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-20190809-天风证券-32页_1mb

报告摘要

A股财务造假预测模型建立与分析总结

核心内容

本文建立了一个适用于A股市场的财务造假识别模型，基于Logistic逻辑回归方法，结合了财务与非财务指标，对财务造假行为进行预测。模型共设计22个变量，经过显著性检验后，最终有11个变量被纳入模型，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。

模型预测准确度在造假首年样本为69.3%，在造假全部年份样本为74.9%。模型通过设定阈值（拟合值fraud > -5.58 或胜算比odds > 0.00379）来判断公司是否可能涉及财务造假。模型中变量的系数和胜算比均与预期方向一致，且通过显著性检验。

主要观点

财务造假的识别：
- 财务造假通常表现为收入、应收账款、存货、毛利率和现金流等关键指标的异常。
- 造假行为往往伴随着异常的交易模式，如关联交易、虚构客户或供应商、虚增资产等。
- 通过分析报表数据的异动、异常和新增，可以识别出财务造假的线索。
模型构建思路：
- 模型参考了国外的Mscore和Fscore模型，但进行了本土化调整，更适用于A股市场。
- 模型采用行业分位值、指标变化率以及全样本控制方法，以减少偏差。
- 通过Logistic回归模型对所有变量进行10%显著水平的向后逐步回归，确保模型的稳健性。
变量分类：
- 资产异常：包括应收款项占比、应收变化率、存货占比、应付款项占比、软资产比例、带息负债率等。
- 现金异常：包括现金销售率、自由现金流变动率、货币现金异常等。
- 盈利异常：包括交联交易占比、毛利率异常、前一年是否亏损、前一年扣非ROE等。
- 非财务指标：包括是否再融资、股权集中度、机构持股比例、是否更换事务所、审计意见等。

关键信息

造假样本：1994-2018年间，共有172起财务造假事件，涉及165家上市公司。
行业分布：化工、农业、机械为财务造假的“重灾区”。
时间分布：00-04年和11-14年是财务造假的高发期。
模型变量：共22个变量，其中11个被显著选入模型。
模型预测：通过计算胜算比和回归拟合值，模型能够预测公司财务造假的概率。
模型应用：在投资决策中，应规避模型得分较高的个股，尤其是2018年以前的高得分公司。

模型变量与预期方向

变量	指标	符号	计算方法	是否行业分位值	会计含义	预期方向
X2	应收变化率	+	Δ(应收款项/营业收入)/(应收款项/营业收入)	是	应收账款异常变化	+
X3	存货占比	+	存货/营业成本	是	存货异常	+
X7	软资产比例	+	(总资产 - 固定资产 - 在建工程 - 工程物资 - 货币资金)/总资产	是	资产过度资本化	+
X8	带息负债率	+	带息负债/股东权益	是	公司举债过度	+
X11	货币现金异常	+	货币资金/流动资产在行业前50%，且带息负债/股东权益也在行业前50%	否	货币现金与负债不匹配	+
X15	前一年是否亏损	+	前一年净利润为负则为1	否	为保壳或融资可能造假	+
X17	是否再融资	+	有股权或债券融资则为1	否	再融资可能涉及财务造假	+
X18	股权集中度	-	第一大股东持股比例/第二和第三大股东持股比例之和	否	高集中度可能抑制造假冲动	-
X19	机构持股比例	-	基金、券商、保险、QFII等机构的持股比例合计	否	机构持股可能抑制造假	-
X21	是否更换事务所	+	前一年更换会计师事务所则为1	否	更换事务所可能存疑	+
X22	审计意见	+	前一年未被出具非标意见则为1	否	审计意见异常可能暗示造假	+

模型实证与应用分析

显著性检验：模型中显著的变量包括应收变化率、存货占比、软资产比例、带息负债率、货币现金异常、前一年是否亏损、是否再融资、股权集中度、机构持股比例、是否更换事务所和审计意见。
相关性分析：变量之间基本不相关或弱相关，共线性问题不严重。
模型回归结果：模型的准确率在造假首年样本为69.3%，在造假全部年份样本为74.9%。
模型应用：通过模型预测结果，可以识别出财务造假的可能性，投资决策中应规避模型得分较高的个股。