机器学习模型输入指标选择方法研究——以上市公司财报舞弊判别为例

上市公司披露的财务信息对财务报告使用者决策有重大影响。随着上市公司的舞弊手段越发多样化和隐蔽化，传统的分析手段较难发现舞弊行为。机器学习模型不同于传统的分析模型，因其能够有效判别上市公司的舞弊行为而被越来越多的研究所关注，若能有效应用于实务，则对辅助财务报告使用者决策大有助益。机器学习模型判别效果高度依赖于输入指标的质量，文章针对现有相关研究存在的不足，提出改进机器学习模型输入指标选择的方法，即提升初始输入指标数量、最大化正负样本的特征差异和利用实证模型对初始指标进行筛选等。实证研究结果表明，Logistics回归分析模型可以用于敏感指标筛选，敏感指标筛选有助于机器学习模型分类识别准确率的提升，同时研究还发现随机森林机器学习模型在初始指标集就有较好的判别效率。     

应用锁相环技术判别混沌相变的方法

针对经典的李氏指数法（Lyapunov Exponential Method）等混沌相变判别方法复杂度高的问题，提出了一种应用锁相环技术判别混沌相变的新方法。首先，理论推导了混沌系统的解析特性，分析了系统在不同相态下含有的频率成分；〖JP2〗然后，构建了针对混沌系统的数字锁相环模型，研究锁相环下混沌态和大周期态呈现的频率特性；最后，提出了一种基于锁相环技术的混沌相变判别新方法。仿真实验显示，相比于李氏指数法，所提方法判别速度快一个数量级，检测差错率为0时，性能提高近2 dB。新方法应用锁相环技术，简便易行，判别速度快，为混沌相变判别的工程应用提供了新的手段。