Research Notes · 会计实证方法

财务舞弊检测实践

基于 AAER 与 Compustat 的方法比较与 R / Python 实现

以 Bao et al. 2020 公开复制包为基准样本,覆盖 1991–2014 年约 144,000 个 firm-year 观测、AAER 二元标签与 Compustat 财务变量。十章对应十种检测方法,从 Beneish M-Score 与 Dechow F-Score 的规则基线,到 LASSO 与随机森林、XGBoost 与 RUSBoost、表格深度学习与 MD&A 文本特征、最后用 SHAP 给方法选择决策树。每章末维护一张累积对比表,AUC、NDCG@k、Recall@1% 全口径累积报告。

财务舞弊检测实践 封面

章节目录

11 / 11 章已上线
  1. 00
    前言:同一份数据,十种刀法
    阅读 →
  2. 01
    问题与数据:AAER 与上市公司舞弊检测
    阅读 →
  3. 02
    Beneish M-Score:八变量规则基线
    阅读 →
  4. 03
    F-Score:带学习的逻辑回归
    阅读 →
  5. 04
    LASSO 与 Elastic Net:高维变量的正则化
    阅读 →
  6. 05
    决策树与随机森林:跨入非参数世界
    阅读 →
  7. 06
    XGBoost:Boosting 与 Bagging 的差异
    阅读 →
  8. 07
    RUSBoost:复刻 Bao 2020 JAR 主结果
    阅读 →
  9. 08
    表格深度学习与无监督异常检测
    阅读 →
  10. 09
    MD&A 文本与 Loughran-McDonald 词典
    阅读 →
  11. 10
    SHAP 可解释性与方法选择决策树
    阅读 →

同一分类的其他项