| 摘要 | 第1-4页 |
| ABSTRACT | 第4-8页 |
| 第一章 绪论 | 第8-15页 |
| 第一节 研究背景和研究意义 | 第8-12页 |
| 一、 研究背景 | 第8-10页 |
| 二、 研究意义 | 第10-12页 |
| 第二节 概念界定与研究思路 | 第12-14页 |
| 一、 财务困境概念界定 | 第12-13页 |
| 二、 研究内容和研究方法 | 第13页 |
| 三、 结构安排 | 第13-14页 |
| 第三节 本文创新与不足 | 第14-15页 |
| 一、 本文创新点 | 第14页 |
| 二、 不足之处 | 第14-15页 |
| 第二章 财务预警研究成果综述 | 第15-26页 |
| 第一节 国外财务预警研究成果综述 | 第15-20页 |
| 一、 早期的基础研究成果 | 第15-17页 |
| 二、 目前的发展研究成果 | 第17-20页 |
| 第二节 国内财务预警研究成果综述 | 第20-24页 |
| 一、 主要统计模型预警成果 | 第20-21页 |
| 二、 基于数据挖掘技术之应用成果 | 第21-23页 |
| 三、 多分类财务预警研究回顾 | 第23-24页 |
| 第三节 简要述评 | 第24-26页 |
| 第三章 财务预警理论和应用模型分析 | 第26-36页 |
| 第一节 财务预警理论 | 第26-28页 |
| 一、 生存因素理论 | 第26页 |
| 二、 非均衡理论 | 第26-27页 |
| 三、 期权定价模型理论 | 第27页 |
| 四、 预警管理理论 | 第27-28页 |
| 第二节 应用模型分析 | 第28-34页 |
| 一、 人工神经网络模型 | 第28-29页 |
| 二、 支持向量机模型 | 第29-31页 |
| 三、 K近邻 | 第31-32页 |
| 四、 Adaboost算法 | 第32-33页 |
| 五、 随机森林 | 第33-34页 |
| 第三节 模型横向比较总结 | 第34-36页 |
| 第四章 研究设计 | 第36-46页 |
| 第一节 样本分类及选取 | 第36-37页 |
| 一、 样本三分类 | 第36-37页 |
| 二、 样本选择 | 第37页 |
| 第二节 变量选取与定义 | 第37-40页 |
| 一、 财务困境变量界定 | 第37-38页 |
| 二、 财务指标选择 | 第38-40页 |
| 第三节 变量检验与处理 | 第40-46页 |
| 一、 K-S检验 | 第40页 |
| 二、 描述性统计 | 第40-42页 |
| 三、 相关性分析 | 第42-43页 |
| 四、 主成分分析 | 第43-46页 |
| 第五章 实证研究结果 | 第46-50页 |
| 第一节 三年分类预测结果汇总 | 第46-48页 |
| 第二节 预测结果分析 | 第48-50页 |
| 第六章 总结与展望 | 第50-52页 |
| 第一节 研究结论 | 第50-51页 |
| 第二节 研究建议与展望 | 第51-52页 |
| 参考文献 | 第52-57页 |
| 附录 | 第57-73页 |
| 附录一 K-S检验 | 第57-59页 |
| 附录二 描述性统计 | 第59-61页 |
| 附录三 相关性分析heatmap图&指标间相关饼图 | 第61-63页 |
| 附录四 主成分载荷 | 第63-67页 |
| 附录五 主成分分析碎石图 | 第67-68页 |
| 附录六 模型主要程序代码 | 第68-69页 |
| 附录七 神经网络结果图 | 第69-70页 |
| 附录八 SVM结果图 | 第70-73页 |
| 攻读硕士学位期间科研情况 | 第73-74页 |
| 后记 | 第74-75页 |