中国上市公司利润操纵行为的改进svm识别研究

《中国上市公司利润操纵行为的改进svm识别研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、分类号密级ＵＤＣ编号？＞部終＾乂拳硕±学位论文题名和副题名中国上市公司利润操级行为的改进ＳＶＭ识别研究作者姓名傅棋‘用．指导教师姓名及职称牀宇教授申请学位级别硕壬专业名称金齋学论文提交日期２０１６年０５月论文答辩日期２０１６年０５月学位授予单位和日期成都理工大学（２０１６年０６月）答辩委员会主席魏宇教授＇ｆ评阅人２０１６年０５月节、—、玲独创性声巧本人声明所呈交的学位论文是本人在导师指导下进行的研究工作及取得的、研究成果。据

2、我所知，除了文中特别加Ｗ标注和致谢的地方外，论文中不包含其他人已经发表或撰写过的研究成果，化不包含为巧得成都理工大学或其他教一育机构的学位或证书而使用过的材料。与我同工作的人员对本研究所做的任何贡献均已在论文中作了明确的说明并表示谢意。学位论文作者签名：碑媒啼若年Ｐ養月Ｃ日＾学位论文版权使用授权书本学位论丈作者完全了解成都理工大学有关俱留、使用学位论丈的规定，有权保留并向国家有关部口或机构送交论文的复印件和磁盘，允许论文被查阅和借阅。本人授权成都理工大学可Ｗ将学位论文的全部或部分内容编入有关救

3、据库进行检索，可Ｗ采用影印、缩印或扫描等复制手段保存、汇编学位论文。（保密的学位论文在解密后适用本授权书）学位论文作者签名：学位论文作者导师签名：％＾击年〇６月日０＾分类号学校代码：10616UDC密级学号：2013020751成都理工大学硕士学位论文中国上市公司利润操纵行为的改进SVM识别研究傅祺炜指导教师姓名及职称林宇教授申请学位级别硕士专业名称金融学论文提交日期2016年05月论文答辩日期2016年05月学位授予单位和日期成都理工大学（2016年06月）答辩委员会主席魏宇教授评阅人2016年05月摘

4、要中国上市公司利润操纵行为的改进SVM识别研究摘要随着中国证券市场的发展和进步，上市公司正日益成为推动中国经济良好运行的重要力量，其中利润作为衡量企业绩效的核心指标，在上市公司中又具有越来越重要的影响和作用。然而，由于目前中国证券市场信息披露制度尚不完善，政府监管手段和监管经验尚存不足，造成投资者与机构之间信息的不对称，进而为一些不良上市公司进行利润操纵行为提供了空间和机会。也正因为上市公司的利润操纵行为，致使会计信息大量失真，影响了投资者进入证券市场的积极性，对证券市场的健康发展造成十分不利的影响。因此，加强利润操纵行为管理成为了

5、政府管理部门与投资主体关注的热点问题。而在利润操纵行为管理中，准确识别利润操纵行为是关键所在，特别是随着2014年4月10日沪港通正式批复试点，中国证券市场与国际证券市场关联性越来越强，致使监管难度越来越大。只有及时识别上市公司的利润操纵行为，才能有效维护市场秩序，稳定经济发展。因此，构建科学有效的中国上市公司利润操纵识别模型，对于维护利益相关群体的投资利益，促进中国证券市场交易的公平与规范，具有重要的理论价值和现实意义。基于以上分析与认识，本研究以中国上市公司为研究对象，首先在样本选择上，从A股上市公司中剔除金融、保险类与存在缺失

6、值样本后搜集到2421家样本公司，其中存在利润操纵行为的公司119家，不存在利润操纵行为的公司2302家；其次在指标选择上，根据利润操纵手段和财务报表表现形式选取了14个外部操作指标，并运用因子分析方法约减为6个主因子，同时根据舞弊三角理论分析企业进行利润操纵行为的压力、机会与自我合理化因素选取了10个内部动机指标，并运用独立样本T检验分析均值筛选了6个存在显著差异的特征指标；再次在模型的选择上，选择非线性支持向量机（SVM）智能技术对利润操纵进行识别，但同时又引入将过抽样和欠抽样相结合的混合抽样方法来克服SVM模型的数据失衡问题，

7、从而挖掘出一种具有最优学习能力与泛化推广能力的改进的SMOTE-Tomeklinks-SVM利润操纵识别模型，进而运用该模型对中国上市公司利润操纵行为进行科学的识别及合理的分析与评价。最后实证结果表明，在利润操纵样本远远少于正常公司样本的情况下，传统SVM模型无法有效识别利润操纵行为，而将过抽样的SMOTE方法与欠抽样的Tomeklinks方法相结合的混合抽I成都理工大学硕士学位论文样方法引入SVM模型能够最有效地增强SVM对利润操纵行为的识别精度；内部动机指标能够充分解释上市公司进行利润操纵行为的原因，以此弥补利润操纵手段隐蔽性所

8、导致的模型误判问题，帮助改进SVM模型识别利润操纵公司样本，从而外部操作指标与内部动机指标相结合能够更准确的识别上市公司利润操纵行为；而在同等样本与指标水平下，相较其它人工智能模型，改进的SMOTE-Tomeklinks-SVM模型又