基于Benford律的随机森林模型及其在财务风险预警的应用

研究目标:财务数据质量对公司财务风险预警至关重要。数据质量差的财务数据往往降低财务风险预警模型的有效性。利用Benford律能有效评价财务数据质量的特点,构建带有Benford因子的随机森林模型,用于处理财务数据质量对财务风险预警模型带来的影响,能有效提高财务预警模型的预测精度。研究方法:通过Benford律检验财务数据质量,构造Benford因子添加到财务指标变量中,建立基于Benford律的随机森林模型。选择中国A股和美国股市上市公司的财务指标数据进行对比实证分析,采用学习曲线对模型进行参数调优确定最终模型,对比基于Benford律随机森林模型和随机森林模型的预测效果。研究发现:Benford因子能够识别存在财务舞弊的具体样本点并提供数据质量有关信息。相比随机森林模型,基于Benford律的随机森林模型可以提高财务风险预警的准确率。研究创新:将Benford律引入随机森林模型,构造Benford因子,提出基于Benford的随机森林模型。研究价值:基于Benford律的随机森林模型具有更高的预测准确率,扩展了随机森林模型的实用性,为上市公司财务风险预警研究提供了新视角。