基于蚁群算法优化随机森林模型的汽车保险欺诈识别研究

汽车保险欺诈在全球范围内逐步蔓延,车险欺诈识别越来越受到社会关注。本文针对实际汽车保险索赔数据中样本数量大且不平衡的特点,提出了平衡随机森林和蚁群结合的组合分类器。首先,对高维、不平衡的车险索赔数据集进行特征选择与分类,将随机森林的特征重要性评价得分和数据的统计检验得分作为启发式信息,利用蚁群算法进行智能搜索,把随机森林的分类精度反馈给蚁群进行信息素的实时更新,挖掘出判别车险欺诈的特征组合。然后将基于蚁群优化算法的平衡随机森林模型应用到汽车保险欺诈识别中。研究结果表明：基于蚁群优化随机森林算法的汽车保险欺诈识别模型能够更好地对车险索赔数据进行分类预测,挖掘车险欺诈规律,具有更好的精确度和稳健性。     

高管激励与利润操纵之间关系的实证研究

本文以2007年沪深两地上市公司中随机选取的55家为研究样本,利用横截面修正的Jones模型对上述公司的可操纵性利润进行计算,在此基础之上,考察了高管激励（通过平均年薪、持股性激励和隐性报酬三个变量来衡量）与可操纵性利润之间的关系。在控制了外部审计质量、两职合一两个变量之后,研究发现,高管持股激励与可操纵性利润呈显著正相关,而高管平均年薪和隐性报酬（公司规模）对于可操纵性利润的影响并不显著。