量化策略：数据挖掘在上市公司财务造假识别中的应用-20171215-申万宏源-25页-1mb

报告摘要

数据挖掘在上市公司财务造假识别中的应用总结

核心内容概述

本文研究了数据挖掘技术在识别上市公司财务造假中的应用，通过构建财务和非财务指标，采用神经网络、支持向量机（SVM）和决策树（C&RT、QUEST、CHAID、C5.0）四种算法对上市公司年报是否造假进行判别分析。研究重点在于解决样本数据分类不平衡问题，并通过加入误分类损失函数来提高模型对造假样本的识别能力。最终发现，决策树模型，尤其是CHAID算法，具有更好的识别效果。

主要观点

财务造假的严重性：上市公司财务造假对投资者造成巨大损失，影响资本市场健康发展。典型案例包括美国1999-2002年的财务丑闻、2011年中概股事件以及近年来A股市场频繁出现的财务造假行为。
常见财务造假手段：
- 虚增交易（如伪造合同、发票等）
- 虚增资产（如不注销无用资产）
- 提前确认收入
- 利用过渡性科目调节利润
- 隐瞒重大事项（如关联交易、资产重组）
数据挖掘技术的应用：通过构建财务与非财务指标，采用数据挖掘方法对财务造假进行识别，提升识别的准确性与稳定性。
分类不平衡问题：由于造假样本数量较少，模型容易偏向非造假样本，导致对造假样本识别能力下降。为解决此问题，引入误分类损失函数，使模型更关注造假样本的识别。
算法对比分析：
- 神经网络模型：准确率高，但对造假样本识别能力较弱，召回率和F值较低。
- SVM模型：准确率与神经网络相近，但对造假样本识别能力仍较弱。
- 决策树模型：在加入误分类损失函数后，召回率显著提高，尤其CHAID算法表现最优。
最优算法选择：CHAID算法在四个决策树中综合表现最佳，准确率为93.16%，召回率为59.41%，精确度为17.78%，F值为27.37%。

关键信息

数据集

样本选取：2002年后被中国证监会、沪深交易所公开处罚的A股上市公司，共171条记录。
控制样本：采用控制样本匹配法，选取同行业未被处罚的上市公司作为对照，总样本为7839条。
数据处理：
- 剔除IPO前及上市当年的造假数据。
- 剔除相关性高的指标，如资产负债率、流动比率、速动比率等。
- 剩余指标包括：
  - 财务指标：主营业务毛利率、销售毛利率、应收账款占流动资产比例、预付款项占流动资产比例、其他应收款占流动资产比例等。
  - 非财务指标：审计师意见、前一年是否亏损、前五大股东股权集中度等。
- 数据集按7:3比例分为训练集和测试集。

模型构建

神经网络：采用多层感知器（MLP）模型，使用Bagging方法增强稳定性。
SVM模型：使用径向基函数（RBF）核函数，适用于非线性分类。
决策树模型：
- 采用Bagging方法，构建10个子模型进行投票。
- 通过加入误分类损失函数（造假样本误判成本为非造假样本的50倍）提高模型对造假样本的识别能力。

识别指标

重点指标：
- 审计师意见：负面意见表明公司存在较高造假风险。
- 前一年是否亏损：亏损公司有更强的财务造假动机。
- 其他应收款占流动资产比例：比例偏高可能暗示财务造假。
- 销售毛利率：偏高可能通过关联交易等方式虚增利润。
- 预付款项占流动资产比例：偏高可能用于填补虚增收入带来的资金缺口。

算法性能对比

算法	准确率	精确度	召回率	F值
神经网络	97.90%	100.00%	2.94%	5.71%
SVM	97.74%	34.78%	4.71%	8.29%
C&RT	94.39%	10.06%	20.00%	13.39%
QUEST	90.11%	7.33%	30.59%	11.83%
CHAID	93.16%	17.78%	59.41%	27.37%
C5.0	74.27%	7.07%	89.41%	13.10%