基于机器学习的上市公司财务风险智能识别研究
| 摘要 | 第6-8页 |
| ABSTRACT | 第8-9页 |
| 第一章 绪论 | 第12-19页 |
| 1.1 研究背景与意义 | 第12-14页 |
| 1.1.1 研究背景 | 第12-13页 |
| 1.1.2 研究意义 | 第13-14页 |
| 1.2 研究目标与研究内容 | 第14-16页 |
| 1.2.1 研究目标 | 第14-15页 |
| 1.2.2 研究内容 | 第15-16页 |
| 1.3 研究思路 | 第16-17页 |
| 1.4 创新与不足之处 | 第17-19页 |
| 1.4.1 创新之处 | 第17-18页 |
| 1.4.2 不足之处 | 第18-19页 |
| 第二章 文献综述 | 第19-27页 |
| 2.1 上市公司财务风险度量研究 | 第19-23页 |
| 2.1.1 国外财务风险预警研究 | 第19-21页 |
| 2.1.2 国内财务风险预警研究 | 第21-23页 |
| 2.2 机器学习与深度学习算法研究 | 第23-24页 |
| 2.3 自然语言处理技术研究 | 第24-27页 |
| 第三章 大数据与自然语言处理算法 | 第27-39页 |
| 3.1 引言 | 第27页 |
| 3.2 基于财务报表的预测模型 | 第27-32页 |
| 3.2.1 决策树算法 | 第28-29页 |
| 3.2.2 随机森林算法 | 第29-30页 |
| 3.2.3 XGBost算法 | 第30-32页 |
| 3.3 基于年报文本的预测模型 | 第32-37页 |
| 3.3.1 词向量 | 第32-33页 |
| 3.3.2 循环神经网络 | 第33-34页 |
| 3.3.3 长短期记忆网络 | 第34-35页 |
| 3.3.4 卷积神经网络 | 第35-36页 |
| 3.3.5 Transformer模型 | 第36-37页 |
| 3.3.6 Focal loss | 第37页 |
| 3.4 基于上市公司财务报表与年报文本的集成模型 | 第37-39页 |
| 第四章 数据处理与财务指标构建 | 第39-45页 |
| 4.1 预测变量处理 | 第39-40页 |
| 4.2 年报文本数据处理 | 第40-41页 |
| 4.3 财务指标构建 | 第41-45页 |
| 第五章 实证结果与分析 | 第45-57页 |
| 5.1 分类结果评价指标 | 第45-49页 |
| 5.1.1 综述 | 第45-46页 |
| 5.1.2 模型性能度量指标 | 第46-48页 |
| 5.1.3 ROC曲线与AUC | 第48-49页 |
| 5.2 模型实证结果 | 第49-55页 |
| 5.2.1 基于上市公司财务报表的模型 | 第49-51页 |
| 5.2.2 基于上市公司年报文本的模型 | 第51-55页 |
| 5.2.3 基于两种数据的聚合模型 | 第55页 |
| 5.3 模型结果分析 | 第55-57页 |
| 第六章 结论与展望 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 致谢 | 第62-63页 |
