| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 研究背景与问题的提出 | 第10-11页 |
| 1.2 研究目的及意义 | 第11-12页 |
| 1.3 信用风险评估概述 | 第12-13页 |
| 1.4 研究方法与技术路线 | 第13-15页 |
| 1.5 本研究的结构安排 | 第15-16页 |
| 1.6 创新点 | 第16页 |
| 1.7 本章小结 | 第16-17页 |
| 第二章 文献综述 | 第17-33页 |
| 2.1 流形学习 | 第17-24页 |
| 2.1.1 流形学习概述 | 第17-19页 |
| 2.1.2 线性维数约简方法之PCA | 第19-20页 |
| 2.1.3 流形学习主要算法之ISOMAP | 第20-22页 |
| 2.1.4 流形学习主要算法之LLE | 第22-24页 |
| 2.2 基于支持向量机的信用评价预测 | 第24-29页 |
| 2.2.1 数据挖掘与信用风险评估 | 第24-25页 |
| 2.2.2 数据预处理 | 第25页 |
| 2.2.3 支持向量机 | 第25-29页 |
| 2.3 聚类分析与信用评价 | 第29-31页 |
| 2.3.1 聚类分析概述 | 第29-30页 |
| 2.3.2 聚类分析的方法 | 第30-31页 |
| 2.4 讨论 | 第31-32页 |
| 2.5 本章小结 | 第32-33页 |
| 第三章 上市公司的信用评价模型研究 | 第33-60页 |
| 3.1 以往研究总结和评价 | 第33-34页 |
| 3.2 基于流形学习的上市公司信用评价模型设计 | 第34-38页 |
| 3.2.1 模型的选择与设计 | 第34-36页 |
| 3.2.2 提出假设 | 第36-38页 |
| 3.3 数据与财务指标和方法的选取 | 第38-42页 |
| 3.4 数据分析 | 第42-59页 |
| 3.4.1 数据预处理 | 第42-43页 |
| 3.4.2 使用ISOMAP降维 | 第43-48页 |
| 3.4.3 使用LIBSVM实现支持向量机分类和预测 | 第48-53页 |
| 3.4.4 将PCA和LLE与SVM结合对比预测精度 | 第53-57页 |
| 3.4.5 对数据进行聚类分析 | 第57-59页 |
| 3.5 本章小结 | 第59-60页 |
| 第四章 上市公司财务数据的分析与结果 | 第60-70页 |
| 4.1 本研究综合评价方法组合的有效性对比 | 第60页 |
| 4.2 聚类结果 | 第60-64页 |
| 4.3 针对划分结果进行信用评价 | 第64-69页 |
| 4.4 本章小结 | 第69-70页 |
| 第五章 结论与展望 | 第70-74页 |
| 5.1 结论与讨论 | 第70-72页 |
| 5.2 研究不足 | 第72页 |
| 5.3 未来展望 | 第72-74页 |
| 致谢 | 第74-75页 |
| 参考文献 | 第75-80页 |
| 硕士研究生期间的研究成果 | 第80-81页 |
| 附录 | 第81-84页 |