上市公司财务欺诈识别模型研究
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 研究意义 | 第11-12页 |
| 1.3 相关概念界定 | 第12-13页 |
| 1.4 本文的结构安排 | 第13-14页 |
| 第二章 文献综述 | 第14-28页 |
| 2.1 财务欺诈成因理论研究回顾 | 第14-15页 |
| 2.2 财务欺诈特征研究回顾 | 第15-19页 |
| 2.2.1 基于财务特征的研究 | 第15-17页 |
| 2.2.2 基于非财务特征的研究 | 第17-19页 |
| 2.3 财务欺诈识别模型研究回顾 | 第19-27页 |
| 2.3.1 基于统计方法的研究 | 第20-22页 |
| 2.3.2 基于数据挖掘算法的研究 | 第22-27页 |
| 2.4 研究评述 | 第27-28页 |
| 第三章 研究设计 | 第28-35页 |
| 3.1 研究样本的来源与选择 | 第28-30页 |
| 3.2 研究指标的初步选择 | 第30-31页 |
| 3.3 基于信息增益的特征选择 | 第31-35页 |
| 第四章 基于分类方法的财务欺诈识别模型构建 | 第35-46页 |
| 4.1 模型评价标准设定 | 第35-36页 |
| 4.2 基于单分类器的欺诈识别模型 | 第36-39页 |
| 4.2.1 决策树算法 | 第36-37页 |
| 4.2.2 贝叶斯网络算法 | 第37页 |
| 4.2.3 支持向量机算法 | 第37-38页 |
| 4.2.4 单分类器算法实验结果 | 第38-39页 |
| 4.3 基于集成学习的欺诈识别模型 | 第39-42页 |
| 4.3.1 AdaBoost算法 | 第40页 |
| 4.3.2 随机森林算法 | 第40-41页 |
| 4.3.3 集成学习算法实验结果 | 第41-42页 |
| 4.4 基于代价敏感性学习的欺诈识别模型 | 第42-46页 |
| 4.4.1 MetaCost算法 | 第43-44页 |
| 4.4.2 MetaCost算法实验结果 | 第44-46页 |
| 第五章 总结与展望 | 第46-50页 |
| 5.1 研究总结 | 第46-47页 |
| 5.1.1 识别财务欺诈的相关指标 | 第46-47页 |
| 5.1.2 财务欺诈识别模型 | 第47页 |
| 5.2 研究贡献 | 第47-48页 |
| 5.3 研究局限与展望 | 第48-50页 |
| 参考文献 | 第50-53页 |
| 附录 | 第53-57页 |
| 致谢 | 第57-58页 |
