基于数据挖掘的公司财务造假识别模型研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 研究背景和研究意义 | 第9-13页 |
| 1.1.1 国内外上市公司财务造假经典案例 | 第9-12页 |
| 1.1.2 公司财务造假案例梳理分析 | 第12-13页 |
| 1.1.3 本文的研究意义 | 第13页 |
| 1.2 研究内容和结构安排 | 第13-15页 |
| 1.2.1 本文的研究内容 | 第13-14页 |
| 1.2.2 本义的结构安排 | 第14-15页 |
| 1.3 可能的创新点 | 第15-16页 |
| 第二章 理论基础与文献综述 | 第16-26页 |
| 2.1 上市公司财务造假成因研究综述 | 第16-17页 |
| 2.2 财务造假识别研究综述 | 第17-22页 |
| 2.2.1 “红旗”标志 | 第18-19页 |
| 2.2.2 财务指标和公司指标分析 | 第19-21页 |
| 2.2.3 Benford定律 | 第21-22页 |
| 2.3 数据挖掘技术研究综述 | 第22-23页 |
| 2.4 数据挖掘技术在财务造假识别的应用研究综述 | 第23-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第三章 实证研究方案设计 | 第26-42页 |
| 3.1 实证研究整体思路 | 第26页 |
| 3.2 研究方法与模型选择 | 第26-32页 |
| 3.2.1 Logistic回归模型 | 第26-27页 |
| 3.2.2 神经网络模型 | 第27-29页 |
| 3.2.3 贝叶斯网络模型 | 第29-30页 |
| 3.2.4 支持赂量机模型 | 第30-31页 |
| 3.2.5 决策树模型 | 第31-32页 |
| 3.3 指标构建 | 第32-39页 |
| 3.3.1 指标说明 | 第34-36页 |
| 3.3.2 描述性统计 | 第36页 |
| 3.3.3 自相关性分析 | 第36-39页 |
| 3.4 样本选取 | 第39-42页 |
| 3.4.1 数据来源 | 第39页 |
| 3.4.2 数据说明 | 第39-42页 |
| 第四章 实证分析 | 第42-69页 |
| 4.1 评价指标构建 | 第42-44页 |
| 4.1.1 混淆矩阵 | 第42-43页 |
| 4.1.2 总准确率指标 | 第43页 |
| 4.1.3 精确度指标 | 第43页 |
| 4.1.4 召回度指标 | 第43-44页 |
| 4.1.5 F度量指标 | 第44页 |
| 4.2 数据平衡和样本重建 | 第44-45页 |
| 4.3 样本分区 | 第45页 |
| 4.4 实证分析结果 | 第45-61页 |
| 4.4.1 Logistic回归模型 | 第45-48页 |
| 4.4.2 神经网络模型 | 第48-52页 |
| 4.4.3 支持向量机模型 | 第52-56页 |
| 4.4.4 贝叶斯网络模型 | 第56-57页 |
| 4.4.5 C&RT决策树模型 | 第57-60页 |
| 4.4.6 模型结果比较 | 第60-61页 |
| 4.5 综合识别模型 | 第61-69页 |
| 4.5.1 简单投票机制 | 第61-63页 |
| 4.5.2 基于置信度的加权投票机制 | 第63-67页 |
| 4.5.3 稳健性检验 | 第67-69页 |
| 第五章 结论与展望 | 第69-72页 |
| 5.1 主要结论 | 第69-70页 |
| 5.1.1 模型识别能力比较 | 第69页 |
| 5.1.2 综合识别模型 | 第69页 |
| 5.1.3 预测变量重要性 | 第69-70页 |
| 5.2 本文在研究中的不足之处 | 第70-71页 |
| 5.3 研究展望 | 第71-72页 |
| 参考文献 | 第72-76页 |
| 致谢 | 第76-77页 |
