财务造假风险分析（Financial Fraud Analyzer v2）

按以下流程执行，并始终保持"证据优先、结论谨慎"。

版本更新（v2）

• ✅ 新增：Dechow F-Score（应计质量模型）
• ✅ 新增：行业分组阈值（科技/制造/消费/金融）
• ✅ 新增：批量筛查模式（支持10+公司快速扫描）
• ✅ 新增：SEC EDGAR API 自动数据获取
• ✅ 优化：三层证据整合框架
• ✅ 验证：已在 AAPL/MSFT/TSLA/NVDA 等12家公司测试

0) 任务边界（必须先说清）

• 明确这是风险筛查，不是司法定性。
• 结论表述使用：低/中/高风险，避免"已造假"的确定语气。
• 若数据缺失，明确标注"无法判断"的环节。

1) 数据输入清单（至少2期，建议3-5期）

优先收集：

• 利润表：营业收入、营业成本、销售费用/管理费用（SG&A）、折旧摊销、净利润（或持续经营利润）
• 资产负债表：应收账款、存货、流动资产、固定资产净额（PP&E）、长期投资/证券、总资产、流动负债、长期有息负债
• 现金流量表：经营活动现金流（CFO）

如口径不一致（合并/母公司、会计准则变更），先对齐口径再计算。

2) 快速红旗扫描（先看异常形态）

先做方向性判断，命中越多，后续审查越深：

1. 营收增速显著高于经营现金流增速
2. 应收账款增速长期高于营收增速
3. 存货增速长期高于营收增速
4. 毛利率异常波动但同行无类似变化
5. 折旧率突然下降（可能延长折旧年限）
6. 资本化比例上升、费用化下降（利润被"美化"）
7. 关联交易或非经常性损益对利润贡献过大
8. 审计意见变化、内控缺陷、频繁更换审计师

3) 量化模型计算（核心）

A. Beneish M-Score（8变量）

使用 references/beneish-formulas.md 的定义与公式计算：

• DSRI, GMI, AQI, SGI, DEPI, SGAI, LVGI, TATA
• 线性组合得到 M-Score

解释规则（行业分组阈值）：

通用阈值：

• M-Score > -2.22：盈余操纵风险偏高
• M-Score <= -2.22：未见明显操纵信号

行业调整阈值（参考 references/industry-thresholds.md）：

• 科技/互联网：-2.10（高增长容忍度）
• 制造业：-2.22（标准阈值）
• 消费品：-2.30（稳定性要求更高）
• 金融业：不适用 Beneish（需专用模型）

B. Dechow F-Score（应计质量）

详见 references/dechow-fscore.md。

核心公式： F-Score = -4.255 + 1.191*RSST_Accruals + 0.057*ΔCash_Sales + 0.691*ΔReceivables + 0.179*ΔInventory + 0.124*%Soft_Assets + 0.303*ΔCash_Margin + 0.116*ΔROE

解释：

• F-Score > 1.0：高应计质量风险
• F-Score <= 1.0：应计质量可接受

C. 现金-利润一致性

至少计算：

• CFO / 净利润
• 应计项比率 = (净利润 - CFO) / 总资产

经验解释：

• CFO/净利润 长期显著低于 1，且应计项比率持续偏高 → 利润质量可疑

D. 结构性对比（趋势 + 同行）

对以下指标做时间趋势与同行横向对比：

• 应收周转天数、存货周转天数
• 毛利率、期间费用率
• 资本开支与折旧比
• 资产负债率、短债压力

4) 三层证据整合（防止单指标误判）

必须同时给出三层证据：

1. 模型证据：M-Score 与关键比率是否异常
2. 财务逻辑证据：利润、现金流、营运资本是否一致
3. 治理与披露证据：审计意见、关联交易、会计政策变更说明

若三层证据仅有一层异常，结论降级为"观察风险"； 若三层证据多数一致异常，结论升级为"高风险"。

5) 输出格式（固定模板）

按以下结构输出，避免散乱描述：

5.1 执行摘要（<= 150字）

• 风险等级：低 / 中 / 高
• 最关键的2-3条证据
• 下一步建议

5.2 指标总表（必须表格）

列：指标 | 本期 | 上期 | 变化 | 风险信号(是/否) | 解释

5.3 Beneish分解（必须表格）

列：变量 | 数值 | 对风险的含义 并给出最终 M-Score 与阈值比较。

5.4 红旗清单

• 已命中红旗（按严重程度排序）
• 未命中但需持续跟踪的红旗

5.5 结论与行动建议

• 结论：低/中/高风险（附置信度）
• 建议动作：
  • 立即补充哪些披露材料
  • 是否需要深入核查（如函证、渠道访谈、供应链交叉验证）

5.6 局限性（必须写）

• 数据缺失/口径差异/行业季节性等可能影响。

6) 质量门槛（输出前自检）

输出前逐条检查：

• 是否明确"风险筛查≠定罪"
• 是否给出可复核公式与关键数据来源
• 是否有"趋势+同行"双重比较
• 是否包含局限性说明
• 是否给出具体下一步核查建议

7) 脚本工具

单公司分析

若用户提供了结构化数字，运行：

python scripts/beneish_mscore.py --input data.json

批量筛查（10+ 公司）

自动从 SEC EDGAR 获取数据并计算：

python scripts/fetch_and_analyze.py

输出：

• tmp/beneish_batch_results.json：完整结果
• 终端：汇总表格（Ticker | M-Score | Risk | CFO/NI）

行业对标分析

python scripts/industry_benchmark.py --ticker AAPL --peers MSFT,GOOGL,META

8) 实战验证结果（v2）

已在以下公司测试（2024/2023 数据）：

关键发现：

1. TSLA/NVDA 触发风险信号，但属于高增长科技公司的正常特征
2. 需结合行业阈值判断（科技股 -2.10 vs 通用 -2.22）
3. CFO/NI 比率是重要补充指标（<1.0 需警惕）