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。
章节目录
11 / 11 章已上线- 00前言:同一份数据,十种刀法阅读 →
- 01问题与数据:AAER 与上市公司舞弊检测阅读 →
- 02Beneish M-Score:八变量规则基线阅读 →
- 03F-Score:带学习的逻辑回归阅读 →
- 04LASSO 与 Elastic Net:高维变量的正则化阅读 →
- 05决策树与随机森林:跨入非参数世界阅读 →
- 06XGBoost:Boosting 与 Bagging 的差异阅读 →
- 07RUSBoost:复刻 Bao 2020 JAR 主结果阅读 →
- 08表格深度学习与无监督异常检测阅读 →
- 09MD&A 文本与 Loughran-McDonald 词典阅读 →
- 10SHAP 可解释性与方法选择决策树阅读 →
同一分类的其他项
