基于財報文本的情感語調的分析：DeepSeek輔助識別財務瑕疵.pdf

基于財報文本的情感語調的分析：DeepSeek輔助識別財務瑕疵。財務造假樣本分析：從CSMAR數據庫“財務違規表”篩選2010-2021年樣本，通訊服務行業造假占比最高，金融和公用事業最低。2010-2018年造假公 司數量及占比上升，2019年后下降，且約58.3%的造假行為在1-2年內暴露或終止。信息披露違規成為主流，虛構利潤和虛列資產減少。

特征池構建：基于上市公司定期財務報告，從8個維度構建378個比率型指標，經篩選處理后保留100個指標，形成特征池，包含5483個財務造假樣本 和42046個控制樣本。

情感語調因子構建：利用DeepSeek R1模型分析財報文本情感語調，設計相關函數和處理流程，獲取情感語調分數。財務造假公司情感語調分數整體 低于正常公司，可捕捉情緒矛盾、模糊表述和行業異常等風險線索。

模型表現：分別構建 Logistic、LightGBM和MLP模型，加入情感語調因子后，三個模型召回率均提升，第二類錯誤下降。情感語調因子在非線性模 型（MLP、LightGBM）中重要性高，與傳統財務指標協同，提升綜合預警能力。

拓展路徑：基于Zero-Shot的財報文本直接分析模式，利用大模型通用語義理解能力挖掘潛在造假信號；基于違規說明的Fine-Tuning模式，對基座 LLMs進行微調構建專家模型，通過精準匹配率和人工盲測評估。