| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 1 绪论 | 第11-16页 |
| 1.1 选题背景及研究意义 | 第11-13页 |
| 1.2 研究的基本内容、方法及创新点 | 第13-16页 |
| 1.2.1 本文研究的内容和框架 | 第13-15页 |
| 1.2.2 本文的研究方法 | 第15页 |
| 1.2.3 本文的创新点 | 第15-16页 |
| 2 相关理论概述及文献综述 | 第16-24页 |
| 2.1 财务困境预警的概述 | 第16-17页 |
| 2.1.1 财务困境预警的定义 | 第16页 |
| 2.1.2 财务困境预警的使用者 | 第16页 |
| 2.1.3 财务困境预警方法的演变 | 第16-17页 |
| 2.2 数据挖掘概述 | 第17-19页 |
| 2.2.1 数据挖掘的定义 | 第17页 |
| 2.2.2 数据挖掘过程 | 第17-18页 |
| 2.2.3 数据挖掘的作用 | 第18-19页 |
| 2.3 国内外文献综述 | 第19-24页 |
| 2.3.1 国内外财务困境概念的研究 | 第19-20页 |
| 2.3.2 国内外财务困境预警的研究 | 第20-24页 |
| 3 财务困境预警中的数据挖掘与分析方法 | 第24-38页 |
| 3.1 本文研究应用的数据挖掘方法 | 第24-28页 |
| 3.1.1 聚类分析 | 第24-26页 |
| 3.1.2 决策树算法 | 第26-28页 |
| 3.2 本文研究应用的时间序列分析方法 | 第28-35页 |
| 3.2.1 时间序列的基本概念 | 第28页 |
| 3.2.2 时间序列的预测方法 | 第28-34页 |
| 3.2.3 Microsoft时序模型及其结构 | 第34-35页 |
| 3.3 其它常用数据挖掘方法 | 第35-38页 |
| 3.3.1 统计分析方法 | 第35页 |
| 3.3.2 人工神经网络 | 第35-36页 |
| 3.3.3 支持向量机 | 第36-38页 |
| 4 基于C5.0算法和时序预测的财务困境预警流程设计 | 第38-45页 |
| 4.1 本文财务困境预警流程图 | 第38-39页 |
| 4.2 财务数据收集处理模块 | 第39-42页 |
| 4.2.1 财务预警指标选取的原则 | 第39页 |
| 4.2.2 财务预警指标体系 | 第39-40页 |
| 4.2.3 财务数据的来源与爬虫 | 第40-41页 |
| 4.2.4 指标的相关性分析和分层聚类 | 第41-42页 |
| 4.3 财务困境预警模块 | 第42-43页 |
| 4.3.1 F-Score财务状况综合评分模型 | 第42-43页 |
| 4.3.2 C5.0决策树模型 | 第43页 |
| 4.3.3 时间序列预测 | 第43页 |
| 4.4 决策支持模块 | 第43-45页 |
| 5 ST企业财务困境预警的模型研究 | 第45-72页 |
| 5.1 ST制度的介绍 | 第45页 |
| 5.2 样本的选取 | 第45-46页 |
| 5.3 样本数据的预处理 | 第46-50页 |
| 5.4 财务困境预警建模分析 | 第50-60页 |
| 5.4.1 F-Score财务状况综合评分 | 第50-51页 |
| 5.4.2 人工神经网络、C&RT及C5.0决策树对样本ST企业财务困境程度判断效果比较分析 | 第51-55页 |
| 5.4.3 C5.0和C&RT决策树的财务困境程度预测效果比较 | 第55-60页 |
| 5.5 决策树与时序预测方法组合对财务困境情况的预测实证 | 第60-70页 |
| 5.5.1 2016年第四季度关键财务指标的时序预测 | 第60-64页 |
| 5.5.2 关键财务指标实际值与预测值的T检验 | 第64-66页 |
| 5.5.3 两种组合模型的财务困境程度预测效果比较 | 第66-70页 |
| 5.6 财务困境预警模型对使用者的启示 | 第70-72页 |
| 6 研究的总结、不足与展望 | 第72-74页 |
| 6.1 总结 | 第72-73页 |
| 6.2 论文的不足 | 第73页 |
| 6.3 未来展望 | 第73-74页 |
| 参考文献 | 第74-79页 |
| 致谢 | 第79-80页 |
| 攻读学位期间参加的研究工作和获得的学术成果 | 第80页 |
