上市公司财务数据异常识别研究的文献综述.pdfVIP

信息与电脑

计算机基础与应用InformationComputer2025年第6期

上市公司财务数据异常识别研究的文献综述

郭晓雨

（中国原子能科学研究院，北京100000）

摘 要：综述针对上市公司财务数据异常识别，梳理了从传统统计模型到机器学习模型的发展脉络，总结了各模型

特点及应用效果。研究发现，早期识别主要依赖Beneish的M-score等传统统计模型。随着技术的发展，神经网络、支

持向量机和集成学习等机器学习方法逐渐成为主流。然而，现有研究在财务指标选取上过于依赖个人经验，在模型构建

时未充分考虑行业差异，限制了识别准确率的提升。针对这些问题，文章介绍了融合特征体系构建和二层混合模型等改

进方法，并结合当前研究，阐述了数据处理优化、模型构建创新和评分卡应用等方面的进展，展望了基于数据细分和深

度学习的未来研究方向，为促进该领域研究提供参考。

关键词：上市公司；财务数据异常识别；统计模型；机器学习

中图分类号：TP183   文献标识码：A   文章编号：1003-9767（2025）06-174-03

LiteratureReviewonFinancialDataAnomalyDetectioninListedCompanies

GUOXiaoyu

(ChinaInstituteofAtomicEnergy,Beijing100000,China)

Abstract:Thereviewaddressestheidentificationoffinancialdataanomaliesoflistedcompanies,combsthroughthe

developmentlineagefromtraditionalstatisticalmodelstomachinelearningmodels,andsummarizesthecharacteristics

andapplicationeffectsofeachmodel.Itisfoundthatearlyidentificationmainlyreliesontraditionalstatisticalmodels

suchasBeneish’sM-score.Withthedevelopmentoftechnology,machinelearningmethodssuchasneuralnetworks,

supportvectormachinesandintegratedlearninghavegraduallybecomemainstream.However,existingstudiesrelytoo

muchonpersonalexperienceintheselectionoffinancialindicatorsanddonotfullyconsiderindustrydifferencesin

modelconstruction,whichlimitstheimprovementofrecognitionaccuracy.Toaddresstheseissues,thearticleintroduces

improvementmethodssuchasfusionfeaturesystemconstructionandtwo-layerhybridmodel,andcombineswith

currentresearchtoillustratetheprogressindataprocessingoptimization,modelconstructioninnova