典型文献
基于机器学习的公司违规预测研究
文献摘要：
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(Random Forest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Random Forest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.
文献关键词：
违规预测;机器学习;传统预测模型;因子重要性;可视化
中图分类号：
作者姓名：
李莹;曲晓辉
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
文献出处：
引用格式：
[1]李莹;曲晓辉-.基于机器学习的公司违规预测研究)[J].财务研究,2022(04):54-66
A类：
违规预测
B类：
基于机器学习,公司违规,预测研究,线性回归模型,模型处理,历史数据,文则,机器学习算法,比对分析,广为,树模型,Random,Forest,GBDT,RNN,SHAP,方法探寻,贡献度,公司治理,警具,财务数据,预警能力,违规行为,行为预测,投资者,监管机构,决策优化,传统预测模型,因子重要性
AB值：
0.355058
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
