融合新聞文本和時(shí)序信息的上市公司財(cái)務(wù)欺詐預(yù)警

陳朝焰 韓冬梅 吳馨一

【摘要】本文針對(duì)資本市場(chǎng)中普遍存在的上市公司財(cái)務(wù)欺詐問(wèn)題， 在財(cái)報(bào)數(shù)據(jù)中融入財(cái)經(jīng)新聞文本特征， 并提取時(shí)序信息， 為上市公司財(cái)務(wù)欺詐預(yù)警提供新途徑。以結(jié)構(gòu)化的財(cái)報(bào)數(shù)據(jù)和非結(jié)構(gòu)化的新聞文本數(shù)據(jù)為對(duì)象， 在結(jié)構(gòu)化數(shù)據(jù)特征中融入新聞文本的主題特征、 觀點(diǎn)特征、 情緒特征和欺詐特征， 然后提取時(shí)序信息， 并基于樹(shù)集成的方法實(shí)現(xiàn)上市公司財(cái)務(wù)欺詐預(yù)警。本文融合預(yù)警欺詐行為的方法在CSMAR財(cái)報(bào)數(shù)據(jù)集和爬取的新浪財(cái)經(jīng)數(shù)據(jù)集上達(dá)到了86.1%的準(zhǔn)確率和86.5%的召回率， 融入新聞特征和時(shí)序信息后比單純地采用財(cái)報(bào)數(shù)據(jù)特征的準(zhǔn)確率提高了8%。新聞文本特征可以作為財(cái)報(bào)數(shù)據(jù)的有效補(bǔ)充， 且在財(cái)報(bào)數(shù)據(jù)和新聞文本數(shù)據(jù)中引入時(shí)序信息有利于提高上市公司財(cái)務(wù)欺詐的預(yù)警性能。

【關(guān)鍵詞】上市公司；財(cái)務(wù)欺詐；新聞文本；時(shí)序信息；欺詐預(yù)警

【中圖分類號(hào)】F275? ? ? 【文獻(xiàn)標(biāo)識(shí)碼】A? ? ? 【文章編號(hào)】1004-0994（2023）12-0030-10

一、 引言

上市公司財(cái)務(wù)欺詐事件時(shí)有發(fā)生。不僅在我國(guó)， 在世界范圍內(nèi)上市公司財(cái)務(wù)欺詐都是一個(gè)焦點(diǎn)問(wèn)題。2020年， 瑞幸咖啡發(fā)布公告承認(rèn)其2019年第二至第四季度存在偽造交易行為的財(cái)務(wù)造假行為， 涉及總金額約為22億元。安然公司曾被曝財(cái)務(wù)造假， 虛增利潤(rùn)5.52億美元， 使得股東和股民損失740億美元。安然公司的造假丑聞還殃及了花旗銀行、 安達(dá)信等， 同時(shí)引出了世通的財(cái)務(wù)欺詐案件， 這又導(dǎo)致三萬(wàn)人失業(yè)， 使投資者損失1800億美元。除了巨大的財(cái)務(wù)損失， 股民信心也受到重大打擊， 一時(shí)間股票市場(chǎng)持續(xù)低迷。因此， 公司財(cái)務(wù)欺詐行為對(duì)資本市場(chǎng)的整體發(fā)展和投資者的信心都會(huì)造成損害。

鑒于財(cái)務(wù)欺詐事件的頻發(fā)及其給社會(huì)帶來(lái)的危害， 如何準(zhǔn)確及時(shí)地識(shí)別出具有財(cái)務(wù)造假行為的上市公司， 在第一時(shí)間減輕財(cái)務(wù)造假帶來(lái)的損失， 是對(duì)資本市場(chǎng)各個(gè)方面都非常有意義的研究問(wèn)題。為此， 國(guó)內(nèi)外學(xué)者對(duì)財(cái)務(wù)欺詐預(yù)警方法進(jìn)行了廣泛研究（王昱和楊珊珊，2021；宋宇和李鴻禧，2020；Bao等，2020；吳慶賀等，2020；Craja等，2020；Hajek和Henriques，2017）?，F(xiàn)有研究中， 從結(jié)構(gòu)化的“企業(yè)—年度”數(shù)據(jù)中提取財(cái)務(wù)指標(biāo)和非財(cái)務(wù)指標(biāo)是主流做法（王昱和楊珊珊，2021；宋宇和李鴻禧，2020；Bao等，2020；吳慶賀等，2020）。楊子暉等（2022）指出， 采用傳統(tǒng)的機(jī)器學(xué)習(xí)模型（如隨機(jī)森林模型和Logit回歸模型等）， 能夠?qū)ξ覈?guó)大多數(shù)財(cái)務(wù)危機(jī)事件進(jìn)行有效預(yù)警。隨著自然語(yǔ)言處理技術(shù)的進(jìn)步， 非結(jié)構(gòu)化的文本數(shù)據(jù)可作為對(duì)結(jié)構(gòu)化數(shù)據(jù)的有益補(bǔ)充（Craja等，2020；Hajek和Henriques，2017）。然而， 結(jié)構(gòu)化數(shù)據(jù)和文本數(shù)據(jù)中的時(shí)序信息沒(méi)有得到充分挖掘。鑒于此， 本文將時(shí)序信息的提取引入結(jié)構(gòu)化數(shù)據(jù)和非結(jié)構(gòu)化的文本數(shù)據(jù)中， 以期能夠更好地捕捉公司財(cái)務(wù)欺詐的連續(xù)變化信息， 從而獲得更好的上市公司財(cái)務(wù)欺詐預(yù)警性能。

從數(shù)據(jù)的獲取途徑來(lái)看， 結(jié)構(gòu)化年報(bào)數(shù)據(jù)通常來(lái)源于國(guó)泰安（CSMAR）或銳思（RESSET）等公開(kāi)的金融數(shù)據(jù)庫(kù)， 其發(fā)布時(shí)間均有一定的滯后性； 此外， 上市公司財(cái)務(wù)欺詐的界定依賴于監(jiān)管機(jī)構(gòu)發(fā)布公告的時(shí)效性， 且通常也存在一定的滯后性。鑒于此， 本文通過(guò)對(duì)爬取的財(cái)經(jīng)新聞文本進(jìn)行信息挖掘， 以期彌補(bǔ)結(jié)構(gòu)化數(shù)據(jù)時(shí)效性不足的問(wèn)題。

本文的主要貢獻(xiàn)如下： 首先， 在結(jié)構(gòu)化的財(cái)報(bào)指標(biāo)數(shù)據(jù)基礎(chǔ)上， 增加了新聞文本作為新的數(shù)據(jù)源， 并提取時(shí)序信息， 建立了一個(gè)更加完善的上市公司財(cái)務(wù)欺詐預(yù)警框架； 其次， 在提取結(jié)構(gòu)化財(cái)報(bào)數(shù)據(jù)特征和新聞文本特征的時(shí)序信息時(shí)， 考慮了上市公司經(jīng)營(yíng)活動(dòng)的連續(xù)性。與已有研究相比， 本文構(gòu)建的時(shí)序性衍生指標(biāo)考慮了隱藏在財(cái)報(bào)數(shù)據(jù)和新聞文本數(shù)據(jù)中的時(shí)序信息， 各指標(biāo)的時(shí)序性變動(dòng)可能預(yù)示著企業(yè)的財(cái)務(wù)危機(jī)或企業(yè)財(cái)務(wù)規(guī)律上的異常， 更有利于進(jìn)行財(cái)務(wù)欺詐預(yù)警。此外， 由于新聞報(bào)道的客觀性和即時(shí)性， 新聞文本特征的引入， 更能及時(shí)對(duì)有欺詐可能的上市公司發(fā)出預(yù)警。

二、 相關(guān)研究綜述

國(guó)內(nèi)外關(guān)于上市公司財(cái)務(wù)欺詐預(yù)警方面的研究， 依據(jù)所處理數(shù)據(jù)形式的不同， 可分為結(jié)構(gòu)化方法和非結(jié)構(gòu)化方法。在結(jié)構(gòu)化方法的研究方面， 孟銀鳳和王珮瑤（2023）通過(guò)構(gòu)造Zipf因子， 生成新的特征向量補(bǔ)充到數(shù)據(jù)集中以挖掘更多有效信息， 并基于隨機(jī)森林構(gòu)造財(cái)務(wù)預(yù)警模型。高燕等（2023）以A股制造企業(yè)為樣本， 構(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型預(yù)警財(cái)務(wù)風(fēng)險(xiǎn)， 并以一汽夏利（現(xiàn)中國(guó)鐵物）為例進(jìn)行分析， 提出防范風(fēng)險(xiǎn)的建議。楊貴軍等（2021）通過(guò)引入包含代表財(cái)務(wù)數(shù)據(jù)質(zhì)量的修正Benford因子， 改善財(cái)務(wù)危機(jī)預(yù)警Logistic模型的預(yù)測(cè)效果。Kotsiantis等（2006）以164家欺詐和非欺詐公司的財(cái)務(wù)數(shù)據(jù)作為樣本， 分別建立了貝葉斯網(wǎng)絡(luò)、 k-均值、 決策樹(shù)、 人工神經(jīng)網(wǎng)絡(luò)、 支持向量機(jī)及邏輯回歸模型， 使用堆疊變量方法發(fā)現(xiàn)混合分類器的效果好于單一模型的分類效果。Cecchini等（2010a）利用40個(gè)財(cái)務(wù)指標(biāo)， 開(kāi)發(fā)了面向金融領(lǐng)域的支持向量機(jī)核函數(shù)進(jìn)行公司的管理層舞弊預(yù)警。Dechow等（2011）分析了欺詐公司的財(cái)務(wù)特性， 并通過(guò)對(duì)財(cái)務(wù)變量的邏輯回歸處理預(yù)測(cè)會(huì)計(jì)報(bào)表中的欺詐行為。Bao等（2020）運(yùn)用集成學(xué)習(xí)模型并引入一種新的性能評(píng)估指標(biāo)， 得出的欺詐預(yù)測(cè)結(jié)果優(yōu)于Dechow等（2011）的邏輯回歸模型和Cecchini等（2010a）的支持向量機(jī)模型。酈金梁等（2020）構(gòu)建了遞延所得稅異動(dòng)指標(biāo)， 并利用XGBoost算法進(jìn)行上市公司財(cái)務(wù)欺詐預(yù)警。

在非結(jié)構(gòu)化方法的研究方面， 隨著自然語(yǔ)言處理技術(shù)的進(jìn)步， 非結(jié)構(gòu)化的文本挖掘技術(shù)成為主流。Cecchini等（2010b）從10-Ks的管理層討論和分析（MD&A）部分創(chuàng)建字典來(lái)區(qū)分欺詐和非欺詐公司， 將文本數(shù)據(jù)作為財(cái)務(wù)數(shù)據(jù)的有效補(bǔ)充， 其分析結(jié)果表明MD&A文本補(bǔ)充了定量財(cái)務(wù)信息。Purda和Skillicorn（2015）對(duì)MD&A部分的所有單詞進(jìn)行有效性排序， 挑選前200個(gè)最具預(yù)測(cè)性的單詞， 采用詞袋模型對(duì)樣本分類， 取得了較好效果。Hajek和Henriques（2017）從MD&A文本中提取語(yǔ)言學(xué)指標(biāo)， 作為對(duì)結(jié)構(gòu)化指標(biāo)的有效補(bǔ)充， 共同實(shí)現(xiàn)財(cái)務(wù)報(bào)表舞弊的智能預(yù)警， 并比較了多種機(jī)器學(xué)習(xí)方法的性能。Dong等（2018）提出了一個(gè)基于SFL理論的文本分析框架， 結(jié)合社交媒體文本的概念功能和人際功能對(duì)上市公司欺詐的早期跡象進(jìn)行預(yù)警。徐凱等（2022）以MD&A文本信息為基礎(chǔ)， 構(gòu)建Logistic財(cái)務(wù)危機(jī)預(yù)警模型， 研究了MD&A文本積極信息與文本信息可讀性對(duì)企業(yè)財(cái)務(wù)危機(jī)的預(yù)警作用。肖毅等（2020）基于TEI@I方法論的理論框架， 集成文本挖掘和深度學(xué)習(xí)構(gòu)建企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型。Brown等（2020）運(yùn)用隱性狄利克雷分布（LDA）主題模型， 將MD&A部分的主題特征與財(cái)務(wù)數(shù)據(jù)和文本特征相結(jié)合， 證明了提取披露的主題有助于捕捉財(cái)務(wù)不端行為。胡楠等（2021）基于高層梯隊(duì)理論和社會(huì)心理學(xué)中的時(shí)間導(dǎo)向理論， 得出管理者內(nèi)在的短視主義特質(zhì)與企業(yè)資本支出和研發(fā)支出的關(guān)系， 采用文本分析和機(jī)器學(xué)習(xí)技術(shù)構(gòu)建出管理者短視主義指標(biāo)并據(jù)此完成實(shí)證檢驗(yàn)。

從上述研究中可以發(fā)現(xiàn)， 不少研究會(huì)將非結(jié)構(gòu)化文本數(shù)據(jù)作為對(duì)結(jié)構(gòu)化數(shù)據(jù)的有效補(bǔ)充， 這有利于提升上市公司財(cái)務(wù)欺詐預(yù)警性能。然而， 文本數(shù)據(jù)的觀點(diǎn)、 主題和情緒等特征在欺詐年度附近的變化信息并未得到充分考慮。鑒于此， 本文在結(jié)構(gòu)化的財(cái)報(bào)數(shù)據(jù)中融入財(cái)經(jīng)新聞文本特征的同時(shí)， 還在模型中加入提取的時(shí)序信息， 為上市公司財(cái)務(wù)欺詐預(yù)警研究提供新思路。

三、 特征工程與時(shí)序信息提取

為更好地將結(jié)構(gòu)化的財(cái)報(bào)數(shù)據(jù)和非結(jié)構(gòu)化的新聞文本數(shù)據(jù)有效融合， 需進(jìn)行特征工程處理， 將其變換至相同的特征維度。且在進(jìn)行特征變換前， 對(duì)財(cái)報(bào)數(shù)據(jù)和新聞文本數(shù)據(jù)的特征均需進(jìn)行時(shí)序信息提取。

（一）結(jié)構(gòu)化財(cái)報(bào)數(shù)據(jù)的特征提取

本文所采取的結(jié)構(gòu)化財(cái)報(bào)數(shù)據(jù)特征工程與時(shí)序信息提取過(guò)程如圖1所示。從圖1可以看出， 結(jié)構(gòu)化財(cái)報(bào)數(shù)據(jù)可由財(cái)務(wù)指標(biāo)和非財(cái)務(wù)指標(biāo)表征， 但在將其輸入財(cái)務(wù)欺詐智能預(yù)警模型前， 需對(duì)其進(jìn)行數(shù)據(jù)預(yù)處理和特征變換。另外， 為了降低數(shù)據(jù)的維度， 還需進(jìn)行指標(biāo)篩選。

1. 財(cái)務(wù)指標(biāo)和非財(cái)務(wù)指標(biāo)挑選。依據(jù)國(guó)內(nèi)外相關(guān)研究文獻(xiàn)（Chen和Han，2023；葉欽華等，2022）， 并結(jié)合上市公司財(cái)報(bào)指標(biāo)數(shù)據(jù)的獲取情況， 本文共篩選了與結(jié)構(gòu)化財(cái)報(bào)數(shù)據(jù)相關(guān)的42個(gè)指標(biāo)， 其中償債能力（x1 ～ x3）、 比率結(jié)構(gòu)（x4 ～ x6）、 經(jīng)營(yíng)能力（x7 ～ x10）、 盈利能力（x11 ～ x13）、 現(xiàn)金流分析（x14 ～ x16）、 風(fēng)險(xiǎn)水平（x17，x18）、 發(fā)展能力（x19 ～ x24）、 每股指標(biāo)（x25 ～ x27）和流動(dòng)資產(chǎn)結(jié)構(gòu)（x28 ～ x32）等共計(jì)9類32個(gè)為財(cái)務(wù)指標(biāo)， 股本結(jié)構(gòu)（x33 ～ x35）、 治理綜合信息（x36 ～ x39）、 三會(huì)基本信息（x40 ～ x42）等共計(jì)3類10個(gè)為非財(cái)務(wù)指標(biāo)。本文選取的與結(jié)構(gòu)化財(cái)報(bào)數(shù)據(jù)相關(guān)的指標(biāo)及其定義如表1所示。

對(duì)于上述挑選好的指標(biāo)， 結(jié)合上市公司的欺詐年度情況， 可建立結(jié)構(gòu)化的“企業(yè)—年度”數(shù)據(jù)集。

2. 結(jié)構(gòu)化數(shù)據(jù)時(shí)序信息提取。為了更好地捕捉上市公司的財(cái)務(wù)欺詐行為， 需考慮能夠反映各指標(biāo)數(shù)據(jù)連續(xù)變化和累積效果的時(shí)序信息。對(duì)于表1中的財(cái)務(wù)指標(biāo)數(shù)據(jù)x1 ～ x32， 其為連續(xù)型數(shù)值， 因此采用比值形式構(gòu)造財(cái)務(wù)指標(biāo)的衍生變量：

（三）基準(zhǔn)算法與樹(shù)集成方法

可供選擇的機(jī)器學(xué)習(xí)模型fML（?）種類較多， 決策樹(shù)由于具有很強(qiáng)的可解釋性和簡(jiǎn)易性而受到廣泛關(guān)注。常見(jiàn)的決策樹(shù)模型類型有ID3、 C4.5、 C5.0和CART， 其中CART的應(yīng)用最廣泛。由于容易出現(xiàn)過(guò)擬合， 常規(guī)的決策樹(shù)模型很少被采用， 通常僅作為基準(zhǔn)模型用于性能對(duì)比， 因此本文選擇CART（Loh，2011）作為基準(zhǔn)模型。實(shí)際被廣泛應(yīng)用的是樹(shù)集成方法， 主要有兩大類： RF和提升樹(shù)。RF（Breiman，2001）可看做Bagging集成的變體， 由成百上千棵決策樹(shù)構(gòu)成基分類器， 這些基決策樹(shù)的屬性來(lái)自于對(duì)全體屬性集合的隨機(jī)抽樣； 提升樹(shù)同樣集成了成百上千棵決策樹(shù)， 但其通過(guò)不斷添加越來(lái)越多的樹(shù)， 來(lái)迭代地減小分類誤差， 直到滿足停止條件為止。為構(gòu)造提升樹(shù)， 可在AdaBoost（Freund和Schapire，1997）中使用決策樹(shù)作為基本分類器， 這樣可將多個(gè)弱分類器提升為強(qiáng)分類器。當(dāng)使用梯度提升算法來(lái)解決優(yōu)化問(wèn)題時(shí)， 提升算法成為梯度提升算法， 最典型的是XGBoost（Chen和Guestrin，2016）。XGBoost是對(duì)經(jīng)典梯度提升算法的改進(jìn)， 在求解損失函數(shù)的最優(yōu)解時(shí)使用了牛頓法， 并將損失函數(shù)泰勒展開(kāi)到二階， 另外損失函數(shù)中加入了正則化項(xiàng)。

綜上所述， 本文共挑選三種典型的樹(shù)集成方法： RF、 AdaBoost和XGBoost， 并使用經(jīng)典的CART決策樹(shù)作為基準(zhǔn)分類器， 對(duì)樹(shù)集成方法的性能進(jìn)行對(duì)比。

五、 實(shí)驗(yàn)驗(yàn)證與分析

（一）數(shù)據(jù)集描述

本實(shí)驗(yàn)所使用的結(jié)構(gòu)化數(shù)據(jù)來(lái)源于中國(guó)經(jīng)濟(jì)金融研究數(shù)據(jù)庫(kù)（CSMAR）， 新聞文本數(shù)據(jù)則爬取自新浪財(cái)經(jīng)網(wǎng)站。本研究共收集2016 ～ 2018年620家上市公司（310家欺詐樣本和310家非欺詐樣本）的結(jié)構(gòu)化數(shù)據(jù)和76675篇新聞文本數(shù)據(jù)。首先根據(jù)標(biāo)題中的關(guān)鍵詞篩選掉與多家公司相關(guān)聯(lián)的新聞文本， 然后對(duì)余下的新聞進(jìn)行人工篩選， 共得到15043篇。其中： 欺詐公司在欺詐前一年共有3431條， 在欺詐當(dāng)年有4985條； 非欺詐公司在欺詐前一年有3000條， 在欺詐當(dāng)年共有3627條。各家上市公司的分類標(biāo)簽則依據(jù)CSMAR數(shù)據(jù)庫(kù)中的上市公司財(cái)務(wù)違規(guī)信息表進(jìn)行標(biāo)注。本研究采用企業(yè)—年度數(shù)據(jù)標(biāo)注形式， 即將欺詐當(dāng)年的每一家公司作為一個(gè)樣本， 而對(duì)于連續(xù)多年均存在財(cái)務(wù)欺詐的公司， 則選取該公司首次被披露的年份。

（二）實(shí)驗(yàn)設(shè)置與過(guò)程

本實(shí)驗(yàn)所采用的上市公司財(cái)務(wù)欺詐預(yù)警過(guò)程如圖6所示。在結(jié)構(gòu)化數(shù)據(jù)中融合新聞文本特征， 并提取相應(yīng)的時(shí)序信息。進(jìn)行特征集成時(shí)， 分別對(duì)財(cái)報(bào)數(shù)據(jù)和財(cái)經(jīng)新聞文本數(shù)據(jù)及其時(shí)序性衍生特征進(jìn)行組合。然后分別利用CART、 RF、 AdaBoost和XGBoost等構(gòu)建上市公司財(cái)務(wù)欺詐預(yù)警模型， 實(shí)現(xiàn)對(duì)上市公司財(cái)務(wù)欺詐的智能預(yù)警。

實(shí)驗(yàn)中， 采用五折交叉驗(yàn)證的方式對(duì)所選模型進(jìn)行性能評(píng)價(jià)。首先， 將來(lái)自620家上市公司的樣本劃分成5等份； 其次， 采用五折交叉驗(yàn)證， 將其中4份作為訓(xùn)練集， 余下1份作為測(cè)試集； 最后， 將五折交叉驗(yàn)證結(jié)果的均值作為模型評(píng)價(jià)指標(biāo)的結(jié)果。本文選取準(zhǔn)確率Acc=（TN+TP）/（TN+FP+FN+TP）和召回率Recall=TP/（FN+TP）作為模型性能的評(píng)價(jià)指標(biāo)， 其中， TN、 FP、 FN和TP分別為真負(fù)率、 假正率、 假負(fù)率和真正率， 其可通過(guò)混淆矩陣獲得。

六、 結(jié)論

本文將傳統(tǒng)的結(jié)構(gòu)化財(cái)報(bào)數(shù)據(jù)、 非結(jié)構(gòu)化財(cái)經(jīng)新聞文本數(shù)據(jù)及其時(shí)序信息進(jìn)行融合， 并基于樹(shù)集成方法對(duì)上市公司財(cái)務(wù)欺詐進(jìn)行了預(yù)測(cè)分析。主要結(jié)論為： 第一， 新聞文本特征可作為上市公司財(cái)報(bào)數(shù)據(jù)的有效補(bǔ)充。新聞的時(shí)效性強(qiáng)于財(cái)報(bào)， 從新聞文本中提取的主題、 觀點(diǎn)、 情緒和欺詐等特征是對(duì)財(cái)務(wù)指標(biāo)與非財(cái)務(wù)指標(biāo)的有益補(bǔ)充。第二， 在財(cái)報(bào)數(shù)據(jù)和新聞文本數(shù)據(jù)中引入時(shí)序信息均有助于提高上市公司財(cái)務(wù)欺詐預(yù)警性能。時(shí)序信息的利用， 有助于后續(xù)的機(jī)器學(xué)習(xí)模型捕捉指標(biāo)或特征的連續(xù)變化， 更有利于識(shí)別上市公司的財(cái)務(wù)欺詐。第三， AdaBoost算法的欺詐預(yù)警性能優(yōu)于RF算法和XGBoost算法。在利用樹(shù)集成方法實(shí)現(xiàn)上市公司財(cái)務(wù)欺詐預(yù)警時(shí)， 將RF、 AdaBoost和XGBoost算法的性能與基準(zhǔn)的CART算法的性能進(jìn)行了對(duì)比， 發(fā)現(xiàn)AdaBoost算法的性能最佳， 達(dá)到了86.1%的準(zhǔn)確率和86.5%的召回率。

上市公司財(cái)務(wù)欺詐預(yù)警模型的輸出信息， 可為監(jiān)管部門、 上市公司管理者和投資者等使用方提供智能決策依據(jù)。研究的實(shí)踐意義為： 首先， 對(duì)于證監(jiān)會(huì)、 深圳證券交易所、 上海證券交易所等監(jiān)管部門而言， 如果某公司存在欺詐預(yù)警， 則監(jiān)管部門需對(duì)該公司加以重點(diǎn)關(guān)注和考察， 并加大監(jiān)管力度， 以減小財(cái)務(wù)欺詐給資本市場(chǎng)帶來(lái)的沖擊， 進(jìn)而促進(jìn)證券市場(chǎng)健康運(yùn)行。其次， 對(duì)于被考察企業(yè)而言， 如果其收到財(cái)務(wù)欺詐預(yù)警信號(hào)， 則表明其財(cái)務(wù)指標(biāo)已經(jīng)開(kāi)始惡化。為避免因財(cái)務(wù)指標(biāo)惡化而導(dǎo)致企業(yè)財(cái)務(wù)危機(jī)， 進(jìn)而帶來(lái)不必要的損失， 其管理者應(yīng)及早排查企業(yè)的財(cái)務(wù)風(fēng)險(xiǎn)狀況， 以及時(shí)發(fā)現(xiàn)偏離正常范圍的各項(xiàng)指標(biāo)， 并采取措施進(jìn)行補(bǔ)救， 及時(shí)規(guī)避財(cái)務(wù)風(fēng)險(xiǎn)。最后， 投資者在識(shí)別上市公司的投資風(fēng)險(xiǎn)時(shí)， 如果發(fā)現(xiàn)某公司存在欺詐預(yù)警， 則投資者需詳細(xì)評(píng)估該公司的財(cái)務(wù)風(fēng)險(xiǎn)狀況， 并對(duì)其投資決策做相應(yīng)的調(diào)整， 以規(guī)避盲目投資帶來(lái)的經(jīng)濟(jì)損失。

【 主 要 參 考 文 獻(xiàn) 】

胡楠，薛付婧，王昊楠．管理者短視主義影響企業(yè)長(zhǎng)期投資嗎？ —— 基于文本分析和機(jī)器學(xué)習(xí)［ J］．管理世界，2021（5）：139 ～ 156+11+19 ～ 21．

酈金梁，吳謠，雷曜，黃燕婷．有效預(yù)警上市公司違規(guī)的遞延所得稅異動(dòng)指標(biāo)和人工智能模型［ J］．金融研究，2020（8）：149 ～ 168．

孟銀鳳，王珮瑤．基于Zipf定律的隨機(jī)森林財(cái)務(wù)預(yù)警模型［ J/OL］．山西大學(xué)學(xué)報(bào)（自然科學(xué)版）：1 ～ 9［2023-05-09］.https：//doi.org/10.13451/j.sxu.ns.

2022088．

宋宇，李鴻禧．基于決策樹(shù)集成的債券發(fā)行企業(yè)財(cái)務(wù)預(yù)警研究［ J］．財(cái)會(huì)月刊，2020（6）：45 ～ 50．

王昱，楊珊珊．考慮多維效率的上市公司財(cái)務(wù)困境預(yù)警研究［ J］．中國(guó)管理科學(xué)，2021（2）：32 ～ 41．

吳慶賀，唐曉華，林宇．創(chuàng)業(yè)板上市公司財(cái)務(wù)危機(jī)的識(shí)別與預(yù)警［ J］．財(cái)會(huì)月刊，2020（2）：56 ～ 64．

肖毅，熊凱倫，張希．基于TEI@I方法論的企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型研究［ J］．管理評(píng)論，2020（7）：226 ～ 235．

徐琳宏，林鴻飛，潘宇等．情感詞匯本體的構(gòu)造［ J］．情報(bào)學(xué)報(bào)，2008（2）：180 ～ 185．

楊貴軍，孫玲莉，周亞夢(mèng)等．基于修正Benford律的財(cái)務(wù)危機(jī)預(yù)警Logistic模型及其應(yīng)用［ J］．?dāng)?shù)理統(tǒng)計(jì)與管理，2021（4）：585 ～ 595．

楊子暉，張平淼，林師涵．系統(tǒng)性風(fēng)險(xiǎn)與企業(yè)財(cái)務(wù)危機(jī)預(yù)警 —— 基于前沿機(jī)器學(xué)習(xí)的新視角［ J］．金融研究，2022（8）：152 ～ 170．

葉欽華，黃世忠，葉凡等．嚴(yán)監(jiān)管下的財(cái)務(wù)舞弊分析 —— 基于2020～2021年的舞弊樣本［ J］．財(cái)會(huì)月刊，2022（13）：10 ～ 15．

Bao Y.， Ke B.， Li B.， et al.. Detecting accounting fraud in publicly traded US firms using a machine learning approach［ J］．Journal of Accounting Research， 2020（1）：199 ～ 235．

Blei D. M.， Ng A. Y.， Jordan M. I.. Latent dirichlet allocation［ J］．Journal of Machine Learning Research，2003（1）：993 ～ 1022．

Breiman L.. Random forests［ J］．Machine Learning，2001（1）：5 ～ 32．

Brown N. C.， Crowley R. M.， Elliott W. B.. What are you saying？ Using topic to detect financial misreporting［ J］．Journal of Accounting Research，2020（1）：237 ～ 291．

Cecchini M.， Aytug H.， Koehler G. J.， et al.. Detecting management fraud in public companies［ J］．Management Science，2010a（7）：1146 ～ 1160．

Cecchini M.， Aytug H.， Koehler G. J.， et al.. Making words work： Using financial text as a predictor of financial events［ J］．Decision Support Systems， 2010b（1）：164 ～ 175．

Chen Z. Y.， Han D.. Detecting corporate financial fraud via two-stage mapping in joint temporal and financial feature domain［ J］．Expert Systems with Applications，2023（217）：119559．

Craja P.， Kim A.， Lessmann S.. Deep learning for detecting financial statement fraud［ J］．Decision Support Systems，2020（139）：113421．

Dechow P. M.， Ge W.， Larson C. R.， et al.. Predicting material accounting misstatements［ J］．Contemporary Accounting Research，2011（1）：17 ～ 82．

Dong W.， Liao S.， Zhang Z.. Leveraging financial social media data for corporate fraud detection［ J］．Journal of Management Information Systems，2018（2）：461 ～ 487．

Freund Y.， Schapire R. E.. A decision-theoretic generalization of on-line learning and an application to boosting［ J］．Journal of Computer and System Sciences，1997（1）：119 ～ 139．

Hajek P.， Henriques R.. Mining corporate annual reports for intelligent detection of financial statement fraud-A comparative study of machine learning methods［ J］．Knowledge-Based Systems，2017（128）：139 ～ 152．

Jiang F.， Lee J.， Martin X.， et al.. Manager sentiment and stock returns［ J］．Journal of Financial Economics，2019（1）：126 ～ 149．

Kotsiantis S.， Koumanakos E.， Tzelepis D.， et al.. Forecasting fraudulent financial statements using data mining［ J］．International Journal of Computational Intelligence，2006（2）：104 ～ 110．

Loh W. Y.. Classification and regression trees［ J］．Wiley Interdisciplinary Reviews： Data Mining and Knowledge Discovery，2011（1）：14 ～ 23．

Purda L.， Skillicorn D.. Accounting variables， deception， and a bag of words： Assessing the tools of fraud detection［ J］．Contemporary Accounting Research，2015（3）：1193 ～ 1223．