财务欺诈问题由来已久且屡禁不止。对我们国家而言,财务欺诈这种行为严重背离社会主义核心价值观,容易破坏社会和谐稳定,同时会给实施财务欺诈的公司自身、给投资者都带来负面的影响。而财务欺诈往往又具有一定的隐蔽性,因此能够有效识别财务欺诈对当下我们的社会生活具有无比重要的意义。本文以2011至2020年我国全部A股上市公司作为目标对象,选取财务欺诈样本与非财务欺诈样本,其中财务欺诈样本符合虚构利润、虚列资产、虚假记载、重大遗漏等特征。之后,尽可能全面地筛选财务指标与非财务指标,前者包括盈利能力、偿债能力、现金流量、营运能力与成长能力,后者包括三会基本信息,即:董事会会议次数、监事会会议次数与股东大会召开次数。这些指标共计37个,本文会对这些指标分别采用MIC特征选择、Logistic特征选择与GBDT特征选择,三种特征选择方法分别保留了17、13与11个指标。本文对上述经过特征选择保留下来的指标进行建模分析。首先基于混淆矩阵确定模型评价方法,评价指标包括总体预测准确度、第一类错误率、第二类错误率与AUC值;其次采用单分类器实现分类,包括朴素贝叶斯、决策树与支持向量机;再次采用集成分类器实现分类,包括随机森林、Ada Boost与XGBoost;然后,本文也会对财务欺诈样本与非财务欺诈样本按照制造业与非制造业的行业划分分别进行集成分类器的建模;最后,本文着重分析了以上模型建立存在两方面缺陷,不分行业建模忽视了来自不同行业的数据可能存在分布不同,而划分行业分别建模又使得样本量减少导致过拟合的问题。本文最终选择采用双层Stacking算法以弥补上述缺陷。采用双层Stacking算法建模可以使用全部样本而无需区分行业,可以充分开发数据内在的相似结构,从而提升学习效率。特别地,Stacking算法的第一层可以起到提取共同有效特征的作用,第二层实现分类任务,缓解样本分布不同带来的负面影响。实证表明:基于双层Stacking算法的模型融合后发现,一方面,选择GBDT特征选择方法可以最大限度地精简指标同时不会有太多信息的损失;另一方面,选择随机森林与XGBoost作为第一层算法,Logistic回归作为第二层算法,实现基于双层Stacking算法的模型融合,无需分行业建模,可以使最终模型的表现效果达到最好,总体预测准确度达到了94%,AUC值达到0.98,第一类错误率与第二类错误率也都控制在6%以下。