智能财务基础 第11章大数据的财务舞弊与风险预测.pptx

智能财务基础 第11章大数据的财务舞弊与风险预测.pptx

《智能财务基础 第11章大数据的财务舞弊与风险预测.pptx》由会员分享，可在线阅读，更多相关《智能财务基础 第11章大数据的财务舞弊与风险预测.pptx（10页珍藏版）》请在冰豆网上搜索。

智能财务基础,第11章大数据的财务舞弊与风险预测,财务舞弊的识别，一直以来主要依据审计师的职业判断。

然而众多财务舞弊案例表明，审计师的理性、能力是有限的，许多“先进”的会计舞弊方法常常没能或难以被有效识别。

以上市公司为例，部分公司为了提高财务报告的可信度，增强投资者对企业的信心，降低企业融资成本，一些企业会倾向于购买审计意见、变相加强披露透明程度等方法来赢得投资者的信任。

近年来，不少被出具了标准无保留意见的上市公司出现了财务造假现象，表明这种动机并不是个案。

此外，随着上市公司的舞弊手段越发的高明，单纯依靠传统的审计程序可能无法有效地识别财务舞弊。

因此，一种高效且有效的检测公司会计欺诈的方法将为监管机构、审计人员和投资者提供重要的信息。

人类社会已经步入大数据时代。

机器自动采集、网络爬虫等借助现代科学技术手段的数据采集方式受到人们的欢迎；数据展示也从单一的指标罗列逐渐趋向于多维度的立体展示，非结构化数据分析能帮助数据使用者从不同维度掌握数据之间的联系。

这些数据技术的发展为机器学习算法在各领域的广泛应用铺平了道路，在财务舞弊识别领域亦是如此。

基于大数据的财务舞弊预测方法概述,机器学习为我们今天能够多角度、高准确性的预测舞弊提供了可能。

机器学习的优势在于，可以帮助我们筛选出有助于判断是否舞弊的有用信息。

我们可以通过学习算法自动判断任务来提高舞弊预测效率。

自动化机器学习流程还有助于避免人为错误，帮助筛查出人们容易忽略的舞弊特征。

现代的智能财务舞弊识别模型可通过搭建数据库、财务舞弊识别模型等方式，大幅提高识别效率、提升可靠性并降低了大规模审计的成本。

下图是厦门国家会计学院中国财务舞弊研究中心推出的智能财务舞弊分析模型，可以借鉴以搭建模型,基于大数据的财务舞弊预测方法概述,由于财务舞弊行为是有迹可循的，会在很多财务指标中有所体现，而机器学习擅长的正是经过模型训练，很好地发现这些财务指标的异常，进而识别企业可能存在的财务舞弊。

常用于识别企业是否具有财务舞弊行为的指标包括：

规模指标（总资产、营业总收入、营业外收入、少数股东权益、固定资产）、流动性指标（流动负债、货币资金、长期借款、短期借款）、营运指标（其他应收款、应收账款、存货周转率、流动资产周转率）、盈利指标（销售净利率、销售毛利率、营业利润率）等。

在国外，较早开始使用机器学习模型识别财务舞弊的是Green（1997）。

他主要使用机器学习模型中的神经网络模型，通过分析上市公司的财务数据，使用公司资产、盈利、坏账准备等数据构建了若干财务指标，以此构建模型。

Fanning和Cogger（1998）也做了类似的研究，他们引入了一些非财务指标，例如董事会信息、法律纠纷信息等，通过20个指标建立模型。

在此之后，也有研究者使用决策树和支持向量机模型进行了识别舞弊分析，得到了较好的预测结果。

SeanL.Humpherys等（2011）则基于自然语言处理技术，得出了可以通过财务报告中的词语来识别财务舞弊。

YangBao等（2020）使用集成学习方法，并基于原始的财务报表数据进行模型训练，最终可以得到很好的欺诈检测效果。

基于大数据的财务舞弊预测文献述评,随着相关研究的深入，研究者们通常不会只采用一种机器学习方法构建模型进行预测，他们更加关心的是多个模型的预测准确度，进行比较得出效果最佳模型。

然而，研究者往往会因为选取不同的模型输入、研究的市场或研究时间段不同而会得出不同的结论。

OphirGottlieb（2006）比较了Logistic回归、支持向量机和贝叶斯方法在财务舞弊中的识别效果，结果显示贝叶斯方法的识别率较低。

Kirkos（2007）在研究决策树、贝叶斯方法和神经网络对财务舞弊的识别率时得出，贝叶斯方法的识别准确率较高。

而Chen（2009）比较了神经网络和聚类分析方法在财务舞弊识别中的应用，结果表明神经网络方法的识别效率更高。

从以上几位研究者得到的结论可以看出，没有一种机器学习方法在所有情况下都是最有效地，但是相对而言，神经网络模型的财务舞弊识别率在多数情况下更好。

基于大数据的财务舞弊预测文献述评,在国内，利用机器学习方法对财务舞弊进行识别也取得了部分研究成果。

刘君和王理平（2006）研究了机器学习模型在公司财务数据分析中的运行，他们采用一种径向基概率神经网络的方法，构建识别财务舞弊的模型，并对模型的检验结果进行了分析和研究。

陈国欣、吕占甲、何峰（2007）采取逻辑回归模型，构建了一个含有29个指标的财务舞弊识别模型，准确率达到95.1%。

此外，还有研究者试图利用多种机器学习模型，构建多重的财务舞弊识别系统。

李康（2011）把逻辑回归模型和神经网络技术结合起来，构建双重机器学习模型，对制造业上市公司财务舞弊进行了研究。

成雪娇（2018）则构建了集成学习模型来对财务舞弊进行更有效地识别。

基于大数据的财务舞弊预测文献述评,机器学习方法,神经网络方法,深度学习方法,集成学习方法,基于大数据的财务舞弊预测方法的演进,本文使用SVM、随机森林两个基准模型与人工神经网络对财务舞弊进行预测，并比较三者的预测效果。

本文将随机森林模型作为本文的第一个基准模型。

随机森林是以决策树为基本单位，通过集成学习的思想将多棵树集成的一种算法，对样本进行训练及预测的分类器。

在该模型中，通常使用一些基于财务会计理论选定的财务指标作为模型的输入（Beneish,1997,1999;SummersandSweeney,1998;Dechow等2011），被认为具有较好地识别舞弊的能力。

第二个基准模型是Cecchini等（2010）基于支持向量机（SVM）对财务舞弊进行预测的模型。

支持向量机模型是一类按监督学习方式对数据进行二元分类的广义线性分类器。

该模型相对较新，且具有较好的预测效果。

第三，本文将使用人工神经网络来预测财务舞弊。

人工神经网络模型已经在很多领域的实践中被证明具有优于其他机器学习模型的预测效果，同时还具备处理大量多维数据的能力。

基于机器学习的财务舞弊预测案例,从前三个不同模型的结果可知，SVM、随机森林及人工神经网络的AUC分别为：

0.83，0.78，0.88，可以看到机器学习方法对舞弊的预测精度较高，其中人工神经网络模型对财务舞弊识别的能力最强。

几个模型都能得到较高的精度，这与预期结论相一致，这说明使用公司基本面指标，可以对公司的舞弊情况进行分析、预测出公司是否有舞弊嫌疑。

基于大数据的财务舞弊预测案例,从几个模型的结果对比中可知，本案例中使用的人工神经网络方法在预测问题中效果最好，这与很多其他研究者的研究结果相一致；但由于所使用的自变量是经过计算得到的比率数据而非原始财务数据，而神经网络方法本身具有对变量进行组合、挖掘更多信息的特点，可能对更多的、原始的数据有较好的效果。

故如果使用更多的原始财务数据作为自变量，本文所使用的人工神经网络这种神经网络方法可能会得到相比于其他方法更优的预测效果。

基于大数据的财务舞弊预测案例,本部分分别根据预测出的两个企业风险指标，选取在两个指标上表现较差的十家企业，检验他们在相应年度是否存在舞弊行为。

由下表可知，本预测呈现出较精确的预测结果，尽管在年份预测上存在出入，但大量实际舞弊的企业能够被有效识别。

此外，当企业经营状况不佳时，本预测方法更倾向于将企业分类为存在舞弊情况的企业。

尽管这一识别并不精准，但基于存在该情况的企业的确存在潜在风险指标，故该识别结果也是需要投资者注意的有效信息。

预测实例分析,