支持向量机回归模型( 会计信息失真识别的成本控制型支持向量机模型 )

[摘要]在会计信息失真识别问题中，考虑到决策失误所付出的不同错错误分类成本和样本数据的非均衡分布，基于整体准确性的数据挖掘方法不能获得理想的识别结果。摘要：根据对，会计信息失真识别的特点，建立了成本可控的支持向量机模型，该模型利用粒子群优化算法选择特征和优化参数，从而降低了错的整体误分类成本。实验表明，该模型能够有效识别虚假财务报告。【关键词】财务报告支持向量机成本一、引言财务报告所反映的会计信息是对对企业经营活动中资本流动状态和方式的客观描述，一旦财务报告中存在人为的虚假信息，各方的利益都会受到不同程度的损害。因此，正确识别虚假会计信息非常重要。目前，国内外主要采用传统的会计经验分析法、计算机辅助审计法和定量模型识别法来识别虚假会计信息。传统的会计经验方法大多依靠分析程序来识别上市公司的虚假会计信息。尽管这种方法可以仔细检查对，的每一份财务报表，但在审计对的大型上市公司时效率低下。计算机辅助审计和定量模型识别方法可以大大提高审计效率。其中，计算机辅助审计方法主要是利用审计软件来进行审计工作。在审计软件中，可以根据电子数据进行查询、审计和图形分析来辅助审计工作，也可以调用审计方法库来实现审计功能。定量模型识别方法主要是利用上市公司公布的财务数据建立数学模型来识别虚假会计信息。这些模型可以嵌入到审计方法库中，帮助人们快速识别虚假会计信息。一些模型在多元统计分析中使用传统的统计方法如多元线性回归法、逻辑回归法和主成分分析法来预测虚假会计信息，但传统的统计方法在对；面临大规模的多元问题时会遇到“维数灾变”，复杂的非线性模型难以处理和分析。随着人工智能技术的发展，人工神经网络(ANN)和支持向量机(SVM)等机器学习技术被应用于企业分类问题，并获得了超越传统统计方法的实验结果。例如，Fanning和Cogger(1998)[6]利用人工神经网络建立了一个识别虚假财务信息的高可信度检测模型，但人工神经网络无法避免局部极值问题。支持向量机(SVM)方法是Vapnik等人针对对分类和回归问题提出的一种新的机器学习方法。与传统的研究方法相比，它在解决小样本、非线性和高维模式识别问题上具有突出的优势；而且可以解决神经网络中不可避免的局部极值问题。因此，利用支持向量机的方法识别虚假会计信息可以取得比其他方法更好的效果。邓庆山和梅国平将基本支持向量机模型应用于虚假会计信息识别领域，取得了良好的效果。然而，在虚假会计信息识别问题上，虚假财务报告错和虚假财务报告错在错错误分类的代价上是完全不同的。前者只会减少利益相关者的利润，而后者会给对的利益相关者造成直接的经济损失。另外，从数据特征来看，财务数据之间的交叉核对关系非常明显，冗余属性太多。但是，基本模型没有考虑错的误分类代价和数据的冗余属性，基本模型中惩罚参数和核函数参数的不同值会影响模型的精度。

因此，本文试图将错的误分类成本引入到支持向量机模型中，并利用粒子群优化算法自动控制模型中的参数，选择特征来消除样本数据的冗余属性，从而识别虚假会计信息。本文的结构如下：首先，提出了基于成本控制的支持向量机模型及其求解过程；其次，建立虚假会计信息识别指标体系；最后，用实验数据验证了模型的有效性。其次，基于成本控制的向量机分类模型考虑了一个训练集，它是对的输入向量和二进制分类标签。考虑到机器学习的基本问题，即在N维空间中区分两个点集A和B的元素，这些集合分别用mn和kn的矩阵A和B表示。定义了第一类错错误分类和第二类错错误分类。错错误分类的第一类是指错点在甲类到乙类中的错误分类。当，但当，在第一类中有错错误。定义了阶跃函数(1)，因此，第一类错的误分类数为。同样，第二类错错误是指将乙类中的错点错误地归入甲类。当，但当，有第二类错错误。阶梯函数是：(2)其中。因此，第二类错的误分类数为。假设第一类错的误分类成本为C1，第二类错的误分类成本为C2，SVM分类器的决策成本为。