数据挖掘在上市公司财务造假识别中的应用研究
| 中文摘要 | 第8-9页 |
| ABSTRACT | 第9-10页 |
| 第1章 绪论 | 第11-17页 |
| 1.1研究背景 | 第11-13页 |
| 1.1.1 国外上市公司财务造假案例回顾 | 第11-12页 |
| 1.1.2 国内上市公司财务造假案例回顾 | 第12-13页 |
| 1.2 研究意义 | 第13-14页 |
| 1.3 研究方法 | 第14-15页 |
| 1.4 研究内容和框架 | 第15-17页 |
| 第2章 财务造假相关理论介绍及文献综述 | 第17-27页 |
| 2.1 财务造假及相关概念界定 | 第17页 |
| 2.2 财务造假相关理论基础 | 第17-22页 |
| 2.2.1 舞弊冰山理论 | 第17-18页 |
| 2.2.2 舞弊三角形理论 | 第18-19页 |
| 2.2.3 舞弊GONE诱因理论 | 第19-20页 |
| 2.2.4 舞弊风险因子理论 | 第20-22页 |
| 2.3 财务造假的常见手段以及识别方式 | 第22-24页 |
| 2.3.1 财务造假常见手段 | 第22页 |
| 2.3.2 财务造假传统识别方式 | 第22-24页 |
| 2.4 国内外财务造假识别模型文献综述 | 第24-26页 |
| 2.4.1 国外财务造假识别模型文献综述 | 第24-25页 |
| 2.4.2 国内财务造假识别模型文献综述 | 第25-26页 |
| 2.5 借鉴与启示 | 第26-27页 |
| 第3章 数据挖掘技术 | 第27-37页 |
| 3.1 主成分/因子分析 | 第27-29页 |
| 3.2 神经网络 | 第29-32页 |
| 3.2.1 BP神经网络 | 第29-31页 |
| 3.2.2 RBF神经网络 | 第31-32页 |
| 3.3 决策树 | 第32-37页 |
| 3.3.1 决策树-ID3算法 | 第32-35页 |
| 3.3.2 决策树-C&RT算法 | 第35-36页 |
| 3.3.3 决策树-QUEST算法 | 第36页 |
| 3.3.4 决策树-CHAID算法 | 第36页 |
| 3.3.5 决策树-C4.5/C5.0算法 | 第36-37页 |
| 第4章 数据准备及样本处理 | 第37-44页 |
| 4.1 数据来源 | 第37-38页 |
| 4.2 特征变量选择 | 第38-41页 |
| 4.3 数据清洗 | 第41-42页 |
| 4.4 数据标准化 | 第42页 |
| 4.5 模型评估方法 | 第42-44页 |
| 第5章 实证研究 | 第44-62页 |
| 5.1 制造业 | 第44-55页 |
| 5.1.1 主成分分析 | 第44页 |
| 5.1.2 神经网络 | 第44-49页 |
| 5.1.3 决策树 | 第49-53页 |
| 5.1.4 制造业识别结果小结 | 第53-55页 |
| 5.2 批发零售业 | 第55-57页 |
| 5.3 房地产业 | 第57-59页 |
| 5.4 本章小节 | 第59-62页 |
| 第6章 总结与展望 | 第62-64页 |
| 6.1 主要工作与创新点 | 第62-63页 |
| 6.1.1 主要工作 | 第62页 |
| 6.1.2 创新点 | 第62-63页 |
| 6.2 不足之处 | 第63-64页 |
| 参考文献 | 第64-67页 |
| 致谢 | 第67-68页 |
| 学位论文评阅及答辩情况表 | 第68页 |
