| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-21页 |
| 1.1 研究背景 | 第11页 |
| 1.2 研究意义 | 第11-12页 |
| 1.3 国内外研究现状综述 | 第12-18页 |
| 1.3.1 国外财务危机预警研究现状 | 第12-15页 |
| 1.3.2 国内财务危机预警研究现状 | 第15-18页 |
| 1.4 本文研究框架 | 第18-21页 |
| 1.4.1 本文研究思路 | 第18-19页 |
| 1.4.2 本文主要内容 | 第19-21页 |
| 第2章 基础知识 | 第21-31页 |
| 2.1 支持向量机简介 | 第21页 |
| 2.2 间隔与支持向量 | 第21-23页 |
| 2.3 对偶问题 | 第23-25页 |
| 2.4 核函数 | 第25-27页 |
| 2.5 软间隔与正则化 | 第27-31页 |
| 第3章 财务危机预警模型的构建 | 第31-45页 |
| 3.1 企业财务危机预警模型的构建 | 第31-33页 |
| 3.1.1 问题描述 | 第31页 |
| 3.1.2 模型建立 | 第31-33页 |
| 3.2 财务预警模型样本的设计 | 第33-34页 |
| 3.3 财务预警模型样本指标的选取 | 第34-35页 |
| 3.4 数据的描述性分析 | 第35-38页 |
| 3.4.1 盈利能力指标分析 | 第35-36页 |
| 3.4.2 偿债能力指标分析 | 第36-37页 |
| 3.4.3 营运能力指标分析 | 第37页 |
| 3.4.4 成长能力指标分析 | 第37-38页 |
| 3.5 样本数据的预处理 | 第38-45页 |
| 3.5.1 指标数据的标准化处理 | 第38页 |
| 3.5.2 指标数据的相关性分析 | 第38-40页 |
| 3.5.3 指标数据的主成分分析 | 第40-45页 |
| 第4章 基于统计学习的财务预警模型的实证分析 | 第45-61页 |
| 4.1 实证研究思路 | 第45页 |
| 4.2 基于SVM的预警模型实证分析 | 第45-52页 |
| 4.2.1 支持向量机SVM的模型数学结构及模型参数调优 | 第45-47页 |
| 4.2.2 基于SVM的财务预警模型预测 | 第47-50页 |
| 4.2.3 基于SVM的财务预警模型预测结果分析 | 第50-52页 |
| 4.3 基于Logistic的预警模型实证分析 | 第52-56页 |
| 4.3.1 Logistic模型简介 | 第52-53页 |
| 4.3.2 Logistic模型参数估计 | 第53-54页 |
| 4.3.3 基于Logistic回归的财务预警模型训练及参数调优 | 第54-55页 |
| 4.3.4 基于Logistic回归的财务预警模型预测结果 | 第55-56页 |
| 4.3.5 基于Logistic回归的财务预警模型预测结果分析 | 第56页 |
| 4.4 基于BP神经网络学习的财务预警模型实证分析 | 第56-58页 |
| 4.4.1 BP神经网络模型简介 | 第56页 |
| 4.4.2 基于BP神经网络的财务预警模型预测结果 | 第56-58页 |
| 4.4.3 基于BP神经网络的财务预警模型预测结果分析 | 第58页 |
| 4.5 三种财务危机预警模型预测精确度对比分析 | 第58-59页 |
| 4.6 本章小结 | 第59-61页 |
| 第5章 结论与展望 | 第61-63页 |
| 5.1 结论 | 第61页 |
| 5.2 研究局限性和未来研究展望 | 第61-63页 |
| 参考文献 | 第63-67页 |
| 致谢 | 第67页 |
