| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 1 绪论 | 第9-16页 |
| 1.1 研究背景 | 第9页 |
| 1.2 选题的目的和意义 | 第9-10页 |
| 1.3 研究综述 | 第10-13页 |
| 1.3.1 国外信用风险评估理论研究综述 | 第10-11页 |
| 1.3.2 国内信用风险评估理论研究综述 | 第11-12页 |
| 1.3.3 研究综述小结 | 第12-13页 |
| 1.4 研究思路和主要内容 | 第13-15页 |
| 1.5 研究方法 | 第15页 |
| 1.6 可能的创新点 | 第15-16页 |
| 2 信用风险评估相关理论基础 | 第16-21页 |
| 2.1 信用风险相关理论 | 第16-17页 |
| 2.1.1 信用风险的定义 | 第16页 |
| 2.1.2 信用风险的成因 | 第16-17页 |
| 2.2 信用风险评估的重要性 | 第17-18页 |
| 2.3 常用的信用风险评估方法及其优缺点 | 第18-20页 |
| 2.4 本章小结 | 第20-21页 |
| 3 基于C4.5-SVM的制造业上市公司信用评估模型 | 第21-34页 |
| 3.1 机器学习基本理论 | 第21-24页 |
| 3.1.1 机器学习的定义、特点、分类和基本概念 | 第21-22页 |
| 3.1.2 VC维理论 | 第22页 |
| 3.1.3 机器学习三要素 | 第22-24页 |
| 3.2 决策树C4.5基本理论 | 第24-26页 |
| 3.2.1 决策树的生成 | 第24-26页 |
| 3.2.2 决策树的剪枝 | 第26页 |
| 3.3 支持向量机SVM基本理论 | 第26-30页 |
| 3.3.1 支持向量机的优点 | 第27页 |
| 3.3.2 支持向量机的三种情况 | 第27-30页 |
| 3.4 常用的模型效果评估指标 | 第30-32页 |
| 3.4.1 查准率和查全率 | 第30-31页 |
| 3.4.2 ROC曲线和AUC值 | 第31-32页 |
| 3.5 基于C4.5-SVM的制造业上市公司信用评估模型构建和建模流程 | 第32-33页 |
| 3.6 本章小结 | 第33-34页 |
| 4 信用风险评估指标体系的构建 | 第34-38页 |
| 4.1 信用风险评估指标体系的构建原则 | 第34-35页 |
| 4.2 信用风险评估指标体系的建立 | 第35-37页 |
| 4.3 本章小结 | 第37-38页 |
| 5 实证研究 | 第38-51页 |
| 5.1 数据样本的选取 | 第38-39页 |
| 5.2 数据的描述性统计 | 第39-40页 |
| 5.3 数据的预处理和特征筛选 | 第40-44页 |
| 5.3.1 数据的缺失值处理 | 第41页 |
| 5.3.2 数据的标准化处理 | 第41-42页 |
| 5.3.3 基于C4.5决策树算法的特征筛选 | 第42-44页 |
| 5.4 实证分析 | 第44-49页 |
| 5.5 和传统模型进行对比 | 第49-50页 |
| 5.6 本章小结 | 第50-51页 |
| 6 结论与展望 | 第51-53页 |
| 6.1 结论与建议 | 第51页 |
| 6.2 不足与展望 | 第51-53页 |
| 参考文献 | 第53-57页 |
| 附录 | 第57-60页 |
| 致谢 | 第60页 |