| 致谢 | 第1-5页 |
| 摘要 | 第5-6页 |
| Abstract | 第6-11页 |
| 1 绪论 | 第11-19页 |
| ·选题背景和意义 | 第11-12页 |
| ·选题背景 | 第11-12页 |
| ·选题意义 | 第12页 |
| ·国内外研究现状 | 第12-16页 |
| ·国外关于金融风险预警系统的研究现状 | 第13-15页 |
| ·国内的相关研究现状 | 第15-16页 |
| ·国内研究的不足 | 第16页 |
| ·论文的研究方法、主要研究内容及创新之处 | 第16-19页 |
| ·研究方法 | 第16-17页 |
| ·主要研究内容 | 第17页 |
| ·创新之处 | 第17-19页 |
| 2 商业银行风险预警及经营风险的理论基础 | 第19-28页 |
| ·商业银行风险预警基本理论 | 第19-21页 |
| ·商业银行风险预警的渊源及其含义 | 第19-20页 |
| ·商业银行风险预警系统的构成 | 第20-21页 |
| ·商业银行经营风险基本理论 | 第21-28页 |
| ·商业银行经营风险的内涵与特征 | 第21-23页 |
| ·商业银行经营风险产生的原因 | 第23-26页 |
| ·商业银行经营风险的分类 | 第26-28页 |
| 3 商业银行经营风险预警指标与监测 | 第28-41页 |
| ·银行经营风险的分类与分析 | 第28-31页 |
| ·信用风险分析 | 第28-29页 |
| ·资本风险分析 | 第29页 |
| ·流动性风险分析 | 第29-30页 |
| ·盈利风险分析 | 第30-31页 |
| ·银行经营风险预警指标体系的建立 | 第31-35页 |
| ·银行经营风险预警指标的选择原则 | 第31-32页 |
| ·银行经营风险预警指标的具体选择 | 第32-35页 |
| ·银行经营风险指标权重的确定 | 第35-38页 |
| ·预警区域的划分 | 第38页 |
| ·银行经营风险指标临界值（预警线）的确定 | 第38-39页 |
| ·银行经营风险的监测 | 第39-41页 |
| ·风险等级的赋值 | 第39-40页 |
| ·银行经营风险的评估 | 第40-41页 |
| 4 商业银行经营风险预警模型的构建 | 第41-56页 |
| ·BP 神经网络模型 | 第41-44页 |
| ·BP 学习算法的基本思想 | 第42页 |
| ·BP 学习算法步骤 | 第42-44页 |
| ·遗传算法（GA） | 第44-49页 |
| ·遗传算法概述 | 第44-45页 |
| ·遗传算法的构成要素 | 第45-47页 |
| ·遗传算法的不足与改进 | 第47-49页 |
| ·基于改进的遗传算法（GA）优化的BP 神经网络模型的构建 | 第49-56页 |
| ·遗传算法在BP 神经网络的应用 | 第49-51页 |
| ·改进的GA 优化BP 网络执行策略[47-50] | 第51-53页 |
| ·商业银行经营风险预警模型的建立（改进的GA-BP 算法） | 第53-55页 |
| ·商业银行经营风险预警模型流程图 | 第55-56页 |
| 5 商业银行经营风险预警模型的实例研究 | 第56-67页 |
| ·数据准备 | 第56-57页 |
| ·银行经营风险的监测结果 | 第57-61页 |
| ·层次分析法求权重 | 第57-59页 |
| ·综合评估 | 第59-61页 |
| ·改进的GA-BP 神经网络的预警 | 第61-67页 |
| ·模型的设置 | 第61页 |
| ·运行改进的GA-BP 神经网络的MATLAB 源代码 | 第61页 |
| ·网络的训练过程 | 第61-65页 |
| ·网络模型的预警结果检验 | 第65-67页 |
| 6 结论 | 第67-69页 |
| 参考文献 | 第69-72页 |
| 附录 运行改进的遗传算法优化的BP神经网络的源代码 | 第72-76页 |
| 作者简历 | 第76-78页 |
| 学位论文数据集 | 第78-79页 |
