基于财报文本的情感语调的分析：DeepSeek辅助识别财务瑕疵.pdf

➢财务造假样本分析：从CSMAR数据库“财务违规表”筛选2010-2021年样本，通讯服务行业造假占比最高，金融和公用事业最低。2010-2018年造假公

司数量及占比上升，2019年后下降，且约58.3%的造假行为在1-2年内暴露或终止。信息披露违规成为主流，虚构利润和虚列资产减少。

➢特征池构建：基于上市公司定期财务报告，从8个维度构建378个比率型指标，经筛选处理后保留100个指标，形成特征池，包含5483个财务造假样本

和42046个控制样本。

➢情感语调因子构建：利用DeepSeekR1模型分析财报文本情感语调，设计相关函数和处理流程，获取情感语调分数。财务造假公司情感语调分数整体

低于正常公司，可捕捉情绪矛盾、模糊表述和行业异常等风险线索。

➢模型表现：分别构建Logistic、LightGBM和MLP模型，加入情感语调因子后，三个模型召回率均提升，第二类错误下降。情感语调因子在非线性模

型（MLP、LightGBM）中重要性高，与传统财务指标协同，提升综合预警能力。

➢拓展路径：基于Zero-Shot的财报文本直接分析模式，利用大模型通用语义理解能力挖掘潜在造假信号；基于违规说明的Fine-Tuning模式，对基座

LLMs进行微调构建专家模型，通过精准匹配率和人工盲测评估。

➢风险提示：模型过拟合风险，DeepSeek的训练依赖于投喂的框架语料与底稿数据，多维框架下存在未来函数和过拟合风险；数据口径调整风险，财

务指标统计口径的调整可能带来AI配置结论的改变；AI推理的不稳健性，AI模型的输出结论具备一定随机性，多次生成可能产生不同的结果。

请务必阅读正文之后的免责声明及其项下所有内容

目目录录

01财务造假上市公司样本整理

02基于结构化数据构建财务造假识别模型特征池

03DeepSeek辅助构建基于财报文本的情感语调因子

04情感语调因子在财务造假识别模型中的表现

05AI挖掘财报文本信息的拓展路径

请务必阅读正文之后的免责声明及其项下所有内容

造造假的违规类型假的违规类型

➢认定财务造假需满足三个要件：主观故意性、财务数据操纵性、误导利益相关者目的性。在15个违规类型中，通常认为虚构利润、虚

列资产、虚假记载、重大遗漏、披露不实、欺诈上市、一般会计处理不当为财务造假类违规。

图：上市公司违规类型说明

违规名称解释说明违规分类

虚构利润虚构收入、成本费用等相关导致利润增加的科目事项均纳入此类别，包括以虚构利润为目的隐瞒亏损（利润表里的科目）。财务造假类

虚列资产虚构负债等相关科目导致资产增加的事项均纳入此类别（负债表里的科目）。财务造假类

虚假记载，即负有信息披露义务的相关主体，在履行披露信息义务时，在其公开的文件中作出与事实不相符合的记载的行为；误导性陈述，即

虚假记载（误导性陈述）财务造假类

负有信息披露义务的相关主体在其公开的文件中或者通过媒体，作出误导市场投资者对其投资行为发生错误判断并产生重大影响的陈述。

重大遗漏重大遗漏，即信息披露义务人在信息披露文件中，未将应当记载的事项完全记载或者仅部分予以记载，强调的应披露内容的完整性。财务造假类

在信息披露中提供不实信息，如虚假陈述、隐瞒事实等。根据公告无法判断披露的信息是内容不真实，还是内容不完整，或者是披露时间不够

披露不实（其他）财务造假类

及时，此时将这种情况收录在此项。

欺诈上市指在招股说明书或认股书、公司、企业债券募集办法中隐瞒重要事实或编造重大虚假内容。