CN112419030B - 财务舞弊风险评估的方法、系统及设备 - Google Patents
财务舞弊风险评估的方法、系统及设备 Download PDFInfo
- Publication number
- CN112419030B CN112419030B CN202011372377.1A CN202011372377A CN112419030B CN 112419030 B CN112419030 B CN 112419030B CN 202011372377 A CN202011372377 A CN 202011372377A CN 112419030 B CN112419030 B CN 112419030B
- Authority
- CN
- China
- Prior art keywords
- data
- financial
- financial fraud
- prediction sample
- sample set
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000012549 training Methods 0.000 claims abstract description 93
- 238000012502 risk assessment Methods 0.000 claims abstract description 39
- 238000007637 random forest analysis Methods 0.000 claims abstract description 28
- 230000002776 aggregation Effects 0.000 claims abstract description 25
- 238000004220 aggregation Methods 0.000 claims abstract description 25
- 238000013210 evaluation model Methods 0.000 claims description 53
- 238000012216 screening Methods 0.000 claims description 30
- 238000004422 calculation algorithm Methods 0.000 claims description 29
- 238000002790 cross-validation Methods 0.000 claims description 25
- 238000002360 preparation method Methods 0.000 claims description 21
- 230000003044 adaptive effect Effects 0.000 claims description 14
- 238000013500 data storage Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 6
- 238000012550 audit Methods 0.000 claims description 5
- 238000007726 management method Methods 0.000 claims description 4
- 230000035772 mutation Effects 0.000 claims description 4
- 230000007306 turnover Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 5
- 238000011156 evaluation Methods 0.000 description 13
- 238000004458 analytical method Methods 0.000 description 12
- 230000009897 systematic effect Effects 0.000 description 10
- 238000005070 sampling Methods 0.000 description 7
- 238000011157 data evaluation Methods 0.000 description 6
- 230000000737 periodic effect Effects 0.000 description 6
- 238000011160 research Methods 0.000 description 6
- 238000005094 computer simulation Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000004445 quantitative analysis Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 210000001217 buttock Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/12—Accounting
- G06Q40/125—Finance or payroll
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Finance (AREA)
- Marketing (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Technology Law (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种财务舞弊风险评估的方法、系统及设备,涉及数据处理与计算机技术领域。方法包括:获取财务报表并提取财务指标信息;建立训练样本集和预测样本集;财务指标信息转换为定性指标、定量指标;以随机森林模型对预测样本集预测,获得财务舞弊高风险的第一数据集;和/或,以自适应增强模型对预测样本集预测,获得财务舞弊高风险的第二数据集;和/或,以引导聚集模型对预测样本集预测,获得财务舞弊高风险的第三数据集;预测样本集分为子预测样本集;以指标数据对子预测样本集预测,获得财务舞弊高风险的第四数据集;提取第一和/或第二和/或第三及第四数据集中超过预设阈值的数据,构建财务舞弊高风险数据集,生成风险分析报告。
Description
技术领域
本发明涉及数据处理与计算机技术领域,更具体地,涉及一种财务舞弊风险评估的方法、系统及设备。
背景技术
现有技术中,对于财务舞弊的分析主要基于财务报表会计科目、财务指标、舆情等异常的经验总结,依赖专家的经验判断,而缺乏系统的、高效的、量化分析模型,导致对财务舞弊的分析识别多为个案,而缺少对大批量财务报表质量的定期全面回溯研究。因此,亟待发明一种用于财务舞弊风险评估的方法、系统及设备,实现对于财务舞弊智能化、高效化、系统化的风险评估。
发明内容
有鉴于此,本发明提供了一种财务舞弊风险评估的方法、系统及设备,用以改善对于财务舞弊的分析缺乏系统的、高效的、量化分析方法的问题。
第一方面,本申请提供一种财务舞弊风险评估的方法,包括:
获取至少1份财务报表和所述财务报表对应主体的基本信息,并根据所述财务报表提取至少1份财务指标信息;
建立训练样本集和预测样本集,其中,以实际财务舞弊数据、实际非财务舞弊数据为训练样本集,以待评估数据为预测样本集;
将所述财务指标信息转换为多个指标数据,包括M个维度的定性指标、N个维度的定量指标;其中,M≥100,N≥50,且M、N均为正整数;
采用随机森林算法对所述训练样本集中的训练样本进行建模,生成随机森林模型,评估至少部分所述指标数据的重要性值,并计算交叉验证误判率;以所述随机森林模型作为财务舞弊风险的第一评估模型对所述预测样本集中的预测样本进行预测,所述预测结果为财务舞弊高风险的第一数据集;和/或,
采用自适应增强算法对所述训练样本集中的训练样本进行建模,生成自适应增强模型,评估至少部分所述指标数据的重要性值,并计算交叉验证误判率;以所述自适应增强模型作为财务舞弊风险的第二评估模型对所述预测样本集中的预测样本进行预测,所述预测结果为财务舞弊高风险的第二数据集;和/或,
采用引导聚集算法所述训练样本集中的训练样本进行建模,生成引导聚集模型,评估至少部分所述指标数据的重要性值,并计算交叉验证误判率;以所述引导聚集模型作为财务舞弊风险的第三评估模型对所述预测样本集中的预测样本进行预测,所述预测结果为财务舞弊高风险的第三数据集;
基于所述基本信息和所述财务指标信息,将所述预测样本集中的数据划分为至少2个子预测样本集;
通过至少部分所述指标数据对所述子预测样本集搭建财务舞弊风险的第四评估模型,以所述第四评估模型对所述子预测样本集中的预测样本进行预测,所述预测结果为财务舞弊高风险的第四数据集;
提取所述第一数据集、和/或所述第二数据集、和/或所述第三数据集中超过预设阈值的数据,并提取所述第四数据集中超过预设阈值的数据,构建财务舞弊高风险数据集;
根据所述财务舞弊高风险数据集生成风险分析报告。
可选地,其中:
所述定性指标包括固定资产结构异常、会计政策突变、工程量虚增、财务费用资本化、销售费用资本化、收入和利润异常、内部管理异常。
可选地,其中:
所述定量指标包括固定资产周转率、贷款损失准备金、关联交易集中度、存货增长率、短期借款、应付款、经营活动现金流。
可选地,其中:
所述财务报表包括财务季报、财务半年报、财务年报。
可选地,其中:
所述基本信息包括所属行业、主营业务;
所述财务指标信息包括资产负债表、现金流量表、利润表、审计意见、会计政策、合并财务报表项目注释、关联方及关联交易。
可选地,其中:
所述基于所述基本信息和所述财务指标信息,将所述预测样本集中的数据划分为至少2个子预测样本集,具体为:
至少根据所述所属行业和所述主营业务,及所述资产负债表、所述现金流量表和所述利润表,将所述预测样本集中的数据划分为至少2个子预测样本集。
可选地,其中:
所述实际财务舞弊数据的数量和所述实际非财务舞弊数据的数量比值为1:10。
第二方面,本申请提供一种财务舞弊风险评估的系统,用于财务舞弊风险评估的方法,包括数据存储单元、数据准备单元、模型搭建与筛选单元、风险报告生成单元;其中,
所述数据存储单元用于获取至少1份财务报表和所述财务报表对应主体的基本信息,并根据所述财务报表提取至少1份财务指标信息;
所述数据准备单元用于建立训练样本集和预测样本集,其中,以实际财务舞弊数据、实际非财务舞弊数据为训练样本集,以待评估数据为预测样本集;
所述数据准备单元还用于将所述财务指标信息转换为多个指标数据,包括M个维度的定性指标、N个维度的定量指标;其中,M≥100,N≥50,且M、N均为正整数;
所述模型搭建与筛选单元用于采用随机森林算法对所述训练样本集中的训练样本进行建模,生成随机森林模型,评估至少部分所述指标数据的重要性值,并计算交叉验证误判率;以所述随机森林模型作为财务舞弊风险的第一评估模型对所述预测样本集中的预测样本进行预测,所述预测结果为财务舞弊高风险的第一数据集;和/或,
所述模型搭建与筛选单元用于采用自适应增强算法对所述训练样本集中的训练样本进行建模,生成自适应增强模型,评估至少部分所述指标数据的重要性值,并计算交叉验证误判率;以所述自适应增强模型作为财务舞弊风险的第二评估模型对所述预测样本集中的预测样本进行预测,所述预测结果为财务舞弊高风险的第二数据集;和/或,
所述模型搭建与筛选单元用于采用引导聚集算法所述训练样本集中的训练样本进行建模,生成引导聚集模型,评估至少部分所述指标数据的重要性值,并计算交叉验证误判率;以所述引导聚集模型作为财务舞弊风险的第三评估模型对所述预测样本集中的预测样本进行预测,所述预测结果为财务舞弊高风险的第三数据集;
所述数据准备单元还用于基于所述基本信息和所述财务指标信息,将所述预测样本集中的数据划分为至少2个子预测样本集;
所述模型搭建与筛选单元还用于通过至少部分所述指标数据对所述子预测样本集搭建财务舞弊风险的第四评估模型,以所述第四评估模型对所述子预测样本集中的预测样本进行预测,所述预测结果为财务舞弊高风险的第四数据集;
所述模型搭建与筛选单元还用于提取所述第一数据集、和/或所述第二数据集、和/或所述第三数据集中超过预设阈值的数据,并提取所述第四数据集中超过预设阈值的数据,构建财务舞弊高风险数据集;
所述风险报告生成单元用于根据所述财务舞弊高风险数据集生成风险分析报告。
第三方面,本申请提供一种财务舞弊风险评估的设备,包括:
一个或多个处理器;
存储器;以及
一个或多个计算机程序,其中,所述计算机程序被存储在所述存储器上,并能够在所述处理器上运行,所述计算机程序被所述处理器执行时实现财务舞弊风险评估的方法。
与现有技术相比,本发明提供的一种财务舞弊风险评估的方法、系统及设备,至少实现了如下的有益效果:
本申请提供了一种财务舞弊风险评估的方法、系统及设备,通过基于多份财务报表中的财务指标信息,提取相应的定性指标和定量指标,搭建财务舞弊风险的第一评估模型、第二评估模型、第三评估模型和第四评估模型,通过筛查输出财务舞弊高风险数据集,并生成相应的风险分析报告;通过将财务报表对应的定性指标和定量指标进行提取,运用计算机模型对数据进行处理,实现对于财务舞弊智能化、高效化、系统化的风险评估,提高了财务舞弊分析识别的效率和准确性,且有利于实现对大批量财务报表数据的定期回溯研究。
当然,实施本发明的任一产品必不特定需要同时达到以上所述的所有技术效果。
通过以下参照附图对本发明的示例性实施例的详细描述,本发明的其它特征及其优点将会变得清楚。
附图说明
被结合在说明书中并构成说明书的一部分的附图示出了本发明的实施例,并且连同其说明一起用于解释本发明的原理。
图1所示为本申请实施例所提供的财务舞弊风险评估的方法的一种流程图;
图2所示为本申请实施例所提供的财务舞弊风险评估的系统的一种模块图;
图3所示为本申请实施例所提供的财务舞弊风险评估的设备的一种示意图;
图4所示为本申请实施例所提供的财务舞弊风险评估的方法的另一种流程图。
具体实施方式
现在将参照附图来详细描述本发明的各种示例性实施例。应注意到:除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本发明及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为说明书的一部分。
在这里示出和讨论的所有例子中,任何具体值应被解释为仅仅是示例性的,而不是作为限制。因此,示例性实施例的其它例子可以具有不同的值。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
现有技术中,对于财务舞弊的分析主要基于财务报表会计科目、财务指标、舆情等异常的经验总结,依赖专家的经验判断,而缺乏系统的、高效的、量化分析模型,导致对财务舞弊的分析识别多为个案,而缺少对大批量财务报表质量的定期全面回溯研究。因此,亟待发明一种用于财务舞弊风险评估的方法、系统及设备,实现对于财务舞弊智能化、高效化、系统化的风险评估。
有鉴于此本发明提供了一种财务舞弊风险评估的方法、系统及设备,用以改善对于财务舞弊的分析缺乏系统的、高效的、量化分析方法的问题。
图1所示为本申请实施例所提供的财务舞弊风险评估的方法的一种流程图,请参照图1,本申请提供了一种财务舞弊风险评估的方法,包括:
步骤101、获取至少1份财务报表和财务报表对应主体的基本信息,并根据财务报表提取至少1份财务指标信息;
步骤102、建立训练样本集和预测样本集,其中,以实际财务舞弊数据、实际非财务舞弊数据为训练样本集,以待评估数据为预测样本集;
步骤103、将财务指标信息转换为多个指标数据,包括M个维度的定性指标、N个维度的定量指标;其中,M≥100,N≥50,且M、N均为正整数;
步骤104、采用随机森林算法对训练样本集中的训练样本进行建模,生成随机森林模型,评估至少部分指标数据的重要性值,并计算交叉验证误判率;以随机森林模型作为财务舞弊风险的第一评估模型对预测样本集中的预测样本进行预测,预测结果为财务舞弊高风险的第一数据集;和/或,
步骤105、采用自适应增强算法对训练样本集中的训练样本进行建模,生成自适应增强模型,评估至少部分指标数据的重要性值,并计算交叉验证误判率;以自适应增强模型作为财务舞弊风险的第二评估模型对预测样本集中的预测样本进行预测,预测结果为财务舞弊高风险的第二数据集;和/或,
步骤106、采用引导聚集算法训练样本集中的训练样本进行建模,生成引导聚集模型,评估至少部分指标数据的重要性值,并计算交叉验证误判率;以引导聚集模型作为财务舞弊风险的第三评估模型对预测样本集中的预测样本进行预测,预测结果为财务舞弊高风险的第三数据集;
步骤107、基于基本信息和财务指标信息,将预测样本集中的数据划分为至少2个子预测样本集;
步骤108、通过至少部分指标数据对子预测样本集搭建财务舞弊风险的第四评估模型,以第四评估模型对子预测样本集中的预测样本进行预测,预测结果为财务舞弊高风险的第四数据集;
步骤109、提取第一数据集、和/或第二数据集、和/或第三数据集中超过预设阈值的数据,并提取第四数据集中超过预设阈值的数据,构建财务舞弊高风险数据集;
步骤1010、根据财务舞弊高风险数据集生成风险分析报告。
具体地,本申请提供了一种财务舞弊风险评估的方法,包括步骤101-步骤1010,其中步骤101为首先获取若干份财务报表和财务报表对应主体的基本信息,并根据所获取的财务报表提取若干份财务指标信息;需要说明一下的是,上述的“财务报表对应主体”具体为财务报表对应的公司、企业、部门等。步骤102为建立训练样本集和预测样本集,具体方法为:以已经被明确的实际财务舞弊数据、实际非财务舞弊数据作为训练样本集,以待评估是否为财务舞弊或者非财务舞弊的数据作为预测样本集;通过步骤103将步骤101中获得的财务指标信息转换为多个指标数据,所得到的指标数据包括M个维度的定性指标、以及N个维度的定量指标;其中,本申请提供了M和N的一种可选的取值范围为M≥100,N≥50,且M、N均为正整数;但本申请并不以此为限,用户可根据实际需求对定性指标和定量指标的维度进行分别取值;且本申请并不对“指标数据”所包括的内容仅限于“定性指标”和“定量指标”,其余所需的指标数据也可包含进来。
步骤104首先通过采用常规的随机森林算法对步骤102中所建立的训练样本集中的至少部分训练样本进行建模,从而生成随机森林模型;而后评估至少部分指标数据的重要性值,具体例如评估M个维度的定性指标、N个维度的定量指标中至少部分指标数据对于财务舞弊评估的重要性值,并计算交叉验证误判率;进而以随机森林模型作为财务舞弊风险的第一评估模型对步骤102所建立的预测样本集中的预测样本进行预测,其预测结果为财务舞弊高风险的第一数据集。需要说明的是,“重要性值”指的是例如M个维度的定性指标、N个维度的定量指标中各个指标数据对于财务舞弊评估的重要性,或是说对于财务舞弊评估的比重值。
除了步骤104所提供的获得财务舞弊高风险对应的数据集的方法外,本申请还提供了一种可选的方法为步骤105,首先通过采用自适应增强(Adaboost)算法对步骤102中所建立的训练样本集中的至少部分训练样本进行建模,从而生成自适应增强(Adaboost)模型;而后评估至少部分指标数据的重要性值,具体例如评估M个维度的定性指标、N个维度的定量指标中至少部分指标数据对于财务舞弊评估的重要性值,并计算交叉验证误判率;进而以自适应增强(Adaboost)模型作为财务舞弊风险的第二评估模型对步骤102所建立的预测样本集中的预测样本进行预测,其预测结果为财务舞弊高风险的第二数据集。
除了步骤104和步骤105分别提供的获得财务舞弊高风险对应的数据集的方法外,本申请还提供了一种可选的方法为步骤106,首先通过采用引导聚集(Bagging)算法对步骤102中所建立的训练样本集中的至少部分训练样本进行建模,从而生成引导聚集(Bagging)模型;而后评估至少部分指标数据的重要性值,具体例如评估M个维度的定性指标、N个维度的定量指标中至少部分指标数据对于财务舞弊评估的重要性值,并计算交叉验证误判率;进而以引导聚集(Bagging)模型作为财务舞弊风险的第三评估模型对步骤102所建立的预测样本集中的预测样本进行预测,其预测结果为财务舞弊高风险的第三数据集。
需要说明的是,本申请提供的上述步骤104、步骤105、步骤106的方法均可以用于获得财务舞弊高风险的数据集,在对财务舞弊风险评估的方法中,可任选步骤104、步骤105、步骤106的其中一者,或者其中任意两者的结合,或者三者的结合进行使用,本申请提供一种优选的方式为选用步骤104、步骤105、步骤106三者中的至少两者来获得财务舞弊高风险的数据集;当同时通过步骤104、步骤105、步骤106的方法均获得相应的财务舞弊高风险的数据集时,可以提高财务舞弊高风险数据集获取的准确率。
步骤107为基于步骤101中的基本信息(公司、企业、部门等对应的基本信息)和财务指标信息,将步骤102中预测样本集中的数据划分为多个子预测样本集,进而通过步骤108结合例如指标数据中所包括的M个维度的定性指标、N个维度的定量指标对子预测样本集搭建财务舞弊风险的第四评估模型,以第四评估模型对步骤107中所得到的子预测样本集中的预测样本进行预测,其预测结果为财务舞弊高风险的第四数据集。
步骤109为提取步骤104得到的财务舞弊高风险的第一数据集、和/或提取步骤105得到的财务舞弊高风险的第二数据集、和/或提取步骤106得到的财务舞弊高风险的第三数据集中超过预设阈值的数据,并进一步提取步骤108得到的财务舞弊高风险的第四数据集中超过预设阈值的数据,而后通过提取出的超过预设阈值的这些数据构建财务舞弊高风险数据集;步骤109所得到的财务舞弊高风险数据集中的数据,即经过评估所得到的财务舞弊高风险数据。需要说明的是,财务舞弊高风险数据为至少在第一数据集、第二数据集、第三数据集、及第四数据集中的至少两个数据集中所出现过的数据。进而通过步骤1010将步骤109得到的财务舞弊高风险数据集进行汇总,得到财务舞弊高风险的数据集,并生成对应的风险分析报告。
本申请通过上述步骤101-步骤1010,通过将财务报表对应的定性指标和定量指标进行提取,运用计算机模型对数据进行处理,实现对于财务舞弊智能化、高效化、系统化的风险评估,提高了财务舞弊分析识别的效率和准确性,且有利于实现对大批量财务报表数据的定期回溯研究。
可选地,定性指标包括固定资产结构异常、会计政策突变、工程量虚增、财务费用资本化、销售费用资本化、收入和利润异常、内部管理异常。
具体地,步骤103中所提到的“定性指标”包括固定资产结构异常、会计政策突变、工程量虚增、财务费用资本化、销售费用资本化、收入和利润异常、内部管理异常等内容。需要说明的是,本申请此处仅示例性例举出“定性指标”所包括的部分内容,并不以此为限。
可选地,定量指标包括固定资产周转率、贷款损失准备金、关联交易集中度、存货增长率、短期借款、应付款、经营活动现金流。
具体地,步骤103中所提到的“定量指标”包括固定资产周转率、贷款损失准备金、关联交易集中度、存货增长率、短期借款、应付款、经营活动现金流等内容。需要说明的是,本申请此处仅示例性例举出“定量指标”所包括的部分内容,并不以此为限。
可选地,财务报表包括财务季报、财务半年报、财务年报。
具体地,步骤101中所获取的财务报表至少包括财务周报、财务月报、财务季报、财务半年报、财务年报等。
可选地,基本信息包括所属行业、主营业务;
财务指标信息包括资产负债表、现金流量表、利润表、审计意见、会计政策、合并财务报表项目注释、关联方及关联交易。
具体地,步骤101中根据财务报表提取得到的财务指标信息包括资产负债表、现金流量表、利润表、审计意见、会计政策、合并财务报表项目注释、关联方及关联交易等,财务报表所对应的公司/企业/部门等对应的基本信息包括所属行业、主营业务等信息,可用于对相应的公司/企业/部门进行定性、分类等。
可选地,基于基本信息和财务指标信息,将预测样本集中的数据划分为至少2个子预测样本集,具体为:
至少根据所属行业和主营业务,及资产负债表、现金流量表和利润表,将预测样本集中的数据划分为至少2个子预测样本集。
具体地,上述步骤107中“基于基本信息和财务指标信息,将预测样本集中的数据划分为至少2个子预测样本集”,具体为,根据步骤101中基本信息和财务指标信息中具体的所属行业和主营业务,及资产负债表、现金流量表和利润表、审计意见、会计政策、合并财务报表项目注释、关联方及关联交易等将预测样本集中的数据划分为多个子预测样本集。
可选地,实际财务舞弊数据的数量和实际非财务舞弊数据的数量比值为1:10。
具体地,步骤102中所获取的实际财务舞弊数据的数量一般要求远小于所获取的实际非财务舞弊数据的数量,本申请提供一种实际财务舞弊数据的数量和实际非财务舞弊数据的数量比值为1:10。
图2所示为本申请实施例所提供的财务舞弊风险评估的系统的一种模块图,请参照图2,基于同一发明构思,本申请还提供了一种财务舞弊风险评估的系统,用于所述财务舞弊风险评估,包括数据存储单元10、数据准备单元11、模型搭建与筛选单元12、风险报告生成单元13;其中,
数据存储单元10用于获取至少1份财务报表和财务报表对应主体的基本信息,并根据财务报表提取至少1份财务指标信息;
数据准备单元11用于建立训练样本集和预测样本集,其中,以实际财务舞弊数据、实际非财务舞弊数据为训练样本集,以待评估数据为预测样本集;
数据准备单元11还用于将财务指标信息转换为多个指标数据,包括M个维度的定性指标、N个维度的定量指标;其中,M≥100,N≥50,且M、N均为正整数;
模型搭建与筛选单元12用于采用随机森林算法对训练样本集中的训练样本进行建模,生成随机森林模型,评估至少部分指标数据的重要性值,并计算交叉验证误判率;以随机森林模型作为财务舞弊风险的第一评估模型对预测样本集中的预测样本进行预测,预测结果为财务舞弊高风险的第一数据集;和/或,
模型搭建与筛选单元12用于采用自适应增强算法对训练样本集中的训练样本进行建模,生成自适应增强模型,评估至少部分指标数据的重要性值,并计算交叉验证误判率;以自适应增强模型作为财务舞弊风险的第二评估模型对预测样本集中的预测样本进行预测,预测结果为财务舞弊高风险的第二数据集;和/或,
模型搭建与筛选单元12用于采用引导聚集算法训练样本集中的训练样本进行建模,生成引导聚集模型,评估至少部分指标数据的重要性值,并计算交叉验证误判率;以引导聚集模型作为财务舞弊风险的第三评估模型对预测样本集中的预测样本进行预测,预测结果为财务舞弊高风险的第三数据集;
数据准备单元11还用于基于基本信息和财务指标信息,将预测样本集中的数据划分为至少2个子预测样本集;
模型搭建与筛选单元12还用于通过至少部分指标数据对子预测样本集搭建财务舞弊风险的第四评估模型,以第四评估模型对子预测样本集中的预测样本进行预测,预测结果为财务舞弊高风险的第四数据集;
模型搭建与筛选单元12还用于提取第一数据集、和/或第二数据集、和/或第三数据集中超过预设阈值的数据,并提取第四数据集中超过预设阈值的数据,构建财务舞弊高风险数据集;
风险报告生成单元13用于根据财务舞弊高风险数据集生成风险分析报告。
具体地,本申请还提供了一种财务舞弊风险评估的系统,用于所述财务舞弊风险评估,财务舞弊风险评估的系统至少包括数据存储单元10、数据准备单元11、模型搭建与筛选单元12、风险报告生成单元13。
其中,数据存储单元10用于获取若干份财务报表和财务报表对应主体的基本信息,并根据所获取的财务报表提取若干份财务指标信息。需要说明一下的是,上述的“财务报表对应主体”具体为财务报表对应的公司、企业、部门等。
数据准备单元11用于建立训练样本集和预测样本集,其中,具体方法为:以已经被明确的实际财务舞弊数据、实际非财务舞弊数据作为训练样本集,以待评估是否为财务舞弊或者非财务舞弊的数据作为预测样本集。
数据准备单元11还用于将财务指标信息转换为多个指标数据,所得到的指标数据包括M个维度的定性指标、N个维度的定量指标;其中,本申请提供了M和N的一种可选的取值范围为M≥100,N≥50,且M、N均为正整数;但本申请并不以此为限,用户可根据实际需求对定性指标和定量指标的维度进行分别取值;且本申请并不对“指标数据”所包括的内容仅限于“定性指标”和“定量指标”,其余所需的指标数据也可包含进来。
模型搭建与筛选单元12用于采用随机森林算法对训练样本集中的至少部分训练样本进行建模,从而生成随机森林模型;而后评估至少部分指标数据的重要性值,具体例如评估M个维度的定性指标、N个维度的定量指标中至少部分指标数据对于财务舞弊评估的重要性值,并计算交叉验证误判率;进而以随机森林模型作为财务舞弊风险的第一评估模型对预测样本集中的预测样本进行预测,其预测结果为财务舞弊高风险的第一数据集。需要说明的是,“重要性值”指的是例如M个维度的定性指标、N个维度的定量指标中各个指标数据对于财务舞弊评估的重要性,或是说对于财务舞弊评估的比重值。
模型搭建与筛选单元12除了上述用途外,还可以用于采用自适应增强(Adaboost)算法对训练样本集中的训练样本集中的至少部分训练样本进行建模,从而生成自适应增强(Adaboost)模型;而后评估M个维度的定性指标、N个维度的定量指标中至少部分指标数据对于财务舞弊评估的重要性值,并计算交叉验证误判率;进而以自适应增强(Adaboost)模型作为财务舞弊风险的第二评估模型对预测样本集中的预测样本进行预测,其预测结果为财务舞弊高风险的第二数据集。
模型搭建与筛选单元12除了上述用途外,还可以用于采用引导聚集(Bagging)算法对训练样本集中的至少部分训练样本进行建模,从而生成引导聚集(Bagging)模型;而后评估至少部分指标数据的重要性值,具体例如评估M个维度的定性指标、N个维度的定量指标中至少部分指标数据对于财务舞弊评估的重要性值,并计算交叉验证误判率;进而以引导聚集模型(Bagging)作为财务舞弊风险的第三评估模型对预测样本集中的预测样本进行预测,其预测结果为财务舞弊高风险的第三数据集。
需要说明的是,本申请提供的模型搭建与筛选单元12的上述三种用途均可以用于获得财务舞弊高风险的数据集,在对财务舞弊风险评估的系统中,可任选三种中的一者进行执行,或者任选其中任意两者的结合进行执行,或者三者的结合;本申请提供一种优选的方式为任选三者中的至少两者的结合来获得财务舞弊高风险的数据集。当同时通过模型搭建与筛选单元12执行上述三种方式时,可均用于获得相应的财务舞弊高风险的数据集,有利于提高财务舞弊高风险数据集获取的准确率。
数据准备单元11还用于基于数据存储单元10中的基本信息(公司、企业、部门等对应的基本信息)和财务指标信息,将预测样本集中的数据划分为多个子预测样本集。
模型搭建与筛选单元12还用于通过例如指标数据中所包括的M个维度的定性指标、N个维度的定量指标对子预测样本集搭建财务舞弊风险的第四评估模型,以第四评估模型对子预测样本集中的预测样本进行预测,其预测结果为财务舞弊高风险的第四数据集。
模型搭建与筛选单元12还用于提取财务舞弊高风险的第一数据集、和/或提取财务舞弊高风险的第二数据集、和/或提取财务舞弊高风险的第三数据集中超过预设阈值的数据,并进一步提取财务舞弊高风险的第四数据集中超过预设阈值的数据,进而通过超过预设阈值的这些数据建财务舞弊高风险数据集;所得到的财务舞弊高风险数据集中的数据,即为经过评估所得到的财务舞弊高风险数据。
风险报告生成单元13用于将模型搭建与筛选单元12输出的财务舞弊高风险数据集进行汇总,得到财务舞弊高风险的数据集,并生成对应的风险分析报告。
本申请通过上述财务舞弊风险评估的系统,通过将财务报表对应的定性指标和定量指标进行提取,运用计算机模型对数据进行处理,实现对于财务舞弊智能化、高效化、系统化的风险评估,提高了财务舞弊分析识别的效率和准确性,且有利于实现对大批量财务报表数据的定期回溯研究。
图3所示为本申请实施例所提供的财务舞弊风险评估的设备的一种示意图,请参照图3,基于同一发明构思,本申请还提供了一种财务舞弊风险评估的设备,包括:
一个或多个处理器;
存储器;以及
一个或多个计算机程序,其中,计算机程序被存储在存储器上,并能够在处理器上运行,计算机程序被处理器执行时实现所述的财务舞弊风险评估的方法。
具体地,财务舞弊风险评估的设备是基于财务舞弊风险评估的方法相同的发明构思得到的,可参考方法部分的描述。财务舞弊风险评估的设备不限于PC、终端、服务器。比如此设备可以设置在服务器中,间隔设定的时间采集财务报表,并自动进行计算,最终给出判断结果,输出对应的风险分析报告。
以下,为本申请所提供的一种具体的实施例。
图4所示为本申请实施例所提供的财务舞弊风险评估的方法的另一种流程图,请参照图4,上述财务舞弊风险评估的方法,具体可用于上市公司财务舞弊风险评估,相关的应用步骤可如下:
步骤201,数据准备,获取所有上市公司历年的财务报表数据和财务报表对应的公司/企业/部门等的基本信息,提取重要财务指标和附注信息,即提取相应财务指标信息。
步骤202,样本准备,划分训练样本和预测样本。
本步骤202中,将被证监会查实和网络舆情质疑存在财务造假的上市公司标识为财务舞弊公司,并按照1:10的比例随机选取同一时段与其同行业、同主营业务的上市公司标识为非财务舞弊公司,将这两部分样本公司组合构成训练样本,汇总得到训练样本集。将其他待评估的上市公司划归为预测样本,汇总得到预测样本集。
步骤203,指标准备,结合已提取的重要财务指标和附注信息(财务指标信息),转化为174个维度的定性指标、76个维度的定量指标用于建模。
步骤204,采用随机森林算法对训练样本进行建模,评估174个维度的定性指标和76个维度的定量指标对财务舞弊筛查的重要性,计算交叉验证误判率,并根据已建立的随机森林模型作为财务舞弊风险第一评估模型对预测样本进行预测。
本步骤204中,(1)利用Bootstrap法对训练数据进行有放回等可能重复500次抽样,得到500个新的子训练数据集,对每个子训练数据集随机选取50个自变量,所有子预测模型预测结果最终的分类为训练数据评估模型的返回结果;(2)利用每次再抽样没有抽到的观测值(OOB)数据进行交叉验证,评估模型交叉验证的误判率;(3)采用随机森林算法对训练数据进行特征评估,返回变量重要性排序列表;(4)将训练数据评估模型(变量重要性排序列表)应用至预测样本,返回预测样本的分类结果。
步骤205,采用Adaboost算法对训练样本进行建模,评估174个维度的定性指标和76个维度的定量指标重要性,计算交叉验证误判率,并根据已建立的Adaboost模型作为财务舞弊风险第二评估模型对预测样本进行预测。
本步骤205中,(1)利用Bootstrap法对训练数据进行有放回不等可能重复500次抽样,具体如下:第1次抽样得到子训练数据T1,样本量为200,对T1搭建决策树模型M1,运用M1模型对全部训练数据建模,根据错判率调整抽样概率,进行第2次抽样得到子训练数据T2,对T2搭建决策树模型M2,运用M2模型对全部训练数据建模,根据错判率调整抽样概率,进行第3次抽样得到子训练数据T3。按此逻辑,有放回不等可能重复抽取循环500次后,根据得到一系列新的子训练数据,对每个子训练数据建立子预测模型,所有子预测模型预测结果中最终的分类为训练数据评估模型的返回结果;(2)利用10折交叉验证,评估模型交叉验证的误判率;(3)采用Adaboost算法对训练数据进行特征评估,返回变量重要性排序列表;(4)将训练数据评估模型(变量重要性排序列表)应用至预测样本,返回预测样本的分类结果。
步骤206,采用Bagging算法对训练样本进行建模,计算交叉验证误判率,并根据已建立的Bagging模型作为财务舞弊风险第三评估模型对预测样本进行预测。
本步骤206中,(1)利用Bootstrap法对训练数据进行500次抽样(有放回等可能重复抽取),得到500个新的子训练数据集,对每个子训练数据集建立子预测模型,所有子预测模型预测结果最终的分类为训练数据评估模型的返回结果;(2)利用10折交叉验证,屁股古模型交叉验证误判率;(3)将训练数据评估模型应用至预测样本,返回预测样本分类结果。
步骤207,基于步骤201已提取的行业分类和主营业务分类信息,将预测样本划分为若干子预测样本集。
步骤208,针对每一类子预测样本集,根据174个维度的定性指标和76个维度的定量指标分析建模,提取聚类分析结果,搭建财务舞弊风险第四评估模型,寻找聚类分析离群点,结合其他基础信息,汇总各子预测模型识别高风险上市公司构建财务舞弊风险较高的第四上市公司集。
步骤209,针对财务舞弊风险第一、第二、第三、第四评估模型预测结果中超过阈值的上市公司,构建财务舞弊风险较高的上市公司集。
步骤2010,将步骤209筛选出的上市公司集汇总,得到财务舞弊风险较高的汇总上市公司集,并生成对应的风险分析报告,将所述风险分析报告发送至监控终端。
通过上述实施例可知,本发明提供的财务舞弊风险评估的方法、系统及设备,至少实现了如下的有益效果:
本申请提供了一种财务舞弊风险评估的方法、系统及设备,通过基于多份财务报表中的财务指标信息,提取相应的定性指标和定量指标,搭建财务舞弊风险的第一评估模型、第二评估模型、第三评估模型和第四评估模型,通过筛查输出财务舞弊高风险数据集,并生成相应的风险分析报告;通过将财务报表对应的定性指标和定量指标进行提取,运用计算机模型对数据进行处理,实现对于财务舞弊智能化、高效化、系统化的风险评估,提高了财务舞弊分析识别的效率和准确性,且有利于实现对大批量财务报表数据的定期回溯研究。
虽然已经通过例子对本发明的一些特定实施例进行了详细说明,但是本领域的技术人员应该理解,以上例子仅是为了进行说明,而不是为了限制本发明的范围。本领域的技术人员应该理解,可在不脱离本发明的范围和精神的情况下,对以上实施例进行修改。本发明的范围由所附权利要求来限定。
Claims (9)
1.一种财务舞弊风险评估的方法,其特征在于,包括:
获取至少1份财务报表和所述财务报表对应主体的基本信息,并根据所述财务报表提取至少1份财务指标信息;
建立训练样本集和预测样本集,其中,以实际财务舞弊数据、实际非财务舞弊数据为训练样本集,以待评估数据为预测样本集;
将所述财务指标信息转换为多个指标数据,包括M个维度的定性指标、N个维度的定量指标;其中,M≥100,N≥50,且M、N均为正整数;
采用随机森林算法对所述训练样本集中的训练样本进行建模,生成随机森林模型,评估至少部分所述指标数据的重要性值,并计算交叉验证误判率;以所述随机森林模型作为财务舞弊风险的第一评估模型对所述预测样本集中的预测样本进行预测,所述预测结果为财务舞弊高风险的第一数据集;和,
采用自适应增强算法对所述训练样本集中的训练样本进行建模,生成自适应增强模型,评估至少部分所述指标数据的重要性值,并计算交叉验证误判率;以所述自适应增强模型作为财务舞弊风险的第二评估模型对所述预测样本集中的预测样本进行预测,所述预测结果为财务舞弊高风险的第二数据集;和,
采用引导聚集算法所述训练样本集中的训练样本进行建模,生成引导聚集模型,评估至少部分所述指标数据的重要性值,并计算交叉验证误判率;以所述引导聚集模型作为财务舞弊风险的第三评估模型对所述预测样本集中的预测样本进行预测,所述预测结果为财务舞弊高风险的第三数据集;
基于所述基本信息和所述财务指标信息,将所述预测样本集中的数据划分为至少2个子预测样本集;
通过至少部分所述指标数据对所述子预测样本集搭建财务舞弊风险的第四评估模型,以所述第四评估模型对所述子预测样本集中的预测样本进行预测,所述预测结果为财务舞弊高风险的第四数据集;
提取所述第一数据集、所述第二数据集、所述第三数据集中超过预设阈值的数据,并提取所述第四数据集中超过预设阈值的数据,构建财务舞弊高风险数据集;
根据所述财务舞弊高风险数据集生成风险分析报告。
2.根据权利要求1所述的财务舞弊风险评估的方法,其特征在于,所述定性指标包括固定资产结构异常、会计政策突变、工程量虚增、财务费用资本化、销售费用资本化、收入和利润异常、内部管理异常。
3.根据权利要求1所述的财务舞弊风险评估的方法,其特征在于,所述定量指标包括固定资产周转率、贷款损失准备金、关联交易集中度、存货增长率、短期借款、应付款、经营活动现金流。
4.根据权利要求1所述的财务舞弊风险评估的方法,其特征在于,所述财务报表包括财务季报、财务半年报、财务年报。
5.根据权利要求1所述的财务舞弊风险评估的方法,其特征在于,所述基本信息包括所属行业、主营业务;
所述财务指标信息包括资产负债表、现金流量表、利润表、审计意见、会计政策、合并财务报表项目注释、关联方及关联交易。
6.根据权利要求5所述的财务舞弊风险评估的方法,其特征在于,所述基于所述基本信息和所述财务指标信息,将所述预测样本集中的数据划分为至少2个子预测样本集,具体为:
至少根据所述所属行业和所述主营业务,及所述资产负债表、所述现金流量表和所述利润表,将所述预测样本集中的数据划分为至少2个子预测样本集。
7.根据权利要求1所述的财务舞弊风险评估的方法,其特征在于,所述实际财务舞弊数据的数量和所述实际非财务舞弊数据的数量比值为1:10。
8.一种财务舞弊风险评估的系统,其特征在于,用于如权利要求1-7之任一项所述的财务舞弊风险评估的方法,包括数据存储单元、数据准备单元、模型搭建与筛选单元、风险报告生成单元;其中,
所述数据存储单元用于获取至少1份财务报表和所述财务报表对应主体的基本信息,并根据所述财务报表提取至少1份财务指标信息;
所述数据准备单元用于建立训练样本集和预测样本集,其中,以实际财务舞弊数据、实际非财务舞弊数据为训练样本集,以待评估数据为预测样本集;
所述数据准备单元还用于将所述财务指标信息转换为多个指标数据,包括M个维度的定性指标、N个维度的定量指标;其中,M≥100,N≥50,且M、N均为正整数;
所述模型搭建与筛选单元用于采用随机森林算法对所述训练样本集中的训练样本进行建模,生成随机森林模型,评估至少部分所述指标数据的重要性值,并计算交叉验证误判率;以所述随机森林模型作为财务舞弊风险的第一评估模型对所述预测样本集中的预测样本进行预测,所述预测结果为财务舞弊高风险的第一数据集;和,
所述模型搭建与筛选单元用于采用自适应增强算法对所述训练样本集中的训练样本进行建模,生成自适应增强模型,评估至少部分所述指标数据的重要性值,并计算交叉验证误判率;以所述自适应增强模型作为财务舞弊风险的第二评估模型对所述预测样本集中的预测样本进行预测,所述预测结果为财务舞弊高风险的第二数据集;和,
所述模型搭建与筛选单元用于采用引导聚集算法所述训练样本集中的训练样本进行建模,生成引导聚集模型,评估至少部分所述指标数据的重要性值,并计算交叉验证误判率;以所述引导聚集模型作为财务舞弊风险的第三评估模型对所述预测样本集中的预测样本进行预测,所述预测结果为财务舞弊高风险的第三数据集;
所述数据准备单元还用于基于所述基本信息和所述财务指标信息,将所述预测样本集中的数据划分为至少2个子预测样本集;
所述模型搭建与筛选单元还用于通过至少部分所述指标数据对所述子预测样本集搭建财务舞弊风险的第四评估模型,以所述第四评估模型对所述子预测样本集中的预测样本进行预测,所述预测结果为财务舞弊高风险的第四数据集;
所述模型搭建与筛选单元还用于提取所述第一数据集、所述第二数据集、所述第三数据集中超过预设阈值的数据,并提取所述第四数据集中超过预设阈值的数据,构建财务舞弊高风险数据集;
所述风险报告生成单元用于根据所述财务舞弊高风险数据集生成风险分析报告。
9.一种财务舞弊风险评估的设备,其特征在于,包括:
一个或多个处理器;
存储器;以及
一个或多个计算机程序,其中,所述计算机程序被存储在所述存储器上,并能够在所述处理器上运行,所述计算机程序被所述处理器执行时实现如权利要求1-7之任一项所述的财务舞弊风险评估的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011372377.1A CN112419030B (zh) | 2020-11-30 | 2020-11-30 | 财务舞弊风险评估的方法、系统及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011372377.1A CN112419030B (zh) | 2020-11-30 | 2020-11-30 | 财务舞弊风险评估的方法、系统及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112419030A CN112419030A (zh) | 2021-02-26 |
CN112419030B true CN112419030B (zh) | 2023-06-27 |
Family
ID=74830565
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011372377.1A Active CN112419030B (zh) | 2020-11-30 | 2020-11-30 | 财务舞弊风险评估的方法、系统及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112419030B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113506160A (zh) * | 2021-06-17 | 2021-10-15 | 山东师范大学 | 一种面向不平衡财务文本数据的风险预警方法及系统 |
CN115994217B (zh) * | 2022-11-29 | 2024-01-23 | 南京审计大学 | 一种财务报告舞弊检测方法及系统 |
CN116976547A (zh) * | 2023-06-19 | 2023-10-31 | 珠海盈米基金销售有限公司 | 一种财务报告分析处理方法、系统、装置及介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107862603A (zh) * | 2017-11-27 | 2018-03-30 | 北京艾信运通技术有限公司 | 一种财务报表可信度评估方法及装置 |
CN109102386A (zh) * | 2018-06-04 | 2018-12-28 | 北京至信普林科技有限公司 | 基于大数据的风险控制方法及装置 |
CN109934371A (zh) * | 2017-12-18 | 2019-06-25 | 普华讯光(北京)科技有限公司 | 基于用电数据对企业进行偿付能力风险识别和预测的方法 |
CN109993412A (zh) * | 2019-03-01 | 2019-07-09 | 百融金融信息服务股份有限公司 | 风险评估模型的构建方法及装置、存储介质、计算机设备 |
CN111062597A (zh) * | 2019-12-06 | 2020-04-24 | 柯力 | 一种上市公司财务报表粉饰嫌疑检测方法及装置 |
CN111199343A (zh) * | 2019-12-24 | 2020-05-26 | 上海大学 | 一种多模型融合的烟草市场监管异常数据挖掘方法 |
CN111401600A (zh) * | 2019-12-09 | 2020-07-10 | 合肥工业大学 | 基于关联关系的企业信用风险评价方法和系统 |
CN111612627A (zh) * | 2020-05-28 | 2020-09-01 | 深圳博普科技有限公司 | 一种评估债券风险影响指标的方法 |
CN111738504A (zh) * | 2020-06-19 | 2020-10-02 | 中国工商银行股份有限公司 | 企业财务指标资金量预测方法和装置、设备及存储介质 |
CN111798297A (zh) * | 2020-06-19 | 2020-10-20 | 中国经济信息社有限公司 | 一种财务风险预警分析的方法与装置 |
-
2020
- 2020-11-30 CN CN202011372377.1A patent/CN112419030B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107862603A (zh) * | 2017-11-27 | 2018-03-30 | 北京艾信运通技术有限公司 | 一种财务报表可信度评估方法及装置 |
CN109934371A (zh) * | 2017-12-18 | 2019-06-25 | 普华讯光(北京)科技有限公司 | 基于用电数据对企业进行偿付能力风险识别和预测的方法 |
CN109102386A (zh) * | 2018-06-04 | 2018-12-28 | 北京至信普林科技有限公司 | 基于大数据的风险控制方法及装置 |
CN109993412A (zh) * | 2019-03-01 | 2019-07-09 | 百融金融信息服务股份有限公司 | 风险评估模型的构建方法及装置、存储介质、计算机设备 |
CN111062597A (zh) * | 2019-12-06 | 2020-04-24 | 柯力 | 一种上市公司财务报表粉饰嫌疑检测方法及装置 |
CN111401600A (zh) * | 2019-12-09 | 2020-07-10 | 合肥工业大学 | 基于关联关系的企业信用风险评价方法和系统 |
CN111199343A (zh) * | 2019-12-24 | 2020-05-26 | 上海大学 | 一种多模型融合的烟草市场监管异常数据挖掘方法 |
CN111612627A (zh) * | 2020-05-28 | 2020-09-01 | 深圳博普科技有限公司 | 一种评估债券风险影响指标的方法 |
CN111738504A (zh) * | 2020-06-19 | 2020-10-02 | 中国工商银行股份有限公司 | 企业财务指标资金量预测方法和装置、设备及存储介质 |
CN111798297A (zh) * | 2020-06-19 | 2020-10-20 | 中国经济信息社有限公司 | 一种财务风险预警分析的方法与装置 |
Non-Patent Citations (13)
Title |
---|
Detecting Accounting Fraud in Publicly Traded U.S. Firms Using a Machine Learning Approach;YANG BAO, BIN KE, BIN LI, Y. JULIA YU, JIE ZHANG;Social Science Electronic Publishing;第58卷(第1期);199-235 * |
Detecting Financial Statement Fraud Using Random Forest with SMOTE;H Ye,L Xiang,Y Gan;IOP Conference Series Materials Science and Engineering;1-13 * |
Fighting Accounting Fraud Through Forensic Data Analytics;M Jofre,RH Gerlach;SSRN Electronic Journal;1-39 * |
Financial fraud detection by using Grammar-based multi-objective genetic programming with ensemble learning;H Li,LW Man;2015 IEEE Congress on Evolutionary Computation (CEC);1-8 * |
Mining Corporate Annual Reports for Intelligent Detection of Financial Statement Fraud – A Comparative Study of Machine Learning Methods;P Hajek,R Henriques;Knowledge-Based Systems;第128卷;139-152 * |
Semi-supervised forecasting of fraudulent financial statements;S Karlos,N Fazakis,S Kotsiantis,K Sgarbas;Proceedings of the 20th Pan-Hellenic Conference on Informatics(第34期);1-6 * |
上市公司财务欺诈识别模型研究;薛巍;中国优秀硕士学位论文全文数据库(第3期);1-58 * |
基于国家治理的上市公司舞弊审计实证检验;张莉;财会月刊(第6期);138-146 * |
基于数据挖掘技术的财务舞弊识别模型构建;冯炳纯;财会通讯(第5期);93-97 * |
基于数据挖掘的财务舞弊识别研究;郭月;万方学位论文;1-64 * |
基于机器学习的上市公司财报舞弊识别前沿方法比较研究;黄志刚 等;系统科学与数学;第40卷(第10期);1882-1900 * |
基于随机森林的上市公司舞弊风险识别模型研究;潘梦雪;中国优秀硕士学位论文全文数据库;第2020卷(第1期);1-64 * |
基于集成学习的上市公司财务信息异常识别;王荣欣;中国物价(第7期);82-85 * |
Also Published As
Publication number | Publication date |
---|---|
CN112419030A (zh) | 2021-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110837931B (zh) | 客户流失预测方法、装置及存储介质 | |
Gray et al. | A taxonomy to guide research on the application of data mining to fraud detection in financial statement audits | |
Han et al. | Artificial intelligence for anti-money laundering: a review and extension | |
CN112419030B (zh) | 财务舞弊风险评估的方法、系统及设备 | |
US20200192894A1 (en) | System and method for using data incident based modeling and prediction | |
CN104321794B (zh) | 一种使用多维评级来确定一实体的未来商业可行性的系统和方法 | |
CN110502638B (zh) | 一种基于目标实体的企业新闻风险分类方法 | |
Papik et al. | Detection models for unintentional financial restatements | |
Omidi et al. | The efficacy of predictive methods in financial statement fraud | |
Cao | Social security and social welfare data mining: An overview | |
CN111476660A (zh) | 一种基于数据分析的智能风控系统及方法 | |
Eckhaus | Corporate transformational leadership's effect on financial performance | |
Ngo et al. | Estimating the confidence intervals for DEA efficiency scores of Asia-Pacific airlines | |
CN111738843B (zh) | 一种使用流水数据的量化风险评价系统和方法 | |
Antretter et al. | Predicting startup survival from digital traces: Towards a procedure for early stage investors | |
CN115526700A (zh) | 风险的预测方法、装置及电子设备 | |
Chimonaki et al. | Identification of financial statement fraud in Greece by using computational intelligence techniques | |
Wang et al. | Establishment of a financial crisis early warning system for domestic listed companies based on three decision tree models | |
Rozario et al. | On the use of consumer tweets to assess the risk of misstated revenue in consumer-facing industries: Evidence from analytical procedures | |
CN112950359B (zh) | 一种用户识别方法和装置 | |
Guo et al. | A picture is worth a thousand journal entries: accounting graph topology for auditing and fraud detection | |
Lin et al. | The application of decision tree and artificial neural network to income tax audit: the examples of profit-seeking enterprise income tax and individual income tax in Taiwan | |
WO2022143431A1 (zh) | 一种反洗钱模型的训练方法及装置 | |
CN114626940A (zh) | 数据分析方法、装置及电子设备 | |
CN114493853A (zh) | 信用等级评价方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |