为了探讨如何利用大数据和机器学习方法对上市公司财务数据和非财务数据进行分析和挖掘,并应用于上市公司财务舞弊识别和预测,本文提出一种基于机器学习方法的上市公司财务舞弊预测模型Xscore。研究发现,Xscore模型能够提高模型预测的预测效果,Xscore模型总体准确率85%,召回率79%,精准率达42%,AUC指标0.9,区分度KS 0.65,模型稳定性PSI 0.08,均优于经典的财务舞弊预测模型Fscore模型和Cscore模型,更适合我国上市公司财务舞弊预测。首先,本文基于2000-2020年中国上市公司数据集为观测样本,通过Benford定律、LOF局部异常法、IF无监督学习法,解决了机器学习应用于财务舞弊识别研究时普遍面临的灰色样本问题,从公司治理、财会监督、财务指标和企业运营角度甄选兼具领域特性和统计特征的特征变量,构建了财务舞弊风险基础指标体系,并根据时间窗口跨度对财务舞弊风险基础指标进行衍生和挖掘;其次,首次将XGBoost集成学习方法应用到上市公司财务舞弊预测分析中,有效提高了上市公司财务舞弊识别准确率;此外,通过引入机器学习的全局归因方法和局部归因方法分析了Xscore模型预测的特征贡献度,本文发现净资产收益率、股权质押比例、关联交易依赖度、筹资活动股东现金净流量、长期资本收益率增长值、营业利润增长率等指标在Xscore模型中全局特征贡献度最高;另外,对已被确认舞弊的3个经典案例康得新、康美药业、獐子岛的Xscore预测结果进行单样本归因分析发现,Xscore模型在这三个舞弊案例预测结果中净资产收益率的贡献度最高,但不同舞弊案例都有各自的舞弊风险的侧重点。最后,本文应用Xscore评分卡预测了2019-2020年在2%高分位段但未被监管机构认定舞弊的上市公司样本14个,并用SHAP单样本分析法对模型的预测结果进行解释。本研究的意义在于,将XGBoost集成学习方法引入到上市公司财务舞弊识别领域,有助于促进人工智能、机器学习在会计学中的研究与应用,为促进上市公司披露高质量的财务信息和维护资本市场秩序提供参考。