| 摘要 | 第1-4页 |
| ABSTRACT | 第4-7页 |
| 一、绪论 | 第7-21页 |
| (一) 研究背景 | 第7-8页 |
| (二) 研究意义 | 第8-9页 |
| 1. 理论意义 | 第8页 |
| 2. 现实意义 | 第8-9页 |
| (三) 文献综述 | 第9-18页 |
| 1. 财务困境预测研究综述 | 第9-15页 |
| 2. 概念漂移研究综述 | 第15-18页 |
| (四) 研究目标及主要工作 | 第18-19页 |
| (五) 本文技术路线 | 第19-20页 |
| (六) 本文创新之处 | 第20-21页 |
| 二、财务困境理论基础 | 第21-28页 |
| (一) 财务困境的界定 | 第21-23页 |
| 1. 国外学者对于财务困境界定的研究 | 第21-22页 |
| 2. 国内学者对于财务困境界定的研究 | 第22-23页 |
| 3. 本文对于财务困境界定的观点 | 第23页 |
| (二) 财务困境的成因 | 第23-26页 |
| 1. 内部原因 | 第24-25页 |
| 2. 外部原因 | 第25-26页 |
| (三) 财务困境概念漂移成因 | 第26-28页 |
| 1. 企业生命周期变化形成的概念漂移 | 第26-27页 |
| 2. 动态数据流引起的概念漂移 | 第27-28页 |
| 三、基于时序赋权的多分类器集成财务困境预测建模 | 第28-48页 |
| (一) 模型理论准备 | 第28-36页 |
| 1. 时序赋权模型 | 第28-29页 |
| 2. 单分类器模型原理 | 第29-33页 |
| 3. Adaboost集成算法基础 | 第33-36页 |
| (二) 基于多分类器混合的数据批集成赋权方法 | 第36-41页 |
| 1. 适应性时序赋权集成方法 | 第36-38页 |
| 2. 基于多分类器混合的数据批集成赋权方法 | 第38-41页 |
| 3. IBW-CC算法分析 | 第41页 |
| (三) 基于Adaboost迭代算法与时序赋权Boost迭代算法的双专家投票算法 | 第41-45页 |
| 1. DEVE-AT算法简介 | 第41页 |
| 2. DEVE-AT模型构建 | 第41-44页 |
| 3. DEVE-AT算法分析 | 第44-45页 |
| (四) 基于时序赋权的AdaBoost-SVM算法 | 第45-48页 |
| 1. ADASVM-TW算法简介 | 第45页 |
| 2. ADASVM-TW模型构建 | 第45-47页 |
| 3. ADASVM-TW算法分析 | 第47-48页 |
| 四、实证研究 | 第48-61页 |
| (一) 研究方案设计 | 第48-49页 |
| (二) 样本搜集与指标筛选 | 第49-54页 |
| 1. 财务样本搜集 | 第49页 |
| 2. 样本概念漂移检测 | 第49-50页 |
| 3. 数据预处理与指标筛选 | 第50-54页 |
| (三) 参数设置 | 第54-56页 |
| 1. 迭代次数的确定 | 第54-55页 |
| 2. 阈值c确定 | 第55页 |
| 3. 参数λ值确定 | 第55-56页 |
| (四) 实验结果分析 | 第56-61页 |
| 1. 总体结果分析 | 第59页 |
| 2. 改进结果分析 | 第59-61页 |
| 五、研究总结与展望 | 第61-63页 |
| (一) 本文结论 | 第61-62页 |
| (二) 研究不足和展望 | 第62-63页 |
| 参考文献 | 第63-68页 |
| 攻读学位期间取得的研究成果 | 第68-69页 |
| 致谢 | 第69-70页 |
| 浙江师范大学学位论文诚信承诺书 | 第70-71页 |