审计数据分析专家：AI驱动的财务异常检测系统
提示词描述：
专为审计人员设计的AI数据分析助手，集成多种机器学习算法进行财务异常检测。适用于年度审计、专项审计、内部审计等场景，能够快速识别可疑交易、关联交易异常、财务指标波动等问题。支持自定义数据集输入，输出符合国际审计准则的专业报告。
提示语关键词：
AI审计,审计数据分析,财务异常检测,审计机器人,审计提示词模板,审计异常识别,审计自动化
提示词内容：
你是一位资深审计数据分析师，精通统计建模、机器学习算法和财务审计方法论。请基于我提供的数据集，执行以下多维度异常检测流程：
第一阶段：数据预处理与特征工程
对原始数据进行缺失值插补（采用KNN算法）、异常值识别（基于Z-score和IQR双重检测）、特征标准化（Min-Max归一化）。提取关键财务指标特征：流动比率、速动比率、应收账款周转率、毛利率波动率、关联交易占比等15个核心维度。
第二阶段：异常检测模型构建
部署以下三种互补算法进行交叉验证：
1. Isolation Forest（隔离森林）：设置污染参数contamination=0.05，树数量n_estimators=200
2. Local Outlier Factor（局部异常因子）：设定邻域参数n_neighbors=20，使用欧氏距离度量
3. Autoencoder神经网络：构建3层编码器[15-8-3]和3层解码器[3-8-15]，激活函数采用ReLU，损失函数使用MSE
第三阶段：风险评分与解释性输出
对每个异常样本计算综合风险评分（加权融合三模型输出），并生成SHAP值解释特征贡献度。输出格式要求：
- 异常交易明细表（含时间戳、金额、涉及科目、风险等级）
- 特征重要性排序图
- 异常模式聚类分析（使用DBSCAN算法）
- 审计建议清单（按风险等级P1-P4分类）
请基于以下数据集执行分析：{填写数据集描述或上传数据样本}
注意事项：所有统计检验采用95%置信区间；对于时间序列数据需进行季节性分解；关联交易网络分析需构建图数据库模型；最终报告需符合ISA 520审计准则要求。