| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 引言 | 第9-16页 |
| 1.1 研究背景及意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 研究内容 | 第13-14页 |
| 1.4 本文研究方法和创新点 | 第14-16页 |
| 2 商业银行信贷风险监测研究概述 | 第16-23页 |
| 2.1 商业银行信贷风险定义及分类 | 第16-18页 |
| 2.1.1 商业银行信贷风险定义 | 第16页 |
| 2.1.2 商业银行信贷风险分类 | 第16-18页 |
| 2.2 商业银行信贷风险分析方法概述 | 第18-21页 |
| 2.2.1 统计分析方法 | 第18-19页 |
| 2.2.2 分类树法 | 第19-20页 |
| 2.2.3 麦肯锡模型 | 第20页 |
| 2.2.4 人工神经网络方法 | 第20-21页 |
| 2.3 商业银行风险监测的涵义 | 第21-22页 |
| 2.4 本章小结 | 第22-23页 |
| 3 深度神经网络 | 第23-30页 |
| 3.1 深度神经网络简介 | 第23-24页 |
| 3.2 深度置信网的基本原理 | 第24-26页 |
| 3.3 深度自动编码器的基本原理 | 第26-29页 |
| 3.4 深度神经网络方法用于信贷风险评估监测的可行性分析 | 第29页 |
| 3.5 本章小结 | 第29-30页 |
| 4 基于深度神经网络的银行信贷风险监测模型的构建 | 第30-45页 |
| 4.1 监测指标体系的构建 | 第30-39页 |
| 4.1.1 信贷风险监测指标体系构建原则 | 第30-32页 |
| 4.1.2 农发行现行信贷风险监测指标 | 第32-33页 |
| 4.1.3 信贷风险监测指标体系的建立 | 第33-38页 |
| 4.1.4 信贷风险监测指标的筛选 | 第38-39页 |
| 4.2 风险监测模型的设计 | 第39-43页 |
| 4.2.1 初始权值选取 | 第40页 |
| 4.2.2 误差函数的选取 | 第40-41页 |
| 4.2.3 训练终止条件 | 第41页 |
| 4.2.4 每层节点数的确定 | 第41页 |
| 4.2.5 网络激活函数 | 第41-42页 |
| 4.2.6 预训练 | 第42-43页 |
| 4.2.7 训练提升方法 | 第43页 |
| 4.3 本章小结 | 第43-45页 |
| 5 基于深度神经网络的银行信贷风险监测模型的验证 | 第45-58页 |
| 5.1 样本的设计 | 第45-52页 |
| 5.1.1 样本选取 | 第45-47页 |
| 5.1.2 样本数据的预处理 | 第47页 |
| 5.1.3 指标筛选 | 第47-52页 |
| 5.2 网络层节点数选择 | 第52-53页 |
| 5.3 激活函数选择 | 第53页 |
| 5.4 预训练方法选择 | 第53-54页 |
| 5.5 实验结果及分析 | 第54-57页 |
| 5.6 本章小结 | 第57-58页 |
| 6 总结与展望 | 第58-60页 |
| 6.1 研究总结 | 第58-59页 |
| 6.2 展望 | 第59-60页 |
| 参考文献 | 第60-62页 |
| 附录 | 第62-68页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第68-69页 |
| 致谢 | 第69页 |