机器学习在上市公司财务造假识别中的应用分析报告2020.pdfVIP

证券研究报告 ·金融工程深度 机器学习在上市公司财务造假识别中的应 金融工程研究 用 主要结论 财务造假数量增加，虚构利润是最主要的造假动机 2008 至2018 年，涉及财务造假的公司达 107 家。财务造假会影响投 资者的判断，从而给投资者带来巨大的损失，也给中国资本市场的健 发布日期： 2020 年 09 月 30 日 康发展蒙上了阴影。近些年，财务造假数量呈现增长趋势，因此对财 务造假的识别迫在眉睫。经统计，超过90% 的财务造假处罚类型均为 虚构利润，因此可以围绕利润的形成过程，构建识别的特征。 选取2008 至2018 年所有造假公司作为造假样本，其他所有无造假公 司作为控制样本 我们选取了2008 至2018 年间，证监会，上交所以及深交所发布的公 告中搜集到发生财务造假的A 股上市公司作为造假样本，共涉及 107 家公司的309 份年报。部分公司季度报告等出现造假，由于与年报指 标不统一，因此不纳入模型考虑。为了保证模型的可回测性，选取控 制样本为当年所有无造假的上市公司。同样为了模型的可回测性，对 市场表现 于连续年度造假的样本，将每一年都视为一个 的造假样本 46% 根据财务指标、公司基本情况和市场指标，构建79 个特征变量 36% 26% 依据财务造假常见的手段，结合国内外学者的研究，从财务指标、公 16% 司基本情况和市场指标三个维度入手，构建了 79 个特征变量。为了 6% -4% 使不同行业间特征具有可比性，依据中信一级行业分类计算各特征的 -14% 6 6 6 6 6 6 6 6 6 6 6 6 / / / / / / / / / / / / 9 0 1 2 1 2 3 4 5 6 7 8 行业分位值。 / 1 1 1 / / / / / / / / 9 / / / 0 0 0 0 0 0 0 0 1 9 9 9 2 2 2 2 2 2 2 2 0 1 1 1 0 0 0 0 0 0 0 0 使用多种机器学习算法构建预测模型。不同算法性质不同，普遍准确 2 0 0 0 2 2 2 2 2 2 2 2 2 2 2 率和召回率较高 万得全A 本文使用了Logistic 回归、支持向量机、决策树和随机森林4 种机 器学习方法，构建上市公司财务造假识别模型。结果表明，不同算法 相关研究报告