华北理工大学 河北唐山 063210
摘要：针对上市公司财务数据造假判断的难题，本文使用一种基于平衡随机森林（BalancedRandomForestClassifier）的分类方法，以取得较好的分类效果。该方法通过对原始数据进行预处理后，选择10个最相关的特征来训练模型。实验表明，预测上市公司财务造假取得了较好的分类结果，模型在验证集上取得了G-mean值、召回率、F1值分别为0.659、0.764、0.724的效果。该模型具有泛化能力较强、召回率高、训练速度快等特点，这为财务数据造假的上市公司识别研究提供了参考。
关键词：造假公司预测；不平衡数据分析；平衡随机森林算法；SelectKBest
1.引言
随着我国经济的快速发展，证券市场不断扩容，不同行业、不同规模的上市公司不断增加，目前上市公司的数量已超过4000家。然而，近年来不时出现上市公司财务数据造假及暴雷的情况，2020年还出现了流动性危机及信用债违约等问题。这些问题提醒监管部门对上市公司进行有效监控。近年来，监管部门已加大了监管力度，对于出现严重财务数据造假、丧失持续经营能力的上市公司，强制退市是唯一的选项。作为专业投资者，研究一家上市公司的财务数据是否稳健，需要考虑相关的诸多因素。面对上市公司多年的财务数据报告，筛选数据指标进行跟踪分析和研究，识别真伪，避免投资踩雷。通过财务数据判断上市公司运转情况是一个重要的问题。
2.数据与方法
2.1 不平衡数据集
在机器学习中我们经常会遇到数据不平衡问题。数据不平衡主要存在于有监督机器学习任务中。当遇到数据不平衡时，以总体分类准确率为学习目标的传统分类算法会过多地关注多数类，从而使得少数样本的分类性能下降。因为财务造假的上市公司很少，所有本文数据集为不平衡数据集，本文的数据集来自于泰迪杯。对于不平衡数据集，绝大多数常见的机器学习算法对于不平衡数据集都不能很好地工作。
2.2 平衡随机森林
随机森林算法是由许多决策树算法集成的，而决策树通过树的结构来构建分类模型，对所有属性进行信息增益或其他指标，将提供信息最大的属性作为根结点，然后划分数据集依次构建左右子树。其中，树的每个节点代表着一个属性，根据这个属性的划分，进入这个节点的儿子节点，直至叶子节点，每个叶子节点都表征着一定的类别，从而达到分类的目的。
随机森林采用了集成学习的思想，集成学习是一种特殊的bagging方法，它将决策树用作bagging中的基分类器。首先，用bootstrap方法生成m个训练集。然后，对于每个训练集，构造一颗CART决策树，在节点找特征进行分裂的时候，不是对所有特征找到能使得指标（如信息增益）最大的，而是在特征中随机抽取一部分特征，在抽到的特征中间找到最优解，应用于节点，进行分裂。随机森林算法实际上相当于对于样本和特征都分别进行了欠采样，所以可以有效的避免算法的过拟合。虽然随机森林能够通过采样提高算法的性能。在一定程度上，减小采样数据的不平衡性，但是随机森林在不平衡数据集上效果也不理想。
而平衡随机森林对传统的随机森林进行了进一步的改进，平衡随机森林与传统随机森林不同的是，平衡随机森林在采样生成数据子集的过程中使用采样了方法（例如SMOTE采样、随机欠采样、随机过采样等算法）平衡数据集，以减小了不平衡数据集对传统分类器的影响，提高了所有基学习器的性能，进而提高了算法整体的性能。
3.实验过程
3.1 实验步骤
第一步，数据缺失值处理，先提取所有有标签的公司，然后删除5个取值只有一种的属性和1个全部为空的属性，规定一列缺失值大于65%的列为空缺值过多的属性，并进行删除。接下来，我们将使用均值填充的方法对缺失值进行填充。
第二步，数据异常值检测，使用IQR对数据的每个属性进行检测，然后形成异常向量，将所有异常向量进行合并定义总异常向量，然后设置阈值通过总异常向量进行删除，本文阈值设置为40。
第三步，数据分类标准化，由于各个行业属性的量纲不一样，直接将所有行业放在一起规范化可能会忽视不同行业量纲，所以我们将数据先按行业分组，然后对每个组进行标准化，再将所有子数据集合合并起来。
第四步，特征选择，从所有特征中，选择出有意义、对模型有帮助的特征，以避免将无关特征都导入模型去训练，从而造成模型训练时间长，模型精度下降的情况。在本文中，使用SelectKBest方法进行选择，最终选取得分前10的特征做为模型的输入特征，做为最终的特征，然后采取平衡随机算法进行模型的训练及预测。
3.2 实验结果
在训练数据前，本文首先将数据集的70%数据划分为训练集，30%的数据划分为验证集，接下来使用训练集的数据来训练模型，使用验证集的数据对模型的性能进行评估。由于大部分公司都为正常公司，所以如果采样正确率来评价算法的性能是非常不合理的。算法对造假公司的判断则更加重要，所以本文采用G-mean、召回率、F1值等评价指标来评估模型。最终实验表明，该算法模型在验证集上的G-mean、召回率、F1值分别为0.659、0.764、0.724，取得了良好的结果。
4.结语
本文着重阐述如何利用对上市公司财务数据进行分析，进而选取与是否造假存在较大相关性的属性，使用平衡随机森林在数据集上进行训练，进而提高判断的准确率，从而快速而准确的判断公司财务数据是否造假，具有一定的现实意义。
参考文献：
[1]SHI Hongbo，CHEN Yuwen，CHEN Xin. Summary of research on SMOTE oversampling and its improved algorithms. CAAI Transactions on Intelligent Systems，2019，14（6）：1073-1083. DOI：10.11992/tis.201906052.
[2]Breiman，L. Random Forests. Machine Learning 45，5–32（2001）. https：//doi.org/10.10/ A23：10 -10933404324
作者简介：
刘洋（2000-）男，汉族，河北保定人，本科在读。研究方向：智能科学与技术。