🔍 耿同学打假报告

论文信息

• 论文来源：基于IGWO-SVM-RF模型的上市公司信用风险预测研究_赵相煜.pdf
• 标题：基于 IGWO-SVM-RF 模型的上市公司信用风险预测研究
• 作者：赵相煜
• 期刊：山东财经大学硕士学位论文
• DOI：无（学位论文）
• 发表年份：2026年

综合评定：🔴 实锤

详细发现

发现 1：数据造假与“指鹿为马”式分析（核心实锤）

• 位置：第三章 表 3-5、表 3-6
• 描述：主成分分析的“旋转后成分矩阵”（表 3-5）与“主成分及其构成”（表 3-6）的内容完全脱节，作者在解释主成分时完全是“指鹿为马”。
• 证据：
  1. 表 3-6 声称第三个主成分(X3)由“语调 1、语调 2”构成。但在表 3-5 中，语调 1 (0.841) 和语调 2 (0.843) 的绝对最大载荷明明出现在第四个主成分(X4)列！
  2. 表 3-6 声称第五个主成分(X5)由“资产报酬率、净资产收益率”构成。但在表 3-5 中，这两项的最大载荷出现在 X3 (-0.864)。
  3. 表 3-6 声称第十个主成分(X10)由“流动资产周转率、存货周转率”构成。但在表 3-5 中，流动资产周转率最大载荷在 X5 (0.787)，而存货周转率在 X10 上的载荷仅为微弱的 -0.006！
     这种系统性的错位说明作者极大概率是分别拼凑/复制了不同的数据表，并在编写结论时凭空捏造了主成分的含义。
• 严重程度：🔴
• 复核状态：✅ 成立

发现 2：算法测试结果与文字描述南辕北辙

• 位置：第四章 4.2节 表 4-2
• 描述：作者在对比改进算法(IGWO)与原算法(GWO)时，强行编造文字结论，忽略了数学上“数值越小越好”的基本事实。
• 证据：对于测试函数 f2 (GWO: 2.624e, IGWO: 2.635e) 和 f6 (GWO: 1.489, IGWO: 1.504)，由于这些函数的理论最小值为 0，因此结果数值越小才代表算法越优。IGWO 测出的值明明比 GWO 更大（即表现更差），但作者却在正文中大言不惭地写道：“对于 f2 和 f6，IGWO 所求的解要比 GWO 低，但从数值上看，两者相差并不大”。连最基本的数值大小都比较错，数据真实性存疑。
• 严重程度：🟠
• 复核状态：✅ 成立

⚠️ 发现 3：测试集数据泄露的严重方法学错误

• 位置：第五章 5.4.2节 时变优势矩阵构建
• 描述：作者提出了一种“时变优势矩阵”来融合模型，但在构建权重时使用了“每次迭代后模型的准确率”，这构成了机器学习中极其严重的“测试集数据泄露”。
• 证据：原文摘要及正文方法介绍中提及“以每次迭代后的模型准确率为依据构建优势矩阵”，推测在模型评价阶段使用了测试集表现进行动态权重分配。在实际工程与学术研究中，测试集代表“未知的未来”，绝对不能参与权重训练。作者的做法相当于用期末考试的答案来指导平时复习，必然会导致最终准确率出现作弊式的虚高。但由于当前提供的论文原文缺失第五章 5.4 节及之后的实证部分，无法对该节具体的公式细节进行原文核对。
• 严重程度：🟠
• 复核状态：⚠️ 依据不足

⚠️ 发现 4：参考文献张冠李戴与重复引用

• 位置：第一章 1.3.3节 及 参考文献列表
• 描述：文献引用编号极度混乱，复制粘贴痕迹明显。
• 证据：正文写道“程晓宇（2020）...分析我国 A 股房地产商上市公司...更适用于哪种方法[25]”，原报告指出[25]对应内容与文意不符且存在重复引用。由于当前提供的论文原文不含文后的参考文献列表，无法完全对号入座核验是否张冠李戴，但正文中确实出现了引用断裂现象。
• 严重程度：🟡
• 复核状态：⚠️ 依据不足

发现 5：正文与表格基础数据不一致

• 位置：第三章 3.4.1节 适合性检验
• 描述：KMO 检验结果在正文与表格中存在数值冲突。
• 证据：正文明确写道“KMO=0.629>0.6”，但紧随其后的表 3-2 中，KMO 取样适切性数量却赫然写着 0.621。连最基础的一致性校验都没做。
• 严重程度：🟡
• 复核状态：✅ 成立

耿同学辣评

这主成分分析做得，简直是“指鹿为马”的教科书级现场！表格里跑出来的数据是净资产收益率，到了结论里硬能给你解释成情绪指标；拿 1.5 跟 1.4 比，非说 1.5 更小；甚至连 KMO 这种直接贴在文字旁边的表格数值都能写岔。连底稿都没对齐就敢拿来凑字数，机器学习硬生生被搞成了“人工智障”！

建议后续行动

• 联系作者要求提供 Python 原始数据集及主成分分析的运行日志
• 在知网或学校论文库评论区提出公开质疑
• 向山东财经大学统计与数学学院学术委员会举报核心实验数据错位及基础描述错误问题
• 要求作者公开机器学习模型代码以验证其数据构造逻辑

⚠️ 免责声明

本报告由 AI 辅助生成，仅供学术讨论参考。
学术不端的最终认定需要专业机构调查。
我们支持学术诚信，但也尊重每一位研究者的名誉权。
如有异议，请以官方调查结论为准。
本工具不保证检测结果的准确性，误报和漏报均有可能。