| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 第一节 研究背景与研究意义 | 第10-11页 |
| 一、 研究背景 | 第10-11页 |
| 二、 研究意义 | 第11页 |
| 第二节 国内外研究文献综述 | 第11-13页 |
| 一、 国外文献综述 | 第11-12页 |
| 二、 国内文献综述 | 第12-13页 |
| 第三节 研究方法与研究内容 | 第13-15页 |
| 一、 研究方法 | 第13-14页 |
| 二、 研究内容 | 第14-15页 |
| 第四节 论文研究框架 | 第15-16页 |
| 第二章 信用风险管理的相关理论及方法 | 第16-21页 |
| 第一节 信用风险和信用风险管理的概念 | 第16页 |
| 第二节 商业银行信用风险管理机制概述 | 第16-18页 |
| 第三节 商业银行信用风险管理的常用方法 | 第18-20页 |
| 一、 专家判别法 | 第18-19页 |
| 二、 Logistic 回归方法 | 第19页 |
| 三、 KNN 判别分析法 | 第19-20页 |
| 四、 神经网络模型分析法 | 第20页 |
| 第四节 本章小结 | 第20-21页 |
| 第三章 SVM 基础原理及其改进 | 第21-34页 |
| 第一节 SVM 基础理论 | 第21-24页 |
| 一、 拉格朗日函数和 KKT 条件 | 第21-22页 |
| 二、 统计学习理论的介绍 | 第22-24页 |
| 第二节 SVM 算法介绍 | 第24-30页 |
| 一、 可完全线性划分时的 SVM | 第24-27页 |
| 二、 训练集含有噪声时的 SVM | 第27-29页 |
| 三、 训练集呈完全非线性的 SVM | 第29-30页 |
| 第三节 改进的网格搜索法（Grid-Search）在 SVM 算法中的应用 | 第30-32页 |
| 一、 交叉验证方法 | 第30-31页 |
| 二、 改进的 Grid-Search 方法 | 第31-32页 |
| 第四节 改进的 SVM 算法与 LOGIT 的组合模型 | 第32-34页 |
| 第四章 改进的 SVM 与 LOGIT 组合分类模型实证研究 | 第34-48页 |
| 第一节 样本数据的预处理 | 第34-40页 |
| 一、 研究样本的选取 | 第34-35页 |
| 二、 财务指标的选取 | 第35-39页 |
| 三、 财务指标值的归一化 | 第39-40页 |
| 第二节 基于 logistic 回归模型的实证分类结果 | 第40-43页 |
| 一、 利用 SPSS 求公共因子 | 第40-42页 |
| 二、 logistic 回归法的实证分类结果分析 | 第42-43页 |
| 第三节 改进的 SVM 分类模型实证结果分析 | 第43-45页 |
| 一、 基于标准 SVM 的分类结果 | 第44页 |
| 二、 基于改进的网格搜索法的参数寻优结果分析 | 第44-45页 |
| 第四节 组合模型的实证分析 | 第45-48页 |
| 一、 组合模型的实验结果 | 第45-46页 |
| 二、 实证结果比较分析 | 第46-48页 |
| 第五章 结论与展望 | 第48-50页 |
| 第一节 研究总结 | 第48-49页 |
| 第二节 研究展望 | 第49-50页 |
| 参考文献 | 第50-53页 |
| 附录 | 第53-54页 |
| 致谢 | 第54-55页 |
