基于数据挖掘的中国上市公司财务舞弊识别研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第9-15页 |
| 1.1 研究背景与意义 | 第9-11页 |
| 1.1.1 研究背景 | 第9-10页 |
| 1.1.2 研究意义 | 第10-11页 |
| 1.2 研究内容与方法 | 第11-12页 |
| 1.2.1 研究内容 | 第11页 |
| 1.2.2 研究方法 | 第11-12页 |
| 1.3 论文的创新之处 | 第12-13页 |
| 1.4 研究框架 | 第13-15页 |
| 2 文献综述 | 第15-23页 |
| 2.1 国外研究文献 | 第15-18页 |
| 2.1.1 财务舞弊特征 | 第15-16页 |
| 2.1.2 财务舞弊识别方法 | 第16-18页 |
| 2.2 国内研究文献 | 第18-21页 |
| 2.2.1 财务舞弊特征 | 第18-20页 |
| 2.2.2 财务舞弊识别方法 | 第20-21页 |
| 2.3 文献评述 | 第21-23页 |
| 3 相关概念与理论 | 第23-29页 |
| 3.1 财务舞弊的相关概念 | 第23页 |
| 3.2 人工神经网络 | 第23-26页 |
| 3.2.1 BP神经网络 | 第24-25页 |
| 3.2.2 GA-BP神经网络 | 第25-26页 |
| 3.3 决策树 | 第26-27页 |
| 3.4 支持向量机 | 第27-29页 |
| 3.4.1 支持向量机理论 | 第27页 |
| 3.4.2 交叉验证法 | 第27-29页 |
| 4 样本数据及指标体系的构建 | 第29-41页 |
| 4.1 样本选取 | 第29页 |
| 4.2 指标的构建 | 第29-41页 |
| 4.2.1 财务舞弊影响因素分析 | 第29-33页 |
| 4.2.2 指标体系的建立及描述性统计结果 | 第33-41页 |
| 5 财务舞弊识别模型的构建 | 第41-53页 |
| 5.1 GA-BP神经网络 | 第41-45页 |
| 5.1.1 BP神经网络结构的确立 | 第42-43页 |
| 5.1.2 遗传算法优化BP神经网络权值和阈值 | 第43-44页 |
| 5.1.3 GA-BP神经网络的训练及仿真结果 | 第44-45页 |
| 5.2 决策树 | 第45-47页 |
| 5.3 支持向量机 | 第47-49页 |
| 5.4 三种模型的对比评价 | 第49页 |
| 5.5 财务舞弊综合识别模型 | 第49-53页 |
| 5.5.1 财务舞弊综合识别模型的构建 | 第49-50页 |
| 5.5.2 财务舞弊综合识别模型的优点 | 第50页 |
| 5.5.3 财务舞弊综合识别模型运行结果及分析 | 第50-53页 |
| 6 研究结论及展望 | 第53-55页 |
| 6.1 研究结论 | 第53页 |
| 6.2 研究展望 | 第53-55页 |
| 致谢 | 第55-57页 |
| 参考文献 | 第57-61页 |
| 个人简历、在学期间发表的学术论文及取得的研究成果 | 第61页 |
