基于神经网络集成的财务舞弊识别方法.docVIP

基于神经网络集成的财务舞弊识别方法 　　摘 要：为提高财务舞弊识别的精确度及泛化能力，本文以Spss Modeler14.2为平台，利用bagging和Boosting算法构建神经网络集成分类器，建立财务舞弊识别数据流，并对结果进行了分析。结果表明，Boosting算法构建的神经网络集成分类器精确度高，泛化能力强，能更有效的识别财务舞弊。 　　关键词：财务舞弊；神经网络集成；Bagging；Boosting 　　0 引言 　　近年来上市公司的财务舞弊案频繁发生，打击了公众对上市公司和资本市场的信心，成为资本市场健康发展的一块顽石，因此寻求有效并能迅速识别舞弊的方法成为资本市场和会计执业界面临的问题之一。随着人工智能和计算机技术的发展，许多数据挖掘算法应用到财务舞弊识别领域，神经网络由于对数据分布假设没有要求，且非线性拟合能力较强，这使得其在舞弊识别方面具有较强的适用性。国外应用神经网路识别财务舞弊的研究开展的较早，Ethridge和Brooks早在1994年就提出人工神经网络是甄别管理舞弊的理想方法[1]。Green和Choi （1997）利用原始财务数据建立神经网络（ANN）舞弊判别模型[2]。Lin、Hwang和Becker （2003） 融合模糊回归、神经网络等方法构建了集成的模糊神经网络[3]。国内学者的代表性研究主要有：梁杰等（2006）提出了模糊神经网络混合模型[4]。刘君、王里平（2006）建立径向基概率神经网络的财务舞弊识别模型[5]。蔡志岳和吴世农（2006）证明遗传神经网络预测准确度高于逻辑回归模型和BP神经网络预测模型[6]。 　　从上述研究可以看出前人的研究主要采用单一分类器构建模型，在实际应用中单一分类器存在一些缺陷，如分类精确度较低、预测性能不稳定等问题。针对财务舞弊识别建模数据样本量较少、数据维度高、信噪比低等诸多难题，本文提出采用神经网络集成的思想来提高舞弊识别模型的泛化能力和预测效果。 　　1 神经网络集成 　　根据1996年Sollich和Krough的定义：“神经网络集成是用有限个神经网络对同一个问题进行学习，集成在某输入示例下的输出由构成集成的各神经网络在该示例下的输出共同决定”[7]。简单来说，通过建立多个神经网络并将其结论结合，以提高学习系统的泛化能力。在生成集成的个体网络方面，Bagging和Boosting是集成学习中两种常用的算法。 　　1.1 Bagging 算法 　　Bagging 是1996年Breiman在Bootstrapping和aggregating概念的基础上提出的。Bagging算法的核心思想是可重复取样。该方法通过对原始数据集进行放回抽样，产生训练数据集的副本，创建大小与原始数据集相同的 bootstrap 样本。然后，在每个副本上构建“成分模型”，得出预测函数序列，最终的预测结果将按照一定的集成方法来得到。 　　2 实证检验 　　2.1 研究设计 　　本文以Spss Modeler 14.2为建模平台，首先利用Pearson相关算法对舞弊识别指标进行特征选择，形成次优特征集，在此基础上利用Bagging算法和Boosting算法构建神经网络集成分类器作为挖掘模型，建立舞弊识别数据流。Spss Modeler 14.2的神经网络建模工具是一种完全的黑盒模型，不需要自己构建数学函数，完全通过机器的学习完成建模。 　　2.2 样本选取 　　本文所用数据来源于国泰安上市公司数据库，选取2008～2012年因虚构利润、虚列资产、误导性陈述、重大遗漏、推迟披露等原因被证监会、上交所、深交所公开处罚的违规样本作为舞弊样本，以与舞弊样本相同行业、相同年度、相近规模为标准选取非违规公司为配对样本。共获得样本1100个。 　　2.3 指标选择与数据预处理 　　（一）舞弊识别指标 　　舞弊识别指标通常作为舞弊识别的分类特征，因此甄选适当的识别指标是构建模型的前提。根据以往的研究经验，财务指标被普遍应用，并证明在舞弊识别方面是有效的。此外，会计信息的真实性有赖于公司外部监督和内部治理机制的保障，因此研究选择了涵盖企业偿债能力、营运能力、盈利能力、发展能力、风险水平、现金流量能力等方面的财务指标；同时也将选择公司治理、股权结构、审计意见等非财务信息指标作为舞弊识别的备选指标。具体如下： 　　（1）偿债能力：资产负债率、利息保障倍数、营运资金与借款比、产权比率、流动比率、速动比率、现金比率、营运资金比率 　　（2）营运能力：存货周转率、存货与收入比、应收账款周转率、应收账款与收入比、总资产周转率 　　（3）盈利能力：营业毛利率、息税前利润与营业收入比、资产报酬率、总资产净利率、净资产收益率、管理费用率、财务费用率、销售费用率 　　（4）发展