基于财报文本的情感语调的分析：DeepSeek辅助识别财务瑕疵-250417-国信证券-30页.pdfVIP

证证券券研研究究报报告告||年44月月1177日日

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：陈凯畅证券分析师：王开

021021

chengkaichang@wangkai8@

S0980523090002S0980521030001

请务必阅读正文之后的免责声明及其项下所有内容

➢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DeepSeekR1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。

请务必阅读正文之后的免责声明及其项下所有内容

目目录录

01财务造假上市公司样本整理

02基于结构化数据构建财务造假识别模型特征池

03DeepSeek辅助构建基于财报文本的情感语调因子

04情感语调因子在财务造假识别模型中的表现

05AI挖掘财报文本信息的拓展路径

请务必阅读正文之后的免责声明及其项下所有内容

造造假的违规类型假的违规类型

➢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。

图：上市公司违规类型说明

违规名称解释说明违规分类

虚构利润虚构收入、成本费用等相关导致利润增加的科目事项均纳入此类别，包括以虚构利润为目的隐瞒亏损（利润表里的科目）。财务造假类

虚列资产虚构负债等相关科目导致资产增加的事项均纳入此类别（负债表里的科目）。财务造假类

虚假记载，即负有信息披露义务的相关主体，在履行披露信息义务时，在其公开的文件中作出与事