高媛媛
摘 要:为提高财务舞弊识别的精确度及泛化能力,本文以Spss Modeler14.2为平台,利用bagging和Boosting算法构建神经网络集成分类器,建立财务舞弊识别数据流,并对结果进行了分析。结果表明,Boosting算法构建的神经网络集成分类器精确度高,泛化能力强,能更有效的识别财务舞弊。
关键词:财务舞弊;神经网络集成;Bagging;Boosting
0 引言
近年来上市公司的财务舞弊案频繁发生,打击了公众对上市公司和资本市场的信心,成为资本市场健康发展的一块顽石,因此寻求有效并能迅速识别舞弊的方法成为资本市场和会计执业界面临的问题之一。随着人工智能和计算机技术的发展,许多数据挖掘算法应用到财务舞弊识别领域,神经网络由于对数据分布假设没有要求,且非线性拟合能力较强,这使得其在舞弊识别方面具有较强的适用性。国外应用神经网路识别财务舞弊的研究开展的较早,Ethridge和Brooks早在1994年就提出人工神经网络是甄别管理舞弊的理想方法[1]。Green和Choi (1997)利用原始财务数据建立神经网络(ANN)舞弊判别模型[2]。Lin、Hwang和Becker (2003) 融合模糊回归、神经网络等方法构建了集成的模糊神经网络[3]。国内学者的代表性研究主要有:梁杰等(2006)提出了模糊神经网络混合模型[4]。刘君、王里平(2006)建立径向基概率神经网络的财务舞弊识别模型[5]。蔡志岳和吴世农(2006)证明遗传神经网络预测准确度高于逻辑回归模型和BP神经网络预测模型[6]。
从上述研究可以看出前人的研究主要采用单一分类器构建模型,在实际应用中单一分类器存在一些缺陷,如分类精确度较低、预测性能不稳定等问题。……