當下我國處于金融體制轉(zhuǎn)型的關(guān)鍵時期,正逐漸成為全球經(jīng)濟增長的重要驅(qū)動力。然而過去二十年間上市公司舞弊丑聞頻發(fā)、屢禁不止,沉重打擊投資者和社會公眾對資本市場的信心,使得公司財務(wù)報告公信力下降。能否有效治理公司舞弊這一資本市場頑疾,將決定新興時期資本市場與實體經(jīng)濟有效對接的成功與否以及供給側(cè)結(jié)構(gòu)性改革下產(chǎn)業(yè)轉(zhuǎn)型升級的效率、效果,會計理論界、實務(wù)界和監(jiān)管機構(gòu)對此都高度關(guān)注。研究表明相較于案例分析,模型識別舞弊效果更優(yōu)。現(xiàn)階段在舞弊識別指標方面的研究相對完善,舞弊識別模型的構(gòu)建上還有待探索�；诖吮疚膶㈦S機森林算法引入識別上市公司舞弊,對保持資本市場有效活力具有極其重要的現(xiàn)實意義。隨機森林（Randomforest）作為一種組合分類器算法,在大樣本、高維度特征和異常值數(shù)據(jù)上仍能保持較高的預(yù)測準確率,是非線性建模的重要工具之一,近年來在生物信息學、醫(yī)學、社會科學等領(lǐng)域研究成果頗豐,并且在風險識別與預(yù)警中展現(xiàn)出極大的潛力�；诖吮疚臉�(gòu)建了基于隨機森林的上市公司舞弊風險識別模型,相關(guān)數(shù)據(jù)處理和模型構(gòu)建均在Python環(huán)境下編程實現(xiàn)。本文首先從舞弊動因探索與理論分析、舞弊風險識別指標、舞弊風險識別方法... 

【文章來源】：杭州電子科技大學浙江省

【文章頁數(shù)】：64 頁

【學位級別】：碩士

【部分圖文】：

圖１．１文章結(jié)構(gòu)??

用了太多無關(guān)的輸入變量時，也會出現(xiàn)過擬合問題。一般來說決策樹越復(fù)雜，過??擬合程度就越高。剪枝（ｐｒｕｎｉｎｇ）是應(yīng)對決策樹過擬合、優(yōu)化模型的常用方法，??如圖３．１。剪枝分一般分為先剪枝（ｐｒｅｐｒｕｎｉｎｇ）和后剪枝（ｐｏｓｔｐｒｉｍｉｎｇ）。??Ｔｒｅｅｉ?Ｔｒｅｅ２??Ｏ?又??／?＼?Ａ?＾??６?ｂ?ｉ?＼＞?°?°??／＼??ａ?ｂ??圖３．１決策樹剪枝??先剪枝（ｐｒｅｐｍｎｉｎｇ）是指提前停止樹的“生長”，使結(jié)點成為“樹葉”，一般??只出現(xiàn)在樣本訓(xùn)練過程中。最常用的提前停止決策樹成長的方法包括以下兩種：??１）限定一個高度，當決策樹到達這個高度時停止生長；２）定義一個閾值，當不純??度衡量的增益觀察值小于指定的閾值時，決策樹停止生長。后剪枝（ｐｏｓｔｐｎｍｉｎｇ）??指的是先將整棵決策樹構(gòu)造完整，允許樹存在“過度擬合”。然后從下到上對非??葉子結(jié)點進行考察，如果結(jié)點對應(yīng)的子樹被葉子結(jié)點替換后，整棵樹的泛化能力??更強，預(yù)測識別效果越好，則把該結(jié)點對應(yīng)的子樹進行刪除，即進行了“剪枝”。??后剪枝一般是在樣本訓(xùn)練時構(gòu)建好決策樹，然后利用測試集來進行剪枝。??先剪枝方法中精準估計何時停止樹的生長十分困難

行節(jié)點分裂生長，但是隨機森林會隨機選擇節(jié)點的部分樣本特征（Ｍ個，Ｍ＜Ｎ）??進行最優(yōu)特征選擇，即ｂｏｏｔｓｒａｐ，從而影響決策樹的分支生長，這進一步增強了模??型的泛化能力。隨機森林算法詳細結(jié)構(gòu)如圖３．３。隨機森林將決策樹的分類投票結(jié)??果匯總，選擇投票次數(shù)最多的類別為最終的輸出結(jié)果，加強了模型分類效果。??Ｄ??Ｂｏｏｔｓｔｒａｐ??Ｄ１?Ｄ２?Ｄ３??Ｉ．？……??＇ｐｒ…．…Ｉ??ｉ?Ａ?Ｘ?ａｋ?Ａ?Ｘｉ??ｉｄ?ｆｉ?ｐ?＆?ｃｊ?ｂ?６?ｈ?Ａ?＆?６?ｌ］：??；?ｄ?ｈ?ｄｎ?［ｊｂ?ｉ??：?ｒ?ｉ?！?：??★?Ｔ?，?ｔ＿?＿??決策樹分類?｜決策樹分類?｜決策樹分類??結(jié)果１?結(jié)果２?結(jié)果３??投票決定最??優(yōu)分類??圖３．３隨機森林思想??隨機森林具有很強的泛化性，能夠?qū)τ?xùn)練集樣本以外的數(shù)據(jù)進行準確的分類，??即使隨機森林中決策樹變多，模型也不會出現(xiàn)過擬合。前文３．２己經(jīng)指出ｂｏｏｔｓｔｒａｐ??思想下原始樣本中大約３６．８％不會被抽中的樣本被叫做００Ｂ?（袋外數(shù)據(jù)），可以用??２４??


本文編號：3272564