DeepSeek辅助识别财务瑕疵——基于财报文本的情感语调的分析

财务造假上市公司样本分析显示，通讯服务行业造假占比最高（19.4%），金融和公用事业最低（均低于8.5%）。2010-2018年造假公司数量及占比上升，2019年后下降，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。

基于上市公司定期财务报告，从偿债能力、经营能力、盈利能力等8个维度构建了100个比率型指标特征池，包含5483个财务造假样本和42046个控制样本。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。

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。

拓展路径包括基于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。

风险提示包括模型过拟合风险、数据口径调整风险和AI推理的不稳健性。