A股财务造假预测模型的建立_一个模型化的全新识别系统_32页_1mb

A股财务造假预测模型总结

核心内容

本文提出并建立了一个适用于A股市场的财务造假识别模型，基于Logistic逻辑回归模型，结合了财务特征变量与非财务指标，旨在提升财务造假识别的准确性与实用性。模型共设计22个变量，其中在10%显著水平上，针对造假首年样本，显著变量包括：X2应收变化率、X3存货占比、X7软资产比例、X8带息负债率、X11货币现金异常、X15前一年是否亏损、X17是否再融资、X18股权集中度、X19机构持股比例、X21是否更换事务所、X22审计意见。

主要观点

• 财务造假识别的流程：从资金流（收入）开始，通过资金凭证（客户和供应商）到资金记账（转化为资产），造假行为通常涉及虚构收入、伪造现金流、虚增资产等。
• 财务造假的典型科目：收入、应收账款、存货、毛利率、现金流等是造假的“重灾区”，需重点关注其异动、异常及新增情况。
• 模型的构建：参考Mscore与Fscore模型，但结合A股市场特性，采用Logistic回归模型进行变量筛选，以提升模型的适用性。
• 变量设定与分析：模型变量分为资产异常、现金异常、盈利异常和非财务指标，其中资产异常变量如应收变化率、存货占比、软资产比例、带息负债率等在模型中具有显著性。
• 模型的预测能力：针对造假首年样本，模型预测准确度为69.3%；针对全部造假年份样本，准确度为74.9%。

关键信息

1. 造假样本梳理及特征分析

• 1994-2018年间，共发生172起财务造假事件，涉及165家上市公司。
• 样本处理方式包括：仅保留首次造假年份的数据、不包括仅受问询或IPO前造假事件。
• 高危行业包括化工、农业、机械、商贸、纺服等，因其业务环节简单或交易不透明，造假成本低或隐蔽性强。

2. 造假“重灾区”科目及定性识别

• 收入：异常客户或异常模式产生的异常收入。
• 应收账款：余额过大、回收风险较大、坏账准备计提不足。
• 存货：余额过大、周转率过低、跌价准备不充分。
• 毛利率：偏离同行业水平或与周转率矛盾。
• 现金流：经营现金流与净利润背离、美化经营现金流。

3. 模型的建立与变量含义

• Mscore与Fscore模型：国外模型在A股市场适用性较弱，因此需结合国内实际情况进行调整。
• 变量分类：
  • 资产异常：应收款项占比、应收变化率、存货占比、存货变化率、应付款项占比、应付变化率、软资产比例、带息负债率。
  • 现金异常：现金销售率、自由现金流变动率、货币现金异常。
  • 盈利异常：交联交易占比、交联交易变化率、毛利率异常、前一年是否亏损、前一年扣非ROE。
  • 非财务指标：是否再融资、股权集中度、机构持股比例、董事会规模、是否更换事务所、审计意见。

4. 模型的实证过程

• 样本选择：使用172个造假样本与41240个非造假样本。
• 显著性检验：X2、X3、X7、X8、X11、X15、X17、X21、X22等变量在10%显著性水平上具有统计显著性。
• 模型回归结果：
  • 最终进入模型的变量为：X2应收变化率、X3存货占比、X7软资产比例、X8带息负债率、X11货币现金异常、X15前一年是否亏损、X17是否再融资、X18股权集中度、X19机构持股比例、X21是否更换事务所、X22审计意见。
  • 模型预测准确度为69.3%，其中64.5%的造假公司被正确识别，35.5%的正常公司被误判为造假公司。

5. 模型应用与分析

• 模型阈值：回归拟合值fraud > -5.58 或胜算比odds = exp(fraud) > 0.00379。
• 模型应用：建议投资者规避模型得分较高的个股，特别是2018年以前的高分个股，因其可能在后续被揭露。
• 边际效应分析：通过dy/dx分析变量变化对造假概率的影响，有助于识别关键风险因子。

模型优势与局限性

• 优势：
  • 采用行业分位值与变化率，提升模型对行业特异性与突变情况的识别能力。
  • 使用全样本作为先验样本，减少样本选择偏差。
  • 考虑非财务指标，如是否再融资、股权集中度、机构持股比例等，提升模型的全面性。
• 局限性：
  • 模型预测存在两类错误（第一类与第二类）。
  • 需要结合宏观经济与海外不确定因素进行分析。

风险提示

• 模型预测结果受限于数据质量与市场环境。
• 宏观经济波动可能影响财务造假行为。
• 海外因素可能对模型产生影响，需谨慎对待。