| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 1 绪论 | 第10-15页 |
| 1.1 选题背景与研究意义 | 第10-12页 |
| 1.1.1 研究背景 | 第10-11页 |
| 1.1.2 研究意义 | 第11-12页 |
| 1.2 研究思路、研究方法与技术路线 | 第12-14页 |
| 1.2.1 研究思路 | 第12页 |
| 1.2.2 研究方法 | 第12-13页 |
| 1.2.3 技术路线 | 第13-14页 |
| 1.3 主要研究内容与论文结构框架 | 第14-15页 |
| 2 相关理论方法及研究综述 | 第15-24页 |
| 2.1 供应链金融个人信用 | 第15-17页 |
| 2.1.1 供应链金融个人信用的概念 | 第15页 |
| 2.1.2 供应链金融信用风险评估方法 | 第15-17页 |
| 2.2 文献综述 | 第17-21页 |
| 2.2.1 国外文献综述 | 第17-19页 |
| 2.2.2 国内文献综述 | 第19-21页 |
| 2.3 信用风险评估方法应用现状概述 | 第21-22页 |
| 2.4 现有信用风险评估方法存在的问题 | 第22-23页 |
| 2.5 本章小结 | 第23-24页 |
| 3 基于RF-ANFIS的供应链金融个人信用风险评估模型 | 第24-51页 |
| 3.1 模型理论基础 | 第24-35页 |
| 3.1.1 随机森林 | 第24-25页 |
| 3.1.2 模糊逻辑控制 | 第25-30页 |
| 3.1.3 神经网络 | 第30-35页 |
| 3.2 RF-ANFIS组合模型的构建 | 第35-49页 |
| 3.2.1 指标变量的重要性度量 | 第35-37页 |
| 3.2.2 神经网络与模糊系统的结合的可行性 | 第37-38页 |
| 3.2.3 ANFIS系统 | 第38-44页 |
| 3.2.4 ANFIS学习算法 | 第44页 |
| 3.2.5 ANFIS系统的生成 | 第44-49页 |
| 3.2.6 供应链金融个人信用风险评估 | 第49页 |
| 3.3 实现ANFIS的仿真软件介绍 | 第49-50页 |
| 3.4 本章小结 | 第50-51页 |
| 4 模型的实证分析 | 第51-74页 |
| 4.1 实证分析的步骤 | 第51页 |
| 4.2 样本数据的选取及分析处理 | 第51-63页 |
| 4.2.1 样本数据选取 | 第51页 |
| 4.2.2 样本指标介绍 | 第51-53页 |
| 4.2.3 样本数据分析 | 第53-62页 |
| 4.2.4 数据预处理 | 第62-63页 |
| 4.2.5 数据分组 | 第63页 |
| 4.3 样本数据重要特征量选择 | 第63-64页 |
| 4.4 RF-ANFIS模型实证分析 | 第64-69页 |
| 4.4.1 加载数据 | 第64-65页 |
| 4.4.2 生成初始ANFIS系统 | 第65-66页 |
| 4.4.3 对初始的ANFIS系统进行训练 | 第66-67页 |
| 4.4.4 测试ANFIS系统 | 第67页 |
| 4.4.5 经过训练与测试后的ANFIS系统 | 第67-68页 |
| 4.4.6 RF-ANFIS模型预测误差分析 | 第68-69页 |
| 4.5 RF-ANFIS模型与BP神经网络模型实证比较 | 第69-73页 |
| 4.5.1 BP神经网络模型的实证分析 | 第69-72页 |
| 4.5.2 RF-ANFIS模型与神经网络模型的预测效果对比 | 第72-73页 |
| 4.6 本章小结 | 第73-74页 |
| 5 结论与展望 | 第74-76页 |
| 5.1 结论 | 第74页 |
| 5.2 展望 | 第74-76页 |
| 参考文献 | 第76-84页 |
| 附录1 德国银行个人客户数据集前20个客户信息原始数据 | 第84-88页 |
| 附录2 德国银行个人客户数据集的指标名称、代码、类别及取值 | 第88-89页 |
| 附录3 德国银行个人客户数据集前20个客户信息预处理后的数据 | 第89-91页 |
| 附录4 具有矩阵和单元阵列参数支持的模型函数代码 | 第91-94页 |
| 致谢 | 第94页 |
