造假的违规类型
认定财务造假需满足三个要件：主观故意性、财务数据操纵性、误导利益相关者目的性。在15个违规类型中，通常认为虚构利润、虚 列资产、虚假记载、重大遗漏、披露不实、欺诈上市、一般会计处理不当为财务造假类违规。
样本初步处理
在财务造假样本筛选中，本文的数据来源于CSMAR数据库的“ 财务违规表”。本文选择2010年1月1日之后的样本进行分析。同时， 由于财务造假的处罚公布具有滞后性，因此决定暂时不研究最近2年，即2023年12月31日之后的所有样本。
财务造假上市公司的行业、造假类型、年份分布
通讯服务行业财务造假公司占比最高（19.4%），金融和公用事业领 域造假比例最低（均低于8.5%），显示出行业监管强度、业务复杂 性与财务舞弊风险负相关关系。 财务造假持续时间与公司数量呈显著负相关，约58.3%的造假行为集 中在1-2年内暴露或终止，表明系统性舞弊难以长期维持，且监管纠 偏机制在中期（3-5年）逐渐显效。 2010-2018年财务造假公司数量及占比持续攀升（从7.5%增至 17.9%），2019年后呈下降趋势（2023年财务造假率反常骤降则主要 由于财务造假行为暴露的滞后性），反映证券法修订后监管趋严， 财务造假行为得到显著遏制。
财务造假上市公司的行业、造假类型、年份分布
从行业动态与违规模式演变来看，财务造假呈现显著的结构性特征： 行业风险周期分化：2010-2018年间，通讯服务、能源与金融行业成为违规重灾区，其中通讯服务行业违规率从2010年的8.7%激增至2018 年的32.7%，金融业在2015年因资产端扩张与监管套利导致违规率达25.6%的历史峰值。这一趋势与行业特性密切相关——通讯服务行业技 术迭代快、资本开支密集，管理层倾向于通过模糊技术商业化进展（重大遗漏）掩盖现金流压力；能源行业则受大宗商品价格波动驱动，常 通过虚增储量或成本资本化调节利润。2019年后随着新《证券法》实施及穿透式监管推进，全行业违规率普遍下行，但房地产行业在2022 年仍维持15.5%的高违规率，凸显行业流动性危机下企业通过虚增预售收入、隐匿表外负债等复合手段粉饰报表的顽疾。 违规手段迭代升级：信息披露违规（重大遗漏57.8%、虚假记载54.9%）取代传统利润操纵成为主流，其技术隐蔽性体现在两方面，一是通 过选择性披露行业利好政策、弱化技术研发失败风险、构建片面叙事误导投资者；二是借助复杂术语包装关联交易、利用模糊表述规避业绩 承诺。相较而言，虚构利润和虚列资产因审计程序中对银行流水、存货监盘的强化而大幅萎缩。
特征池构建——基于结构化财报数据
数据来源与筛选依据：聚焦上市公司定期财务报告信息，提取标准化财务报表数值信息（资产负债表、利润表、现金流量表等）。采用年度报告作为核心数 据来源，主要因其具备完整性，涵盖法定披露的全部财务与非财务信息。具体数据来源于CSMAR数据库的“ 财务指标分析表”。
特征构建原则：基于跨公司&跨行业可比性考虑，1）采用比率型指标：将绝对值转化为相对值（如资产负债率、销售净利率）；2）归一化&标准化：对不 同行业内的样本指标通过Max-Min方法将指标值限定在[0,1]区间，且进行Z-score标准化处理；3）行业属性处理：保万得一级行业分类作为控制变量，采用 独热编码处理行业属性。4）多维度覆盖原则：从8个维度构建财务指标体系，分别为偿债能力、经营能力、盈利能力、发展能力、比率结构、风险水平、 现金流分析、每股指标。
特征池优化机制：1）充足性筛选：剔除缺失值超过50%的指标；2）显著性检验：保留p值小于0.1的因子。3）离群值处理：采用IQR方法，离群值用上下 限代替。
原有8个维度，总计378个指标，对于指标数据缺失超过 50%的样本直接进行删除，同时对所有指标进行显著性检验，筛选出 p 值小于 0.1的指标。 最终保 留指标 100 个， 财务造假样本 5483 个， 控制样本 42046 个。
非结构数据：基于财报文本的情感语调因子
传统财务指标受会计准则和法律约束，可能存在人为操纵空间，而文本情感语调反映了管理层对企业经营状况的真实情绪流露，具有更强的隐蔽性特征。过度积 极的表述可能是管理层掩盖财务问题的策略，如虚增收入时通过夸大描述转移投资者注意力；负面情绪升高往往预示资金链紧张或业绩下滑，可能触发管理层通 过财务造假缓解短期压力。而且从合法性的角度来看，年报文本中流露出的负面情绪也是公司为了降低投资者预期，避免未来遭遇法律诉讼困扰的必要手段。文本情感分析捕捉非结构化风险线索： 情绪矛盾：财务数据向好但语调消极，可能暗示数据真实性存疑； 模糊表述：大量使用复杂术语或转折词（如“尽管”、“但是”）可能掩盖真实风险；行业异常：与同行业情感倾向偏离较大的公司更可能存在舞弊。 从DeepSeek生成的财报文本情感语调分数分布来看，财务造假公司的情感语调分数整体低于正常公司的情感语调分数；这一规律在以万得一级行业分类后的样本中依旧成立。
DeepSeek情感语调因子加入特征池前后Logistic模型表现对比
加入情感语调因子后，模型在召回率（测试集：65.27%→69.01%，+3.74%）得到提升，第二类错误同步下降，验证了情感因子在识 别财务造假场景中的核心价值。尽管其他指标（准确率、特异性）有所下降，但这反映了模型在平衡“抓造假”与“保正常”目标时 的合理权衡。在财务造假检测中，降低漏判（第二类错误）的优先级通常高于误判（第一类错误），因此情感因子对召回率的提升具 有实际意义。
财务造假公司往往在财报文本中隐含负面情感信号（如模糊措辞、矛盾逻辑、过度乐观修饰），情感因子通过量化文本情感倾向，帮 助模型更敏感地捕捉这些特征，强化对造假样本的识别能力。作为线性模型，Logistic通过调整特征权重优化分类边界。情感因子通 过正向权重调整（负面情感→更高造假概率），直接扩大了造假类别的判别边界，从而提高召回率。
DeepSeek情感语调因子加入特征池前后Logistic模型特征变量重要性
1）情感因子隐性协同：虽未进入前10，但通过调整财务指标权重分布（如偿债能力指标重要性提升、ROA权重下降），间接强化模 型对造假信号的组合识别能力。2）财务主导逻辑稳固：前10全为财务指标（盈利能力/偿债能力/每股指标），情感语调因子仅辅助优 化特征关联，解释召回率提升源于财务与情感信号的线性组合增强。3）业务兼容性优先：模型保持"财务基本面为主，情感为辅"的可 解释结构，符合风控场景对财务指标核心地位的强依赖。
DeepSeek情感语调因子加入特征池前后LightGBM模型表现对比
从训练集和测试集的指标来看，LightGBM模型整体存在一定程度的过拟合，泛化能力仍有提升空间。单从召回率观测，训练集与测 试集的召回率差距从26.38%（70.86% vs. 44.48%）缩小至25.38%（77.52% vs. 52.14%），说明模型泛化性未因情感因子而恶化， 反而测试集指标优化更显著。
加入情感语调因子后，LightGBM模型的召回率显著提升（测试集：44.48%→52.14%，+7.66%），第二类错误同步下降 （55.52%→47.86%）。召回率提升幅度高于此前Logistic回归模型（+3.74%）。情感语调因子在财务造假检测场景中对原有特征池 的优化作用仍然得到体现。
基于LightGBM特性可进行特征工程强化以提升模型泛化能力，如通过SHAP值分析情感因子对预测造假的贡献方向，若负面情感与高 造假概率强相关，可对极端负面样本加权训练，或对LightGBM误判的正常样本（第一类错误）进行聚类分析，识别潜在误标或新型 造假模式，反哺特征工程等。
特征变量在Logistic、MLP、LightGBM模型中的平均重要性排名
情感语调因子的模型依赖性：情感语调因子依赖模型类型，其在非线性模型（MLP第2、LightGBM第4）中表现强劲，但在线性模型 （Logistic第34）中重要性较小，说明需通过复杂交互挖掘。
召回率提升的核心驱动力：MLP/LightGBM中情感语调分别贡献了最高的召回率增幅（+8.93%/+7.66%），验证其作为文本风险信号的 独立判别力，尤其在当下违规手段迭代升级，信息披露违规取代传统利润操纵成为财务造假隐蔽手段，情感语调的预警作用意义重大。
与传统财务指标的协同性：情感语调与固定资产比率（MLP第1）、现金资产比率（LightGBM第2）等高权重财务指标形成交叉验证， 如"高固定资产+负面情感"组合可能指向资产虚增类造假，提升综合预警能力。
业务落地优先级：尽管情感语调因子平均重要性排名与资产负债率并列第九（受Logistic拖累），但在实际应用中应优先考虑 MLP/LightGBM模型，充分发挥情感语调在复杂场景中的补充作用，而非受限于线性模型的弱表现。
未来优化方向：需针对情感语调开发细粒度衍生特征（如情感波动性、行业情感基准校准），进一步释放其在非线性模型中的潜力，构 建"财务+文本"双引擎风控体系。
AI挖掘财报文本信息的拓展路径：基于Zero-Shot的财报文本直接分析模式
核心逻辑：对比原情感语调因子，仅输出单一情感评分本质 是全局文本情绪浓缩，无法区分具体风险类型。基于ZeroShot的财报文本分析利用大模型（如DeepSeek）的通用语义 理解能力，无需特定训练即可从财报文本中挖掘潜在造假信 号，通过Prompt工程引导模型生成结构化风险标签。
（本文仅供参考，不代表我们的任何投资建议。如需使用相关信息，请参阅报告原文。）
