"模型应用分析-bes2300-l_datasheet_v0.19"
本文介绍了一个针对A股市场的财务造假预测模型,该模型基于Logistic逻辑回归,旨在识别上市公司的财务造假行为。模型的建立过程包括了对造假样本的特征分析,选取了22个关键变量,如应收变化率、存货占比、软资产比例、带息负债率、货币现金异常等,其中10%的显著性水平下,有11个变量在造假首年样本中显示显著。
首先,模型的构建基于Dechow(2011)的方法,设定先验概率p为造假样本占样本总数的比例(0.00378),通过计算得到fraud值(-5.58)和胜算比odds(0.00379)。模型的预测准确率为69.1%,这意味着模型在区分造假公司和非造假公司时,有69.1%的正确率。在实际应用中,投资者应避免投资那些模型得分较高的个股,因为这些公司可能具有更高的财务造假风险。阀值设定为odds=0.00379或回归拟合值fraud>-5.58。
此外,模型还允许通过边际效应(dy/dx)来分析各个变量对财务造假概率的影响,即量化当某个变量增加一个单位时,造假概率变化的百分比。这有助于理解不同财务指标变动对公司财务健康状况的敏感性。
Logistic模型存在两类错误:第一类错误是误判正常公司为造假,第二类错误是误判造假公司为正常。由于误判造假的代价通常大于误判正常,因此在设定阈值时,可以选择更低的值以减少第二类错误的发生。
模型的性能在造假首年预测时表现为:正确识别为造假的公司占比64.5%,但也有30.1%的正常公司被误判为造假(第一类错误)。而正确识别为正常的公司占比69.4%,但同时有35.5%的造假公司被误判为正常(第二类错误)。总体预测准确率为69.3%。
最后,报告提醒,由于财务造假的后验性,即使在2018年以前得分高的公司也应引起警惕。模型的建立和应用旨在提供一种工具,帮助投资者在决策时减少潜在的财务风险。
分析师团队通过这个模型,结合A股市场特点,提供了一种全新的识别财务造假风险的方法。然而,模型预测并非绝对准确,存在局限性,且受到宏观经济环境和海外市场不确定因素的影响。投资者在使用模型结果时,仍需结合其他信息和分析进行综合判断。