在资本市场上，通过基本面分析来寻找投资机会是一个永恒的话题，财务报告更是股票的投资说明书、是企业经营状况的检视报告。投资者可以通过阅读上市公司的财务报告，选取适当的财务指标来判断股票价值，并按照财务指标来判断企业当前的生存及发展能力。
　　经过研究发现，通过财务数据来寻找一家具有长远发展潜力的公司往往具有较大难度。但一旦通过财务数据发现一家有舞弊行为上市公司，可以为我们的投资行为排雷，亦或是通过做空股票来获取收益。传统的寻找财务造假公司的方式是通过经验判别法，即分析者以专业知识，如会计与财务知识，以及多年经验来发现财务报表的造假部分。另外，国内外的研究者也发现可以利用回归法来预测企业财务造假，在机器学习方法引进之后，机器学习方法也被逐步使用在财务造假预测上，通过不同指标及模型的选取，可以获得良好的准确率。在目前市场上，存在大量的高净值客户以及机构客户，如养老金、企业年金客户等，他们对资金的保值增值尤为看重，更希望有一种稳定的资产配置方式。为了能在这种环境下获取稳定的投资回报，本文尝试构建了基于分类器融合方法的财务造假套利策略。
　　尽管国外学者在财务造假研究上已经走在前列，但由于国情相差巨大，我国的上市公司财务舞弊行为无法直接使用国外现有成果来进行判断。如在指标选取上，由于资本市场环境不同，我国的指标选取有自己独特的方式。另外在模型的选择上，随着近年来机器学习技术的使用，已经有研究表明数据挖掘方法的预测准确率要远好于传统的回归模型。随着我国资本市场上股指期货、期权等金融衍生品相继上市，许多金融机构已经开发出追求绝对收益的策略模型。这为本文提供了相当的实证经验。
　　本文旨在建立一种基于分类器融合的财务造假套利策略，核心在于首先要构造一种能够甄别出财务造假的分类模型，其次再根据该分类模型所作出的预测，构造一种反向对冲的α套利策略，并测试其收益率。基于这两个目的，本文将通过三个阶段来完成整个问题的分析。
　　首先，我们需要建立一个基本的指标框架，根据常见的财务指标分类方法，本文将企业的财务指标分为偿债能力、营运能力、盈利能力、成长能力、现金流量以及估值指标。另外考虑到财务舞弊公司在当年发布舞弊财报，其经营状况在前一年就可能发生变化，因此本文将前一年的财务指标也加入了基本指标框架。之后利用随机森林算法对解释变量重要性的判断，筛选出8个重要的财务指标作为最终的解释变量。
　　第二，建立舞弊甄别模型，本文将建立三种基本的分类器模型：Logistic模型、贝叶斯判别分析、随机森林算法，分别对这三种模型测试了准确率，发现随机森林算法的准确率优于其他两种，但总体来说并不满意。针对单分类器拟合效果较差的情况，我们参考集成学习的思想，综合比较后使用bagging构建了多分类器融合模型，提升预测效果。对分类器融合模型进行测试发现其对舞弊样本的预测准确率要优于单一分类器，这为我们构造基于财务造假的反向对冲模型提供了极大的帮助。
　　最后，建立反向对冲模型。在对舞弊样本和非舞弊样本的α分析中，研究发现进行财报舞弊的上市公司在财报发布后的α值要明显低于财报发布前，这在理论上就说明了?α的存在让我们可以做多指数来剥离系统性风险，获得正的绝对收益。在此基础上，我们使用分类器融合模型来进行预测，构造一种基于夏普单指数的套利策略，分别测试了熊市、震荡市、牛市的策略表现。结果显示本文策略在熊市中能够取得最好收益，而在震荡市和牛市中也能够取得正的收益率，是一种较优的获取绝对收益的策略。但同时也存在因为风险对冲不足所导致的策略在熊市溢价在牛市折价的现象，针对该现象有待对对冲比例进行更深入的探讨。
　　本文在研究中所作的一些创新包括：由于单分类器拟合效果较差的情况，本文将分类器融合模型引入了财务造假预测问题，并取得了不错的效果；在传统的财务预测问题中，研究者并没有提出实际的使用价值，仅仅给出了政策建议，而本文基于预测模型构建了对冲模型，为该模型提供了实用价值。
　　针对本文的两个研究：分类器融合模型甄别财务造假，在单分类器拟合效果较差的情况，该方法对于提高模型对舞弊公司甄别的准确率有重要的实际意义；反向对冲策略，该方法提出了一种通过做空股票做多股指的方法获取绝对收益，有重要的理论和实际意义，为投资人建立绝对收益策略提供了一种新的思路。