基于数据挖掘技术的上市公司财务舞弊识别研究
| 摘要 | 第1-7页 |
| ABSTRACT | 第7-11页 |
| 1 绪论 | 第11-20页 |
| ·研究背景 | 第11-12页 |
| ·国内外关于财务舞弊识别相关研究 | 第12-17页 |
| ·国外关于财务舞弊识别相关研究 | 第12-14页 |
| ·国内关于财务舞弊识别相关研究 | 第14-16页 |
| ·国内外相关研究简要评述 | 第16-17页 |
| ·研究目的和意义 | 第17页 |
| ·创新之处 | 第17-18页 |
| ·研究的基本思路 | 第18-20页 |
| 2 相关概念与理论 | 第20-26页 |
| ·财务舞弊相关理论 | 第20-22页 |
| ·财务舞弊的概念 | 第20页 |
| ·财务舞弊的动因 | 第20-22页 |
| ·数据挖掘相关理论 | 第22-25页 |
| ·数据挖掘产生的背景 | 第22页 |
| ·数据挖掘的定义 | 第22页 |
| ·数据挖掘与统计学、机器学习的联系和区别 | 第22-24页 |
| ·数据挖掘技术 | 第24-25页 |
| ·R 语言简介 | 第25-26页 |
| 3 基于特征选择算法的上市公司舞弊特征研究 | 第26-33页 |
| ·两种特征选择算法 | 第26-28页 |
| ·特征选择方法综述 | 第26页 |
| ·基于 Relief 算法的特征选择原理 | 第26-27页 |
| ·基于信息增益的特征选择原理 | 第27-28页 |
| ·样本数据描述 | 第28-31页 |
| ·样本选择 | 第28页 |
| ·指标初选 | 第28-31页 |
| ·基于两种算法的指标选择 | 第31-33页 |
| ·基于 Relief 算法的指标选择 | 第31页 |
| ·基于信息增益的指标选择 | 第31-33页 |
| 4 我国上市公司识别模型实证研究 | 第33-41页 |
| ·分类问题和组合分类器简介 | 第33页 |
| ·三种分类算法 | 第33-35页 |
| ·KNN 算法 | 第33-34页 |
| ·随机森林 | 第34-35页 |
| ·朴素贝叶斯分类 | 第35页 |
| ·分类模型评估方法 | 第35-37页 |
| ·混淆矩阵 | 第35-37页 |
| ·其他评价方法 | 第37页 |
| ·基于 3 种分类算法的财务舞弊识别模型 | 第37-38页 |
| ·基于代价敏感学习的随机森林算法 | 第38-41页 |
| ·代价敏感学习 | 第38-40页 |
| ·基于代价敏感学习的随机森林算法 | 第40-41页 |
| 5 结论和相关建议 | 第41-45页 |
| ·结论 | 第41-42页 |
| ·特征选择结果 | 第41-42页 |
| ·模型选择结果 | 第42页 |
| ·关于防止上市公司财务舞弊的建议 | 第42-44页 |
| ·对上市公司自身的建议 | 第42页 |
| ·对外部投资者的建议 | 第42-43页 |
| ·对政策制定者的建议 | 第43-44页 |
| ·本文的不足之处 | 第44页 |
| ·未来的研究方向 | 第44-45页 |
| 致谢 | 第45-46页 |
| 参考文献 | 第46-49页 |
| 附表 | 第49-55页 |
| 附录 | 第55页 |
