量化模型与构建方式 1. 模型名称：素镜科技财报辩伪模型 - 模型构建思路：通过分析企业财报中的异常行为（如虚构收入、虚增利润等）来量化造假程度并打分[20] - 模型具体构建过程： - 捕捉六类异常行为：虚构/虚增收入、虚增利润、虚增资产、掩盖负债、资金占用转移、利益输送 - 对每种异常行为设置权重并计算综合得分，分数越高表示造假风险越高[20] - 阈值设定：得分≥70为高风险公司[24] - 模型评价：对ST事件具有较高召回率，但覆盖范围较广（约40%市场股票）[39] 2. 模型名称：素镜科技企业画像模型 - 模型构建思路：通过量化企业经营状况（如违约风险、运营健康度）生成综合评分[20] - 模型具体构建过程： - 整合财务与非财务指标（如现金流、负债率、诉讼事件等） - 设置阈值：得分<-15为高风险公司[24] - 模型评价：分类效果优于财报辩伪模型，尤其在年报后预测阶段[28][39] 3. 模型名称：Cox比例风险回归模型（生存分析） - 模型构建思路：将上市公司风险公告事件作为协变量，预测ST概率[45][46] - 模型具体构建过程： - 定义生存时间：从上市到被ST的时间间隔[44] - 选取协变量：交易所函件（关注函、问询函等）、股权风险事件（拟减持、冻结等）、监管措施（立案调查等）[45][46] - 模型公式： $h(t,X)=h_{0}(t)*exp(\beta_{1}*x_{1}+\beta_{2}*x_{2}+...+\beta_{n}*x_{n})$ 其中HR（风险比）计算为$e^{\beta}$[61] - 优化：将事件次数替代0-1变量后，拟减持事件显著性提升[62][63] - 模型评价：高频跟踪能力强，灵活性高（可动态纳入新风险事件）[75] --- 模型的回测效果 1. 素镜科技财报辩伪模型 - AUC：0.806[34] - 年报后预测ST概率：2.79%（阈值≥70）[26] - 全样本段召回率：2016-2023年平均90%，最低84.44%[30] 2. 素镜科技企业画像模型 - AUC：0.865[34] - 年报后预测ST概率：3.36%（阈值<-15）[29] - 全样本段召回率：2016-2023年平均92%，最低87.93%[31] 3. Cox比例风险回归模型 - AUC：0.810[73] - 召回率：2019年后平均85%，2022年最高92.31%[71] - 高风险事件影响：股权冻结HR最高，问询函次之[61][65] --- 量化因子与构建方式 1. 因子名称：财报辩伪分 - 因子构建思路：通过财务异常行为量化造假风险[20] - 因子具体构建过程： - 对六类异常行为加权求和，阈值70分划分高风险组[24] 2. 因子名称：企业画像分 - 因子构建思路：综合评估企业经营风险[20] - 因子具体构建过程： - 整合多维经营指标，阈值-15分划分高风险组[24] 3. 因子名称：风险事件次数（生存分析衍生） - 因子构建思路：累计风险事件次数反映风险累积效应[62][63] - 因子具体构建过程： - 统计个股历史关注函、问询函等事件发生次数 --- 因子的回测效果 1. 财报辩伪分 - 全样本段ST概率差异：高风险组0.99% vs 低风险组0.10%[24] 2. 企业画像分 - 全样本段ST概率差异：高风险组1.01% vs 低风险组0.07%[27] 3. 风险事件次数 - 拟减持事件：次数增加显著提升ST风险[63]