本报告由申万宏源于2017年发布，聚焦数据挖掘技术在上市公司财务造假识别中的应用。研究基于2002年后A股市场被公开处罚的财务造假数据，构建多个财务与非财务指标，并对比神经网络、SVM支持向量机、决策树（C&RT、QUEST、CHAID、C5.0）等算法。实证表明，决策树中的CHAID算法综合表现最优，全样本准确率达93.16%，召回率59.41%，精确度17.78%，F值27.37%。报告还提炼出审计师意见、前一年是否亏损、其他应收款占流动资产比例、销售毛利率、预付款项占流动资产比例等关键造假识别指标。适合量化研究员、金融分析师、风控从业者及投资者阅读。
本报告由申万宏源于2017年发布，聚焦数据挖掘技术在上市公司财务造假识别中的应用。研究基于2002年后A股市场被公开处罚的财务造假数据，构建多个财务与非财务指标，并对比神经网络、SVM支持向量机、决策树（C&RT、QUEST、CHAID、C5.0）等算法。实证表明，决策树中的CHAID算法综合表现最优，全样本准确率达93.16%，召回率59.41%，精确度17.78%，F值27.37%。报告还提炼出审计师意见、前一年是否亏损、其他应收款占流动资产比例、销售毛利率、预付款项占流动资产比例等关键造假识别指标。适合量化研究员、金融分析师、风控从业者及投资者阅读。
本报告由申万宏源于2017年发布，聚焦数据挖掘技术在上市公司财务造假识别中的应用。研究基于2002年后A股市场被公开处罚的财务造假数据，构建多个财务与非财务指标，并对比神经网络、SVM支持向量机、决策树（C&RT、QUEST、CHAID、C5.0）等算法。实证表明，决策树中的CHAID算法综合表现最优，全样本准确率达93.16%，召回率59.41%，精确度17.78%，F值27.37%。报告还提炼出审计师意见、前一年是否亏损、其他应收款占流动资产比例、销售毛利率、预付款项占流动资产比例等关键造假识别指标。适合量化研究员、金融分析师、风控从业者及投资者阅读。核心数据:全样本准确率93.16%;召回率59.41%;精确度17.78%。
本报告由申万宏源发布,发布于 2017 年。
覆盖 2017 年,全文约 25。
本报告免费查阅,登录资料宝后即可在线获取完整内容。
适合量化研究员、金融分析师、风控从业者、投资者等读者参考。
重点分析了金融投资、量化策略、数据挖掘、申万宏源等议题。