上市公司财务舞弊识别研究
| 摘要 | 第3-5页 |
| abstract | 第5-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景及研究意义 | 第10-12页 |
| 1.1.1 研究背景 | 第10-11页 |
| 1.1.2 研究意义 | 第11-12页 |
| 1.2 研究内容 | 第12-14页 |
| 1.3 研究框架 | 第14页 |
| 1.4 研究的特色与不足 | 第14-16页 |
| 1.4.1 论文特色 | 第14-15页 |
| 1.4.2 不足之处 | 第15-16页 |
| 第二章 文献综述及相关理论介绍 | 第16-27页 |
| 2.1 文献综述 | 第16-19页 |
| 2.1.1 国内外研究 | 第16-18页 |
| 2.1.2 文献总结 | 第18-19页 |
| 2.2 财务舞弊相关概念 | 第19-21页 |
| 2.2.1 财务舞弊的概念 | 第19-20页 |
| 2.2.2 会计信息失真与盈余管理 | 第20-21页 |
| 2.3 财务舞弊动因理论 | 第21-23页 |
| 2.3.1 冰山理论 | 第21页 |
| 2.3.2 舞弊三角理论 | 第21-22页 |
| 2.3.3 GONE理论 | 第22页 |
| 2.3.4 舞弊风险因子理论 | 第22-23页 |
| 2.4 国内财务舞弊现状分析 | 第23-27页 |
| 第三章 财务舞弊指标体系的构建 | 第27-42页 |
| 3.1 财务舞弊指标体系的初步构建 | 第27-34页 |
| 3.1.1 选择初步指标 | 第27-33页 |
| 3.1.2 控制样本的选择 | 第33-34页 |
| 3.2 指标的显著性检验 | 第34-38页 |
| 3.3 降维方法 | 第38-39页 |
| 3.3.1 降维方法的概念 | 第38页 |
| 3.3.2 主成分分析法的原理 | 第38-39页 |
| 3.3.3 Boruta算法的原理 | 第39页 |
| 3.4 降维方法的处理 | 第39-42页 |
| 第四章 财务舞弊识别实证研究 | 第42-51页 |
| 4.1 分类模型的概念 | 第42-47页 |
| 4.1.1 分类模型的概念 | 第42-43页 |
| 4.1.2 Logistic回归 | 第43页 |
| 4.1.3 随机森林 | 第43-44页 |
| 4.1.4 支持向量机 | 第44-46页 |
| 4.1.5 人工神经网络 | 第46-47页 |
| 4.2 模型评价指标的确定 | 第47-49页 |
| 4.3 基于四种分类算法的财务舞弊识别 | 第49-51页 |
| 第五章 总结与建议 | 第51-55页 |
| 5.1 总结 | 第51-52页 |
| 5.2 建议 | 第52-55页 |
| 5.2.1 企业角度 | 第53-54页 |
| 5.2.2 政府角度 | 第54页 |
| 5.2.3 投资者角度 | 第54-55页 |
| 参考文献 | 第55-59页 |
| 致谢 | 第59-60页 |
| 攻读学位期间发表的学术论文 | 第60-61页 |
| 附录 | 第61-65页 |
| 1. 抽样及及提取主成分函数R语言代码 | 第61页 |
| 2. 逻辑回归函数R语言代码 | 第61-62页 |
| 3. 随机森林函数R语言代码 | 第62页 |
| 4. 支持向量机函数R语言代码 | 第62-64页 |
| 5. 人工神经网络函数R语言代码 | 第64-65页 |
