| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 引言 | 第9-16页 |
| 1.1 研究背景与研究意义 | 第9-11页 |
| 1.1.1 研究背景 | 第9页 |
| 1.1.2 研究意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 国外研究现状 | 第11-12页 |
| 1.2.2 国内研究现状 | 第12-13页 |
| 1.3 研究内容与方法 | 第13-14页 |
| 1.3.1 研究内容 | 第13页 |
| 1.3.2 研究方法 | 第13-14页 |
| 1.4 论文创新之处与结构框架 | 第14-16页 |
| 1.4.1 本文的创新之处 | 第14页 |
| 1.4.2 本文的结构框架 | 第14-16页 |
| 第2章 可转换债券定价理论 | 第16-27页 |
| 2.1 可转换债券简介 | 第16-19页 |
| 2.2 可转换债券定价理论 | 第19-21页 |
| 2.2.1 可转换债券定价的主要决定因素 | 第19-20页 |
| 2.2.2 可转换债券定价理论 | 第20-21页 |
| 2.3 可转换债券期权价值的定价模型 | 第21-27页 |
| 2.3.1 广义的Black-Scholes期权定价模型 | 第21-24页 |
| 2.3.2 二叉树期权定价模型 | 第24-25页 |
| 2.3.3 蒙特卡罗(Monte Carlo)期权模拟方法 | 第25-26页 |
| 2.3.4 三种数值方法优劣 | 第26-27页 |
| 第3章 神经网络理论 | 第27-33页 |
| 3.1 神经网络简介 | 第27页 |
| 3.2 传统BP神经网络理论 | 第27-31页 |
| 3.2.1 传统BP神经网络模型原理 | 第27-30页 |
| 3.2.2 改进的BP神经网络模型 | 第30-31页 |
| 3.3 RBF神经网络 | 第31-33页 |
| 第4章 RBF常见算法及改进算法在可转换债券定价中的应用 | 第33-39页 |
| 4.1 RBF神经网络常见算法 | 第33-36页 |
| 4.1.1 K-means聚类算法 | 第33-34页 |
| 4.1.2 正交最小二乘算法 | 第34-36页 |
| 4.2 RBF改进算法及其在可转换债券定价中的应用 | 第36-39页 |
| 4.2.1 改进原因 | 第36-37页 |
| 4.2.2 RBF网络改进算法 | 第37-38页 |
| 4.2.3 改进的RBF算法在可转换债券定价中的应用 | 第38-39页 |
| 第5章 可转换债券定价实证分析 | 第39-53页 |
| 5.1 实证过程中相关参数的估计 | 第39页 |
| 5.2 样本数据采集与处理 | 第39-40页 |
| 5.3 实证过程中可转换债券价值的具体计算过程 | 第40-43页 |
| 5.3.1 纯债价值计算 | 第40-41页 |
| 5.3.2 转换价值计算 | 第41页 |
| 5.3.3 期权价值计算 | 第41-42页 |
| 5.3.4 最终理论价值 | 第42-43页 |
| 5.4 Matlab创建RBF神经网络 | 第43-47页 |
| 5.5 三种神经网络模型在可转换债券定价中的效果 | 第47-49页 |
| 5.5.1 BP神经网络在可转换债券定价的效果 | 第47页 |
| 5.5.2 RBF网络在可转换债券定价的效果 | 第47-48页 |
| 5.5.3 改进的RBF神经网络算法在可转换债券定价中的效果 | 第48-49页 |
| 5.6 模型所用的精确度评价指标与误差分析 | 第49-53页 |
| 5.6.1 精确度评价指标选取 | 第49-50页 |
| 5.6.2 误差分析 | 第50-53页 |
| 第6章 结论与展望 | 第53-54页 |
| 6.1 结论 | 第53页 |
| 6.2 展望 | 第53-54页 |
| 参考文献 | 第54-57页 |
| 附录 | 第57-66页 |
| 攻读硕士学位期间取得的研究成果 | 第66-67页 |
| 致谢 | 第67-68页 |
