DeepSeek辅助识别财务瑕疵——基于财报文本的情感语调的分析

策略研究·策略专题 证券分析师：王开021-60933132wangkai8@guosen.com.cnS0980521030001 证券分析师：陈凯畅021-60375429chengkaichang@guosen.com.cnS0980523090002 ➢财务造假样本分析：从CSMAR数据库“财务违规表”筛选2010-2021年样本，通讯服务行业造假占比最高，金融和公用事业最低。2010-2018年造假公司数量及占比上升，2019年后下降，且约58.3%的造假行为在1-2年内暴露或终止。信息披露违规成为主流，虚构利润和虚列资产减少。 ➢特征池构建：基于上市公司定期财务报告，从8个维度构建378个比率型指标，经筛选处理后保留100个指标，形成特征池，包含5483个财务造假样本和42046个控制样本。 ➢情感语调因子构建：利用DeepSeek R1模型分析财报文本情感语调，设计相关函数和处理流程，获取情感语调分数。财务造假公司情感语调分数整体低于正常公司，可捕捉情绪矛盾、模糊表述和行业异常等风险线索。 ➢模型表现：分别构建Logistic、LightGBM和MLP模型，加入情感语调因子后，三个模型召回率均提升，第二类错误下降。情感语调因子在非线性模型（MLP、LightGBM）中重要性高，与传统财务指标协同，提升综合预警能力。 ➢拓展路径：基于Zero-Shot的财报文本直接分析模式，利用大模型通用语义理解能力挖掘潜在造假信号；基于违规说明的Fine-Tuning模式，对基座LLMs进行微调构建专家模型，通过精准匹配率和人工盲测评估。 ➢风险提示：模型过拟合风险，DeepSeek的训练依赖于投喂的框架语料与底稿数据，多维框架下存在未来函数和过拟合风险；数据口径调整风险，财务指标统计口径的调整可能带来AI配置结论的改变；AI推理的不稳健性，AI模型的输出结论具备一定随机性，多次生成可能产生不同的结果。 目录目录 财务造假上市公司样本整理01 02 情感语调因子在财务造假识别模型中的表现04 AI挖掘财报文本信息的拓展路径05 造假的违规类型造假的违规类型 ➢认定财务造假需满足三个要件：主观故意性、财务数据操纵性、误导利益相关者目的性。在15个违规类型中，通常认为虚构利润、虚列资产、虚假记载、重大遗漏、披露不实、欺诈上市、一般会计处理不当为财务造假类违规。 样本初步处理样本初步处理 ➢在财务造假样本筛选中，本文的数据来源于CSMAR数据库的“财务违规表”。本文选择2010年1月1日之后的样本进行分析。同时，由于财务造假的处罚公布具有滞后性，因此决定暂时不研究最近2年，即2023年12月31日之后的所有样本。 财务造假上市公司的行业、造假类型、年份分布财务造假上市公司的行业、造假类型、年份分布 ➢通讯服务行业财务造假公司占比最高（19.4%），金融和公用事业领域造假比例最低（均低于8.5%），显示出行业监管强度、业务复杂性与财务舞弊风险负相关关系。 ➢财务造假持续时间与公司数量呈显著负相关，约58.3%的造假行为集中在1-2年内暴露或终止，表明系统性舞弊难以长期维持，且监管纠偏机制在中期（3-5年）逐渐显效。 ➢2010-2018年财务造假公司数量及占比持续攀升（从7.5%增至17.9%），2019年后呈下降趋势（2023年财务造假率反常骤降则主要由于财务造假行为暴露的滞后性），反映证券法修订后监管趋严，财务造假行为得到显著遏制。 资料来源：万得，CSMAR，国信证券经济研究所整理注：横轴为持续年数，纵轴为上市公司数 资料来源：万得，CSMAR，国信证券经济研究所整理 财务造假上市公司的行业、造假类型、年份分布财务造假上市公司的行业、造假类型、年份分布 从行业动态与违规模式演变来看，财务造假呈现显著的结构性特征： ➢行业风险周期分化：2010-2018年间，通讯服务、能源与金融行业成为违规重灾区，其中通讯服务行业违规率从2010年的8.7%激增至2018年的32.7%，金融业在2015年因资产端扩张与监管套利导致违规率达25.6%的历史峰值。这一趋势与行业特性密切相关——通讯服务行业技术迭代快、资本开支密集，管理层倾向于通过模糊技术商业化进展（重大遗漏）掩盖现金流压力；能源行业则受大宗商品价格波动驱动，常通过虚增储量或成本资本化调节利润。2019年后随着新《证券法》实施及穿透式监管推进，全行业违规率普遍下行，但房地产行业在2022年仍维持15.5%的高违规率，凸显行业流动性危机下企业通过虚增预售收入、隐匿表外负债等复合手段粉饰报表的顽疾。 ➢违规手段迭代升级：信息披露违规（重大遗漏57.8%、虚假记载54.9%）取代传统利润操纵成为主流，其技术隐蔽性体现在两方面，一是通过选择性披露行业利好政策、弱化技术研发失败风险、构建片面叙事误导投资者；二是借助复杂术语包装关联交易、利用模糊表述规避业绩承诺。相较而言，虚构利润和虚列资产因审计程序中对银行流水、存货监盘的强化而大幅萎缩。 目录目录 财务造假上市公司样本整理01 基于结构化数据构建财务造假识别模型特征池 02 DeepSeek辅助构建基于财报文本的情感语调因子 04 AI挖掘财报文本信息的拓展路径05 特征池构建特征池构建————基于结构化财报数据基于结构化财报数据 ➢数据来源与筛选依据：聚焦上市公司定期财务报告信息，提取标准化财务报表数值信息（资产负债表、利润表、现金流量表等）。采用年度报告作为核心数据来源，主要因其具备完整性，涵盖法定披露的全部财务与非财务信息。具体数据来源于CSMAR数据库的“财务指标分析表”。 ➢特征构建原则：基于跨公司&跨行业可比性考虑，1）采用比率型指标：将绝对值转化为相对值（如资产负债率、销售净利率）；2）归一化&标准化：对不同行业内的样本指标通过Max-Min方法将指标值限定在[0,1]区间，且进行Z-score标准化处理；3）行业属性处理：保万得一级行业分类作为控制变量，采用独热编码处理行业属性。4）多维度覆盖原则：从8个维度构建财务指标体系，分别为偿债能力、经营能力、盈利能力、发展能力、比率结构、风险水平、现金流分析、每股指标。 ➢特征池优化机制：1）充足性筛选：剔除缺失值超过50%的指标；2）显著性检验：保留p值小于0.1的因子。3）离群值处理：采用IQR方法，离群值用上下限代替。 ➢原有8个维度，总计378个指标，对于指标数据缺失超过50%的样本直接进行删除，同时对所有指标进行显著性检验，筛选出p值小于0.1的指标。最终保留指标100个，财务造假样本5483个，控制样本42046个。 目录目录 财务造假上市公司样本整理01基于结构化数据构建财务造假识别模型特征池02AI挖掘财报文本信息的拓展路径05情感语调因子在财务造假识别模型中的表现04DeepSeek辅助构建基于财报文本的情感语调因子03 非结构数据：基于财报文本的情感语调因子非结构数据：基于财报文本的情感语调因子 全局配置模块 非结构数据：基于财报文本的情感语调因子非结构数据：基于财报文本的情感语调因子 ➢传统财务指标受会计准则和法律约束，可能存在人为操纵空间，而文本情感语调反映了管理层对企业经营状况的真实情绪流露，具有更强的隐蔽性特征。过度积极的表述可能是管理层掩盖财务问题的策略，如虚增收入时通过夸大描述转移投资者注意力；负面情绪升高往往预示资金链紧张或业绩下滑，可能触发管理层通过财务造假缓解短期压力。而且从合法性的角度来看，年报文本中流露出的负面情绪也是公司为了降低投资者预期，避免未来遭遇法律诉讼困扰的必要手段。 ➢文本情感分析捕捉非结构化风险线索： •情绪矛盾：财务数据向好但语调消极，可能暗示数据真实性存疑；•模糊表述：大量使用复杂术语或转折词（如“尽管”、“但是”）可能掩盖真实风险；•行业异常：与同行业情感倾向偏离较大的公司更可能存在舞弊。 ➢从DeepSeek生成的财报文本情感语调分数分布来看，财务造假公司的情感语调分数整体低于正常公司的情感语调分数；这一规律在以万得一级行业分类后的样本中依旧成立。 目录目录 财务造假上市公司样本整理01 02 情感语调因子在财务造假识别模型中的表现 04 AI挖掘财报文本信息的拓展路径05 建立识别财务造假的建立识别财务造假的LogisticLogistic模型模型 ➢Logistic回归是一种广泛应用的机器学习算法，尤其擅长处理二分类问题。Logistic回归模型通过使用逻辑函数（Sigmoid函数）将预测值映射到概率空间，从而能够直接输出样本属于某一类的概率。以下为Logistic回归的数学逻辑： ➢输入：训练数据集𝑋=𝑥1,𝑥2,…,𝑥𝑛和目标值𝑦=𝑦1,𝑦2,…,𝑦𝑛 ➢输出：预测值ො𝑦 ➢模型假设：假设模型输出为事件发生的概率： 其中σ𝑧=11+𝑒−𝑧称作Sigmoid函数 ➢损失函数：使用对数似然损失函数进行优化，目标是最大化似然函数： 对每一层计算线性变换：𝐿𝑤,𝑏=−1𝑛σ𝑖=1𝑛𝑦𝑖𝑙𝑜𝑔𝑝𝑖+1−𝑦𝑖𝑙𝑜𝑔1−𝑝𝑖 其中(𝑝𝑖=𝑃𝑦=1𝑥𝑖) ➢梯度下降，计算损失函数对参数的梯度： ➢更新参数： ➢预测输出：设定阈值（一般为0.5），当𝑃𝑦=1𝑥>0.5时ො𝑦=1，否则ො𝑦=0 DeepSeekDeepSeek情感语调因子加入特征池前后情感语调因子加入特征池前后LogisticLogistic模型表现对比模型表现对比 ➢加入情感语调因子后，模型在召回率（测试集：65.27%→69.01%，+3.74%）得到提升，第二类错误同步下降，验证了情感因子在识别财务造假场景中的核心价值。尽管其他指标（准确率、特异性）有所下降，但这反映了模型在平衡“抓造假”与“保正常”目标时的合理权衡。在财务造假检测中，降低漏判（第二类错误）的优先级通常高于误判（第一类错误），因此情感因子对召回率的提升具有实际意义。 ➢财务造假公司往往在财报文本中隐含负面情感信号（如模糊措辞、矛盾逻辑、过度乐观修饰），情感因子通过量化文本情感倾向，帮助模型更敏感地捕捉这些特征，强化对造假样本的识别能力。作为线性模型，Logistic通过调整特征权重优化分类边界。情感因子通过正向权重调整（负面情感→更高造假概率），直接扩大了造假类别的判别边界，从而提高召回率。 DeepSeekDeepSeek情感语调因子加入特征池前后情感语调因子加入特征池前后LogisticLogistic模型特征变量重要性模型特征变量重要性 ➢1）情感因子隐性协同：虽未进入前10，但通过调整财务指标权重分布（如偿债能力指标重要性提升、ROA权重下降），间接强化模型对造假信号的组合识别能力。2）财务主导逻辑稳固：前10全为财务指标（盈利能力/偿债能力/每股指标），情感语调因子仅辅助优化特征关联，解释召回率提升源于财务与情感信号的线性组合增强。3）业务兼容性优先：模型保持"财务基本面为主，情感为辅"的可解释结构，符合风控场景对财务指标核心地位的强依赖。 资料来源：万得，CSMAR，国信证券经济研究所整理 建立识别财务造假的建立识别财务造假的LightGBMLightGBM模型模型 ➢LightGBM（Light Gradient Boosting Machine）是一种高效的梯度提升框架，通过直方图分割技术离散化连续特征，结合单边梯度采样（GOSS）和互斥特征捆绑（EFB）降低计算开销，显著提升训练速度与内存效率。其采用Leaf-wise树生长策略，聚焦损失下降显著的分支，构建判别力更强的树结构，同时平衡模型精度与训练效率。该算法擅长处理高维、大规模数据，在数据挖掘、推荐系统等场景中表现卓越，尤其适用于对实时性和计算资源敏感的工业级任务。以下为LightGBM模型的数学描述： ➢输入：训练数据集𝑋=𝑥1,𝑥2,…,𝑥𝑛和目标值𝑦=𝑦