| 第一章 绪论 | 第1-11页 |
| 1-1 研究背景及意义 | 第7-8页 |
| 1-2 商业银行信贷风险管理概述 | 第8-9页 |
| 1-2-1 信用风险的概念 | 第8页 |
| 1-2-2 信用风险管理的工程化 | 第8-9页 |
| 1-2-3 信用与风险度量 | 第9页 |
| 1-3 本文研究思路与框架 | 第9-11页 |
| 1-3-1 理论基础和研究方法 | 第9页 |
| 1-3-2 研究内容及框架 | 第9-11页 |
| 第二章 现代信用风险度量模型研究 | 第11-27页 |
| 2-1 数据挖掘与信用风险度量 | 第11-15页 |
| 2-1-1 数据挖掘的定义及方法 | 第11-12页 |
| 2-1-2 度量模型的选用原则 | 第12页 |
| 2-1-3 商业银行信用风险度量的方法 | 第12-13页 |
| 2-1-4 基于数据挖掘技术的银行信用体系 | 第13-15页 |
| 2-2 单个交易对手或发行人层次的度量模型 | 第15-24页 |
| 2-2-1 5C法 | 第15页 |
| 2-2-2 财务比率综合分析法 | 第15页 |
| 2-2-3 基于统计方法的判别模型 | 第15-19页 |
| 2-2-4 基于金融理论与金融市场资料的新方法 | 第19-22页 |
| 2-2-5 基于现代信息技术的新方法 | 第22-24页 |
| 2-3 资产组合层次的度量模型 | 第24-26页 |
| 2-4 小结 | 第26-27页 |
| 第三章 信用度量的模糊神经网络模型 | 第27-37页 |
| 3-1 神经网络和模糊系统 | 第27-31页 |
| 3-1-1 人工神经网络应用于银行信贷风险度量的可行性 | 第27页 |
| 3-1-2 BP网络的训练过程 | 第27-28页 |
| 3-1-3 模糊信息的优化处理及其特征 | 第28页 |
| 3-1-4 模糊系统与神经网络结合的智能系统 | 第28-31页 |
| 3-2 模糊神经网络的构造 | 第31-34页 |
| 3-2-1 模糊神经网络的构造 | 第31-32页 |
| 3-2-2 铃形隶属度函数的构造及特性分析 | 第32页 |
| 3-2-3 模糊神经网络的计算 | 第32-34页 |
| 3-3 模糊神经网络的训练 | 第34-37页 |
| 第四章 实证分析 | 第37-51页 |
| 4-1 实验应用平台 | 第37页 |
| 4-2 网络配置 | 第37-40页 |
| 4-2-1 输入节点的选择原则 | 第37-38页 |
| 4-2-2 输出节点的设定 | 第38页 |
| 4-2-3 样本数据 | 第38-40页 |
| 4-3 实验过程 | 第40-49页 |
| 4-3-1 训练和学习 | 第40-41页 |
| 4-3-2 网络的修正 | 第41-44页 |
| 4-3-3 隐节点激活值的聚类 | 第44-45页 |
| 4-3-4 规则提取 | 第45-49页 |
| 4-4 实验结果与分析 | 第49-51页 |
| 第五章 结论与展望 | 第51-53页 |
| 5-1 结论 | 第51-52页 |
| 5-2 展望 | 第52-53页 |
| 参考文献 | 第53-55页 |
| 附录 | 第55-57页 |
| 致谢 | 第57页 |