安然、世界通讯等国际知名的财务舞弊事件,对股市的健康发展造成了严重的影响,投资者和有关组织遭受了巨大损失,使人们开始重新审视对上市公司的监管问题。此外,朗讯、南方保健、泰科等多家企业也先后被发现存在财务欺诈,并在随后的一段时间内逐渐走向了破产。国外的监管机制相对健全,但是防止上市公司欺诈方面还存在着不足,同时也因为欺诈手段多样,容易被掩盖;以及现代会计核算的复杂性给企业带来了操作空间。国际注册审计师协会（Association of Certified Fraud Examiner）曾在 2014 年开展了一项相关调查,研究结果发现人为控制财务报告和制造财务舞弊会让公司付出巨大代价。报告表明美国的企业由于财务舞弊造成的损失占每年营业收入的5%,甚至由此导致全国GDP下降了 3.7万亿美元。因此,尽早准确的识别财务舞弊行为,可以维护证券市场的稳定健康发展,防止投资者蒙受不必要的损失,具有非常重要的现实意义。传统的财务舞弊识别是注册会计师根据企业公开发布的年报进行审计并发表审计意见来完成的。这种识别方式很大程度上依靠注册会计师的专业素质和经验,识别效果具有很强的不确定性。近年来,随着计算机领域的发展,机器学习和人工智能领域被广泛应用于财务舞弊行为的识别中。特别是近年来,机器学习和人工智能已经被证明是识别财务舞弊行为的非常有效的新方法。它不仅可以用于对当前数据的分析,也可以用于对历史数据进行分析。它可以帮助决策者通过分析现有信息,发现其中的内在联系,并预测未来的形势。在财务舞弊识别研究方面,通常是根据财务舞弊的动因理论,从源头来确定识别的方法。从最初的仅通过财务指标来识别,逐步发展到综合运用财务指标和非财务指标来识别财务舞弊。财经新闻中通常包含许多有用的资讯,这些资讯可以为信息使用者提供有效的参考。但是,通过阅读大量的文献发现,将财经资讯中的信息用于财务舞弊识别的研究几乎没有。因此本文通过财经资讯中文本信息的情感指标与财务指标、非财务指标结合简历一个全新的科学的指标体系,共同用于识别模型的构建。首先通过文本挖掘技术采集财经资讯中的文本信息,然后对挖掘到的文本信息结合中文财经情感词典进行情感分析,创建情感指标。再将财务指标非财务指标与创建好的情感指标相结合,形成一套更加全面科学的指标体系。本研究使用数据挖掘的相关模型,构建支持向量机财务舞弊识别模型,对信息使用者识别企业财务舞弊行为有参考作用,对财务舞弊识别模型的研究和应用有重要的意义。