| 第一章 绪论 | 第1-13页 |
| 1．1 研究背景及意义 | 第8-9页 |
| 1．2 国内外研究现状及发展趋势 | 第9-10页 |
| 1．3 国内银行的企业信用评级方法存在的缺点 | 第10页 |
| 1．4 国内外评级公司评级方法的简单比较 | 第10-11页 |
| 1．5 论文结构 | 第11-13页 |
| 第二章 企业信用风险 | 第13-38页 |
| 2．1 信用风险的涵义 | 第13-14页 |
| 2．2 评级公司企业信用等级评估体系与方法对比 | 第14-21页 |
| 2．2．1 穆迪的信用评级方法 | 第14-15页 |
| 2．2．2 标准普尔的信用评级方法 | 第15-16页 |
| 2．2．3 大公的信用评级方法 | 第16-19页 |
| 2．2．4 中诚信的信用评级方法 | 第19-20页 |
| 2．2．5 企业风险形成的主要原因 | 第20-21页 |
| 2．3 信用等级评估模型 | 第21-38页 |
| 2．3．1 信用评级的专家制度法 | 第22-24页 |
| 2．3．2 信用等级评估的统计模型 | 第24-30页 |
| 2．3．3 信用等级评估的人工智能方法 | 第30-32页 |
| 2．3．4 信用风险分析的组合预测模型 | 第32-33页 |
| 2．3．5 基于线性规划的多标准等级判别模型(简M．H．DIS) | 第33-34页 |
| 2．3．6 投影寻踪判别分析模型(Projection Pursuit) | 第34页 |
| 2．3．7 基于遗传规划(GP)的信用风险评估模型 | 第34-35页 |
| 2．3．8 现代信用风险模型 | 第35-38页 |
| 第三章 数据挖掘技术 | 第38-48页 |
| 3．1 数据挖掘技术的介绍 | 第38-39页 |
| 3．2 数据挖掘与相关技术 | 第39-42页 |
| 3．2．1 数据挖掘和数据仓库 | 第39-40页 |
| 3．2．2 数据挖掘和在线分析处理(OLAP) | 第40-41页 |
| 3．2．3 数据挖掘，机器学习和统计 | 第41-42页 |
| 3．4 预言型数据挖掘 | 第42-45页 |
| 3．4．1 概述 | 第42-43页 |
| 3．4．2 分类 | 第43-44页 |
| 3．4．3 回归 | 第44页 |
| 3．4．4 时间序列 | 第44-45页 |
| 3．5 数据挖掘的流程 | 第45-47页 |
| 3．6 数据挖掘应用 | 第47-48页 |
| 第四章 神经网络 | 第48-65页 |
| 4．1 神经网络概述 | 第48-51页 |
| 4．2 人工神经网络模型 | 第51-54页 |
| 4．3 人工神经网络的特点 | 第54-55页 |
| 4．4 自组织神经网络 | 第55-65页 |
| 4．4．1 自组织神经网络概述 | 第55页 |
| 4．4．2 自组织神经网络工作原理 | 第55-58页 |
| 4．4．3 自组织特征映射(SOM)神经网络 | 第58-65页 |
| 第五章 基于SOM网的企业信用风险评估模型 | 第65-83页 |
| 5．1 企业信用风险评估的背景 | 第65-66页 |
| 5．2 企业信用评估指标体系 | 第66-71页 |
| 5．2．1 穆迪公司企业信用评估指标体系 | 第66-67页 |
| 5．2．2 标准谱尔公司企业风险评估指标体系 | 第67-68页 |
| 5．2．3 本文采用的指标体系 | 第68-71页 |
| 5．3 建立基于SOM的企业信用风险评估模型 | 第71-81页 |
| 5．3．1 模型建立 | 第71-73页 |
| 5．3．2 输入指标的标准化处理 | 第73-76页 |
| 5．3．3 算法步骤 | 第76页 |
| 5．3．4 指标的处理 | 第76-80页 |
| 5．3．5 模型仿真 | 第80-81页 |
| 5．3．6 仿真结果 | 第81页 |
| 5．4 模型评价 | 第81-83页 |
| 第六章 结论 | 第83-85页 |
| 参考文献 | 第85-88页 |
| 致谢 | 第88-89页 |
| 攻读学位期间发表的论文 | 第89页 |
