| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| CONTENTS | 第8-10页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 本文研究背景和研究意义 | 第10-13页 |
| 1.1.1 研究背景 | 第10-11页 |
| 1.1.2 研究意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.2.1 国外财务危机预警研究概述 | 第13-14页 |
| 1.2.2 国内关于财务危机预警的研究 | 第14-15页 |
| 1.3 本文研究方法及框架 | 第15-18页 |
| 第二章 财务危机预警基本理论及机器学习技术 | 第18-34页 |
| 2.1 财务危机理论 | 第18-20页 |
| 2.1.1 财务危机的界定 | 第18页 |
| 2.1.2 财务危机的产生原因 | 第18-19页 |
| 2.1.3 财务危机预警系统的基本概念 | 第19-20页 |
| 2.2 系统模型理论基础 | 第20-31页 |
| 2.2.1 SVM-KNN模型理论 | 第20-25页 |
| 2.2.2 提升方法adaboost理论 | 第25-27页 |
| 2.2.3 不平衡分类理论 | 第27-28页 |
| 2.2.4 智能计算 | 第28-30页 |
| 2.2.5 半监督学习 | 第30-31页 |
| 2.3 财务危机预警的基本步骤 | 第31-33页 |
| 本章小结 | 第33-34页 |
| 第三章 财务危机预警系统的构建 | 第34-56页 |
| 3.1 本项目主要技术路线 | 第34-36页 |
| 3.2 根据财务预警理论降维 | 第36-38页 |
| 3.3 特征选择方法 | 第38-44页 |
| 3.3.1 信息增益特征选择法 | 第38-41页 |
| 3.3.2 显著性检验 | 第41-43页 |
| 3.3.3 相关性检验 | 第43-44页 |
| 3.4 线性降维之主成分分析 | 第44-46页 |
| 3.5 基于生成样本的财务预警KNN-SVM模型 | 第46-48页 |
| 3.5.1 基于半监督学习的稀有类样本采样 | 第46-48页 |
| 3.6 基于非平衡数据分类的KNN-SVM集成学习模型 | 第48-52页 |
| 3.6.1 基于非平衡数据分类的财务预警集成学习模型 | 第50-52页 |
| 3.7 引入模糊集对样本分类结果给出置信度 | 第52-55页 |
| 本章小结 | 第55-56页 |
| 第四章 实验及其结果分析 | 第56-68页 |
| 4.1 SVM及其分类特征有效性验证实验 | 第56-57页 |
| 4.2 基于KNN-SVM模型的财务预警实验 | 第57-60页 |
| 4.3 基于生成样本的财务预警KNN-SVM模型实验 | 第60-62页 |
| 4.4 基于非平衡数据分类的KNN-SVM集成学习模型实验 | 第62-64页 |
| 4.5 样本分类结果置信度计算实验 | 第64-65页 |
| 4.6 实验总结 | 第65-68页 |
| 第五章 总结与展望 | 第68-72页 |
| 5.1 总结 | 第68-70页 |
| 5.2 展望 | 第70-72页 |
| 参考文献 | 第72-76页 |
| 附录 | 第76-81页 |
| 致谢 | 第81页 |
