基于机器学习的公司违规预测研究

作     者：李莹 曲晓辉 LI Ying;QU Xiao-hui

作者机构：南京审计大学社会审计学院 哈尔滨工业大学(深圳)经济管理学院 厦门大学会计发展研究中心 

出 版 物：《财务研究》 (Finance Research)

年 卷 期：2022年第4期

页      面：54-66页

学科分类：120202[管理学-企业管理（含：财务管理、市场营销、人力资源管理）] 12[管理学] 1202[管理学-工商管理] 

基　　金：教育部人文社会科学重点研究基地重大项目(16JJD790035) 江苏高校哲学社会科学研究项目(2021SJA0356) 江苏高校优势学科建设工程资助项目(PAPD) 深圳市人文社会科学重点研究基地哈尔滨工业大学(深圳)大数据会计与决策研究中心基金(KP191001) 

主　　题：违规预测 机器学习 传统预测模型 因子重要性 可视化 

摘      要：公司违规研究一般采用传统的线性回归模型处理历史数据,本文则构建了基于机器学习算法的公司违规预测模型并实施检验。研究发现:(1)通过比对分析可知,广为使用的线性回归模型不能充分挖掘数据信息并进行有效预测,机器学习的树模型(RandomForest和GBDT)和神经网络模型(RNN和LSTM)的预测效果更优;(2)采用SHAP方法探寻公司违规的重要预警因子及其贡献度,发现公司治理相关变量对违规预警具有重要贡献,传统线性回归模型过分强调财务数据的预警能力,弱化了公司治理因子对违规预警的贡献;(3)进一步采用SHAP方法将RandomForest和GBDT模型的运作过程和贡献分布可视化,挖掘重要因子对公司未来违规的影响机理,并计算主要影响因子的警惕阈值。本研究实现了公司违规行为预测研究方法的创新,对投资者和监管机构的决策优化具有借鉴意义。