| 致谢 | 第7-8页 |
| 摘要 | 第8-9页 |
| ABSTRACT | 第9-10页 |
| 第一章 绪论 | 第15-27页 |
| 1.1 研究背景和意义 | 第15-17页 |
| 1.1.1 研究背景 | 第15-16页 |
| 1.1.2 研究意义 | 第16-17页 |
| 1.2 国内外研究现状 | 第17-23页 |
| 1.2.1 财务风险相关研究 | 第17-20页 |
| 1.2.2 半监督分类方法和非均衡分类方法相关研究 | 第20-23页 |
| 1.3 研究目标和研究内容 | 第23-24页 |
| 1.3.1 研究目标 | 第23页 |
| 1.3.2 研究内容 | 第23-24页 |
| 1.4 研究方法与技术路线图 | 第24-25页 |
| 1.4.1 研究方法 | 第24页 |
| 1.4.2 技术路线图 | 第24-25页 |
| 1.5 本文的组织结构 | 第25-27页 |
| 第二章 财务风险和机器学习的理论研究 | 第27-36页 |
| 2.1 财务风险理论研究 | 第27-30页 |
| 2.1.1 财务风险的概念 | 第27页 |
| 2.1.2 财务风险的特征 | 第27-28页 |
| 2.1.3 财务风险的管理 | 第28-29页 |
| 2.1.4 财务风险预测的应用 | 第29-30页 |
| 2.2 机器学习理论研究 | 第30-36页 |
| 2.2.1 机器学习的概念 | 第30-31页 |
| 2.2.2 机器学习的分类 | 第31-32页 |
| 2.2.3 常用的分类方法 | 第32-33页 |
| 2.2.4 分类器性能的评估 | 第33-36页 |
| 第三章 基于混合学习策略的企业信用评级研究 | 第36-54页 |
| 3.1 企业信用评级问题分析 | 第36页 |
| 3.2 基于混合学习策略的企业信用评级方法 | 第36-43页 |
| 3.2.1 半监督分类方法 | 第37-38页 |
| 3.2.2 非均衡分类方法 | 第38-39页 |
| 3.2.3 基于混合学习策略的企业信用评级方法 | 第39-43页 |
| 3.3 实验设计 | 第43-46页 |
| 3.3.1 企业信用评级数据集 | 第43-44页 |
| 3.3.2 评价指标 | 第44页 |
| 3.3.3 实验流程 | 第44-46页 |
| 3.4 实验结果与分析 | 第46-54页 |
| 3.4.1 实验结果 | 第46-49页 |
| 3.4.2 实验分析 | 第49-54页 |
| 第四章 基于混合学习策略的上市公司财务困境预测研究 | 第54-72页 |
| 4.1 上市公司财务困境预测问题分析 | 第54-55页 |
| 4.2 基于混合学习策略的上市公司财务困境预测方法 | 第55-57页 |
| 4.3 实验设计 | 第57-65页 |
| 4.3.1 上市公司财务困境预测数据集 | 第57页 |
| 4.3.2 上市公司财务困境预测指标 | 第57-64页 |
| 4.3.3 评价指标 | 第64页 |
| 4.3.4 实验流程 | 第64-65页 |
| 4.4 实验结果与分析 | 第65-72页 |
| 4.4.1 实验结果 | 第65-67页 |
| 4.4.2 实验分析 | 第67-72页 |
| 第五章 总结与展望 | 第72-74页 |
| 5.1 主要贡献与创新点 | 第72-73页 |
| 5.2 研究展望 | 第73-74页 |
| 参考文献 | 第74-79页 |
| 攻读硕士学位期间的学术活动及成果情况 | 第79页 |
