研究背景与问题定义 [page::0][page::2]

• 近年国内外多起上市公司财务造假案件给投资者造成巨大损失，提升财务造假识别能力成为重点研究方向。

- 构建涵盖财务与非财务指标的特征体系，以识别上市公司年报潜在造假风险。

数据说明与处理 [page::4][page::5]

• 造假样本共171条，涵盖多个行业，2011-2015年为造假高发期。

- 全样本包括造假与非造假对照样本共7839条，样本存在严重类别不平衡(比例约1:46)，采用差异误分类损失控制模型偏差。

核心特征指标及相关性分析 [page::6][page::7]

• 剔除高度相关特征以降低多重共线性，剩余关键指标包括预付款项占流动资产比例、其他应收款、审计意见等。

神经网络模型分析与结果 [page::8][page::9][page::10]

| 指标 | 训练集 | 测试集 | 全样本 |
|--------|-----------|-----------|-----------|
| 准确率 | 97.92% | 97.83% | 97.90% |
| 精确度 | 100.00% | 无 | 100.00% |
| 召回率 | 4.24% | 0.00% | 2.94% |
| F值 | 8.13% | 0.00% | 5.71% |

• 神经网络对非造假样本识别准确但几乎无法识别造假样本，样本不平衡显著影响表现。

- 主要重要预测变量：审计意见、前一年是否亏损、其他应收款占流动资产比例、股东持股集中度。

支持向量机（SVM）模型结果 [page::11][page::12][page::13]

| 指标 | 训练集 | 测试集 | 全样本 |
|--------|-----------|-----------|-----------|
| 准确率 | 97.79% | 97.62% | 97.74% |
| 精确度 | 43.75% | 14.29% | 34.78% |
| 召回率 | 5.93% | 1.92% | 4.71% |
| F值 | 10.45% | 3.39% | 8.29% |

• SVM模型表现与神经网络类似，召回率较低，难以有效识别少数类别造假样本。

- 关键变量重要性排名前列与神经网络一致。

决策树模型对比分析及误分类代价调整 [page::14]至[page::21]

• C&RT、QUEST、CHAID、C5.0四种决策树算法均引入误分类代价(50:1)以重视造假样本。

- 各模型主要评价指标如下：

| 算法 | 准确率 | 精确度 | 召回率 | F值 |
|--------|-----------|-----------|-----------|-----------|
| 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% |

• CHAID决策树综合表现最佳，精确度、召回率和F值显著优于其他算法。

- C5.0召回率最高但精确度较低，存在较多误报。

• 关键预测变量高度重叠，包括审计意见、前一年亏损、其他应收款比例、销售毛利率、预付款项比例。

重点指标总结与投资指引 [page::22][page::23]

• 关注指标：审计师意见负面、前一年净利润亏损、高其他应收款比例、异常销售毛利率、预付款项占流动资产较高。

- 结合财务和非财务指标有助于提升财务造假识别的准确性。

• 采用决策树及误分类损失函数有效缓解样本不平衡问题，提高造假公司识别能力。

金融研究报告深度分析：“数据挖掘在上市公司财务造假识别中的应用”（2017年12月15日）

---

一、元数据与报告概览（引言与报告概览）

• 报告标题：数据挖掘在上市公司财务造假识别中的应用

- 作者与发布机构：证券分析师曹春晓，研究支持文雨；发布于申万宏源证券研究所，2017年12月15日

• 研究主题：通过数据挖掘技术（神经网络、支持向量机、决策树）对中国A股上市公司财务造假年报进行识别，解决数据样本不平衡问题，提高财务造假预测的准确性。

- 核心论点：
- 财务造假对资本市场和投资者造成巨大损失，识别造假对维护市场健康发展至关重要。
- 采用包括财务和非财务指标构建特征集，结合多种数据挖掘算法。
- 样本数据存在极端不平衡，决策树中的CHAID算法，借助误分类损失函数调整后，表现优于神经网络和SVM。

• 主要结论与评级：决策树（特别是CHAID算法）识别财务造假表现最优，准确率为93.16%，召回率59.41%，F值27.37%，是值得关注的判别工具。重点关注的指标包括审计师意见、前一年是否亏损、其他应收款占流动资产比例、销售毛利率、预付款项占流动资产比例。[page::0,2,23]

---

二、逐节深度解读

1. 研究概述（第2页）

• 论点总结：

财务造假表现形式多样，包括虚增交易、虚增资产、提前确认收入、利润调节、隐瞒重大事项。财务造假导致公司退市或破产，投资者巨大损失。已有研究发现管理层是否具备造假动机、资本周转率、杠杆、流动资产比率等指标与造假相关。机器学习技术，尤其数据挖掘方法被应用于造假识别，获得较好分类效果。

• 支撑依据与假设：

依托美国及中国资本市场历史财务造假案例作为研究背景，结合国内外已有文献，并假定管理层动机和财务指标特征可揭示造假风险。

• 关键信息：财务指标和非财务指标结合使用，尤其考量管理层激励和市场制度等因素。[page::2]

2. 研究方法与数据处理（第4-7页）

• 数据说明：

选取2002年后证监会公开处罚的171个财务造假上市公司年报数据，剔除新股上市首年及连续年度数据，只保留首次造假年份，行业分布以化工、医药生物、纺织服装等为主，2011-2015年为造假高发期（图1与2展示造假样本的行业和年份分布）。

• 对照样本：

同行业非造假公司按匹配法选取，构成7839条对照样本，整体样本显著不平衡（造假样本约占总样本的1/46）。

• 特征选择：基于文献和动机，采用多个财务比率指标和非财务指标（包括审计意见、是否亏损、股东持股比例等），初选特征详见表1。

- 数据不平衡处理：采纳不同误分类损失策略，将把造假分类为非造假的误判成本设置为非造假误判为造假的50倍，优先提升造假识别能力。

• 相关性分析：通过相关热力图（图3与4）剔除高度相关变量，保证模型输入变量的独立性和有效性。

- 训练测试划分：随机划分7:3比例划分训练集和测试集。[page::4,5,6,7]

3. 多层神经网络模型（第8-10页）

• 模型简介：

多层感知器（MLP）由输入层、隐藏层与输出层组成，输入数据通过加权求和和激活函数转换，解决线性不可分问题，具体结构图见图5、6。

• 模型结果：

- 神经网络模型通过Bagging构建10个模型，投票生成结果。训练集和测试集准确率均超97%。
- 但混淆矩阵显示对造假样本的识别极差，召回率仅2.94%，说明大部分造假样本未被识别。
- 精确度100%，意味着模型预测的造假样本基本准确，但因预测率极低，实际没捕捉到主要风险。

• 变量重要性：审计意见（Opinion）、前一年亏损（Prenp）、其他应收款比例、股东持股比例最为重要（图8）。[page::8,9,10,11]

4. 支持向量机模型（第11-13页）

• 方法简介：

SVM通过构造最大边界的超平面实现分类，适用于非线性问题，采用RBF核函数。

• 模型结果：

- 准确率在训练集和测试集均接近98%，与神经网络相似。
- 对造假令识别能力仍然偏弱，召回率仅约4.71%。
- 精确度相对神经网络有所下降，约35%。

• 变量重要性：与神经网络相似，重点为前一年是否亏损、审计意见、营业利润同比增长率、其他应收款占流动资产比例（图11）。[page::11,12,13]

5. 决策树模型（第14-21页）

• 方法简介与算法区别：

介绍了四种主要决策树算法（C&RT、QUEST、CHAID、C5.0），阐述其分支依据（Gini指数、统计方法、卡方检验、信息增益）、分支类型（二分支或多分支）及变量类型适配性（表8）。

• 处理不平衡样本策略：

利用误分类损失函数调整判别权重，将漏判为非造假的造假样本成本设置为误判非造假的50倍，提高模型对造假样本的敏感度。

• C&RT结果：

- 无误分类损失时，无法识别造假样本。
- 加入误分类损失后，准确率约94.4%，召回率提升至20%，但精确度较低（约10%），说明开始能识别造假样本但误判较多。（图12）

• QUEST结果：

- 准确率约90%，召回率提升近30%，精确度较低（7.3%），整体效果低于C&RT。
- 变量重要性与C&RT高度一致，确认了关键指标的稳定性。（图13）

• CHAID结果：

- 准确率93.16%，召回率达59.41%，精确度17.78%，F值27.37%，是四种决策树算法中综合性能最优者。
- 强调模型对造假样本的有效识别，表现显著优于神经网络与SVM等。
- 重要变量与之前一致，并补充预付款项占流动资产比例的重要性。（图14）

• C5.0结果：

- 准确率显著较低（约74%），但召回率高达89.41%，精确度只有7.07%，存在较多误判。
- 变量重要性稍有不同，除核心指标外，增加了主营业务收入同比增长率、主营业务利润占比、存货占比等指标。（图15）

• 四模型总结（表23）：

- CHAID综合表现最好，准确率高、召回率及F值相对优异。
- C5.0召回率最高，但代价是较差的精确度和较低的准确率。
- 加入误分类损失显著提升了对少数类（造假）样本的识别能力，各算法均受益。

• 关键指标统一确认（第22页）：

- 审计师意见（Opinion）
- 前一年是否亏损（Prenp）
- 其他应收款占流动资产比例（OtherRectoCur）
- 销售毛利率（Salegropratio）
- 预付款项占流动资产比例（PretoCur）
这些指标与业内财务造假常见手段及动机高度契合，如负面审计意见代表潜在财务风险，亏损公司更有动力造假，异常资金往来反映虚增收入等。[page::14-22]

6. 报告总结（第23页）

• 基于多种数据挖掘算法，决策树方法尤其是加入误分类损失函数的CHAID算法表现最佳。

- 样本不平衡问题是财务造假识别的难点，误分类成本设置为关键手段。

• 选定若干关键指标作为造假识别的重要特征，有助于后续检验和监管。

- 该研究为市场监管、投资者及分析师提供了科学参考和技术工具，帮助有效判别年度财务报告的真实性。
[page::23]

---

三、图表深度解读

图1-2：造假样本分布

• 描述：图1显示171条造假样本的行业分布，化工（26家）、医药生物（17家）、纺织服装（14家）等行业涉假较多。图2展示造假年度分布，2011-2015年为高峰期，2012年最高（21起）。

- 意义：揭示行业造假集中度和时间趋势，为后续模型训练提供行业区分和时间序列视角。

• 局限：未显示无造假样本行业分布，行业造假比例待进一步研究。[page::4]

图3-4：特征相关关系图

• 描述：图3为初始特征相关矩阵，显示部分变量高度相关（如资产负债率与流动比率）；图4为剔除部分高度相关变量后的特征相关图，变量间相关度降低。

- 意义：避免多重共线性干扰，保证模型输入特征的独立性，提高模型泛化能力。

• 备注：色彩和点大小代表相关性强弱和方向，蓝色为正相关，橙色为负相关。[page::6,7]

图5-6：神经网络基本结构

• 描述：图5为单一神经元示意，输入变量权重加权求和后激活输出；图6为多层感知器结构，含输入层、隐藏层和输出层。

- 意义：形象展示MLP神经网络计算流程和层级结构，利于理解金融指标输入如何转化为输出决策。

• 备注：多个隐含层有助于解决线性不可分问题。[page::8]

图7：神经网络结构权重示意

• 描述：显示输入层变量与11个隐藏神经元间权重系数，线条颜色（蓝色正权重，橙色负权重）和线条粗细代表权重大小。

- 意义：展现各财务指标对模型输出影响的正负方向及力度，有助于理解变量重要性机制。

• 局限：未详细列出全部变量名称，权重解读需结合变量名称。[page::9]

表格2-4：神经网络模型准确率与效能

• 描述：模型准确率高（97.9%），但通过混淆矩阵和召回率表明造假样本识别能力极弱（召回率2.94%），表现出严重类别偏见。

- 意义：准确率不能反映不平衡样本下的模型真实判别力，需要重点关注召回率和F值。

• 结论：虽整体准确但不适合实际造假识别。[page::9,10]

图8：神经网络变量重要性

• 描述：审计意见、前一年亏损、其他应收款占比、股东持股比例名列前茅。

- 意义：混合财务与非财务指标对判别贡献突出，支持复杂变量体系理论。

• 备注：符合造假多通过关联交易和管理动力等非纯财务因素影响的假设。[page::10]

图9-10：SVM分类示例图

• 描述：图9展示线性可分情形的SVM分类间隔，图10展示非线性数据映射到高维空间实现线性分割。

- 意义：直观理解SVM原理与优势，说明模型在复杂金融数据分类中的适用性。

• 局限：非数学背景需讲解辅助。[page::11]

表5-7：SVM模型性能及混淆矩阵

• 描述：数据总体准确率高（约97.7%），但同样识别造假能力不足（召回率4.71%），精确度34.78%略优于神经网络。

- 意义：SVM能较好区分多数类样本，但针对少数类样本改进空间大。[page::12,13]

图11：SVM变量重要性

• 描述：前一年亏损、审计意见、营业利润增长、其他应收款占比居前。

- 意义：与神经网络变量重要性高度一致，验证了这些变量的稳定重要性。[page::13]

表8：决策树算法比较表

• 描述：明确各决策树算法分支依据（Gini、卡方等）、分支形式（二分、多分）、变量类型适配性。

- 意义：为选择适合算法奠定基础，引导读者理解不同决策树技术特点。

• 展开：适合连续和分类变量的算法多样，针对分类任务的算法更细分[page::14]

表9-13及混淆矩阵和变量重要性图（C&RT）

• 描述：不考虑误分类损失时，模型无法识别造假（误判100%）；加入误分类损失后，准确率稍降至94%，造假召回率提升至20%，但精确度不足。

- 变量重要性：其他应收款占比、前一年亏损、审计意见居重要位置。[page::15,16,17]

表14-16及混淆矩阵与变量重要性（QUEST）

• 描述：准确率90%，召回率约30%，低于C&RT。

- 变量重要性：同前，确认核心特征稳定性。[page::17,18]

表17-19及混淆矩阵与变量重要性（CHAID）

• 描述：综合表现最佳，准确率93.16%，召回率59.41%，精确度17.78%，F值27.37%，优于其他算法。

- 变量重要性：除核心3变量外，加入预付款项占比，财务造假逻辑吻合。

• 结论：CHAID对少数造假样本的识别能力明显优于其他模型，实用价值高。[page::18,19]

表20-22及混淆矩阵、变量重要性（C5.0）

• 描述：准确率较低（74.3%），召回率最高（89.41%），但误判偏多，精度低（7.07%）。

- 变量重要性：除核心指标，还强调主营业务收入、利润、存货等。

• 浅析：C5.0适合召回优先，但商业应用需权衡误判风险。[page::20,21]

表23：四种决策树综合指标比较

• 结论：

- CHAID算法综合优于其他算法。
- C5.0高召回低精度。
- 加权误分类损失显著优化少数类识别，提升模型实际价值。
- 综合考量指标有助选模型适配实际场景。[page::21]

---

四、估值分析

本报告未涉及传统意义上的企业估值分析、目标价制定或现金流折现。主要焦点在财务造假识别的机器学习模型比较与性能指标评估。因此无典型估值模型分析部分。

---

五、风险因素评估

• 主要风险隐含于样本不平衡带来的模型预测偏误风险，尤其是低召回导致大量造假样本漏判。

- 报告通过引入误分类损失函数设计解决该问题，兼顾误判成本差异。

• 不同算法的偏好也会影响最终风险识别的全面性与准确度。

- 报告未特别讨论模型外风险（如样本失真、信息披露新规变化等）。

• 缓解策略主要集中于调整分类成本和利用多算法模型对比选择。[page::5,16-21]

---

六、审慎视角与细微差别

• 报告整体显示一定的技术中立态度，强调样本不平衡问题对模型效果的影响及解决方案；

- 精确度与召回率的权衡反映了对造假识别现实困境的深刻认识，但部分模型召回率极低，实用性有限；

• C5.0算法召回率极高，但准确率低，体现“召回优先”策略的代价，实际应用中可能带来过多假警报；

- 决策树算法虽适合不平衡样本，但模型性能仍受限于输入变量的质量和完整性，数据来源和计算方法未详述，存在黑箱风险；

• 变量重要度较为一致，表明财务与非财务指标结合是关键，但未进一步探讨指标间非线性复杂互动；

- 报告缺少对未来监管政策变动及市场环境影响的敏感性分析。

• 报告未明确是否考虑行业动态及经济周期波动对造假可能性的影响。

- 尚无明确多模型集成对比结果披露，未来可考虑融合多算法提高识别稳定性。[page::3,13,21]

---

七、结论性综合

本报告系统地应用多种数据挖掘算法识别上市公司年报财务造假，围绕数据不平衡问题采用误分类损失加权机制，力图提升少数类（造假样本）识别性能。通过对神经网络、支持向量机及多种决策树算法（C&RT、QUEST、CHAID、C5.0）系统比较后，得出下面深刻见解：

• 数据特征层面，财务指标与非财务指标（审计意见、前一年亏损、其他应收款占流动资产比例等）对识别模型至关重要，反映造假动机与手段的具体财务表现。

- 模型表现层面，简单追求整体准确率会被大量非造假样本主导，造假样本被忽视，召回率成为评判关键。

• 模型选择层面，决策树尤其是基于CHAID算法的模型，结合误分类损失显示了最佳的综合性能，模拟现实中对造假样本高成本关注需求，召回率与精确度平衡较佳。

- 实用意义，该模型可为投资者与监管机构提供数据驱动的辅助判别工具，有助于提前发现潜在财务造假风险，减少投资损失，促进市场监管。

• 研究限制，尚需升级模型对非线性、动态及长期造假行为的识别能力，扩展指标体系丰富度，并验证模型在不同行业和时间段的泛化能力。

- 图表信息融汇，通过行业与年度分布图明确造假热点领域；相关性图验证变量筛选合理；模型结构图及变量重要度图揭示算法运行机理及关键判别因素；各模型混淆矩阵和评价指标表明模型各异优劣与权衡。

综上所述，报告科学、系统地展示了多种数据挖掘技术在财务造假识别中的应用路径，最终推荐基于CHAID的决策树模型，并明确需重点关注的核心指标，为中国资本市场的风险防控提供了宝贵参考。[page::0-23]

---

附：部分主要图表示例（Markdown 格式）

• 造假样本行业分布图（第4页）

• 造假样本造假年度分布图（第4页）

• 特征指标相关性图（第6页）

• 神经网络结构示意图（第9页）

• 决策树算法CHAID变量重要性示意图（第19页）

---

本文严格基于报告内容进行分析，未注入附加主观判断。所有数据和结论均可溯源至原文对应页码。

报告