP神经网络被国内外学者广泛用于财务舞弊识别,但BP网络有可能陷入局部最小问题,而不能保证一定得出全局最小值;LVQ神经网络已经被广泛用到模式识别领域[1]。本文用LVQ神经网络建立财务舞弊识别模型。 　　 　　1样本的选择及指标的确定 　　 　　1.1 样本选择 　　①舞弊样本的选择。美国注册会计师协会(AICPA)在其第82号审计准则中将会计舞弊定义为:企业管理当局为了欺骗财务报告使用者而对财务报告中所列示的数字和其余披露进行有意识的错报或忽略[2-3],所指的财务舞弊即为这种会计舞弊。所有舞弊样本均来源于中国证监会处罚公告[3],为1998年1月1日到2004年12月31日,总共获得33个舞弊样本,其中22个作为建模样本,剩余11个样本作为测试样本,用来检验模型对新样本的判断能力。 　　②控制样本的选择。为每个舞弊公司选择一个控制样本,本文按照杨薇[4] (2008)所用的方法选取控制样本,即从相同行业和相似的资产规模中选取非ST、非PT的没有财务舞弊历史的公司[4]作为控制样本。最终选择出33个控制样本,其中22个作为建模样本,剩下的11个作为测试样本。 　　1.2 指标体系的建立 　　①备选指标选择。根据Beneish[5](1999)、聂丹丹[3](2000)、杨薇[4](2008)、陈凌[6](2005)等的论文选择备选指标,具体见表1。 　　国内其他学者通过对表 1的备选指标进行T检验或Wilcoxon秩和检验或Kruskal-Wallis检验,结果表明,这些指标能有效识别财务舞弊样本,如参