内容摘要：上市公司财务造假行为不仅扰乱国内资本市场，而且对投资者造成了巨大的财务损失，识别上市公司财务造假具有重要现实意义。以3563条中国上市公司财务数据作为样本，建立Logistic模型识别财务报表造假。针对数据类别不平衡问题进行重点研究，用AUC值度量了四种平衡数据类别的建模效果，发现在基于此样本集上，人工数据合成方法应对类别不平衡问题上建立的模型预测准确性和稳健性均优于欠采样和过采样方法。

-对于模型性能方面，在制造业与非制造业数据集上应用人工合成数据方法，用逐步回归法筛选变量，分别建立的Logistic回归模型识别造假样本的泛化精度分别为73.1%和76%。由模型定量的提出了财务造假指标，结果显示模型提出的财务造假指标符合财务造假行为规律。

关键词：财务造假识别；Logitstic模型；类别不平衡

目录

内容摘要

Abstract

1绪论-1

1.1论文研究背景与意义-1

1.2文献综述-3

1.2.1财务造假的定义-3

1.2.2财务造假动机-3

1.2.3财务造假识别模型及其指标体系-4

1.3论文研究思路和内容框架-6

1.3.1基本假设-6

1.3.3研究思路-6

1.3.4论文内容框架-8

1.4论文创新点-8

2建模过程相关理论-9

2.1 Logistic模型及其性能度量-9

2.1.1Logistic模型简介-9

2.1.2 Logistic模型性能度量-10

2.2多重共线性及其应对方法-11

2.3类别不平衡问题及其应对方法-11

3数据描述与预处理-13

3.1数据描述-13

3.2数据预处理-14

3.3数据预处理结果-15

4财务造假识别Logistic模型-17

4.1四种平衡数据方法平衡数据效果评估-17

4.2 基于最优平衡数据策略的Logistic模型-23

4.2.1 制造业财务造假识别模型及其性能度量-23

4.2.2 非制造业财务造假识别模型及其性能度量-29

4.3 模型的应用思路-31

5结论-33

5.1模型评价-33

5.2 不足之处和改进空间-33

参 考 文 献-34

附 录-35

致 谢-38