| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 目录 | 第7-9页 |
| 1 绪论 | 第9-15页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 研究目的和意义 | 第10-11页 |
| 1.3 研究现状 | 第11-13页 |
| 1.3.1 国外研究发展综述 | 第11-12页 |
| 1.3.2 国内研究发展综述 | 第12-13页 |
| 1.4 本文研究内容和方法 | 第13-15页 |
| 2 信用概述 | 第15-20页 |
| 2.1 信用与信用评估 | 第15-16页 |
| 2.1.1 信用及信用风险概述 | 第15-16页 |
| 2.2 信用评估的发展 | 第16-18页 |
| 2.2.1 国外信用评估的发展 | 第16-17页 |
| 2.2.2 我国信用评估的发展 | 第17-18页 |
| 2.3 信用风险评估的实际意义 | 第18-20页 |
| 3 企业信用评价体系 | 第20-25页 |
| 3.1 信用风险评估要素分析 | 第20-23页 |
| 3.2 信用风险评价的要素研究 | 第23-25页 |
| 3.2.1 美国的企业信用评级体系 | 第23-24页 |
| 3.2.2 国内的企业信用评级体系 | 第24-25页 |
| 4 信用风险模型研究 | 第25-36页 |
| 4.1 传统信用风险评估模型 | 第25-26页 |
| 4.2 基于传统统计的信用评估模型 | 第26-28页 |
| 4.2.1 Airman的Z.Score模型和ZETA模型 | 第26-28页 |
| 4.2.2 Logistic回归模型 | 第28页 |
| 4.3 现代信用评价模型 | 第28-31页 |
| 4.3.1 EDF模型 | 第28-29页 |
| 4.3.2 Credit Metrics模型 | 第29-30页 |
| 4.3.3 Credit Risk+模型 | 第30页 |
| 4.3.4 Credit Portfolio View模型 | 第30-31页 |
| 4.4 主要人工智能模型 | 第31-35页 |
| 4.4.1 人工神经网络 | 第31-32页 |
| 4.4.2 决策树 | 第32-33页 |
| 4.4.3 k-近邻判别分析法 | 第33页 |
| 4.4.4 支持向量机 | 第33-35页 |
| 4.5 模型对比 | 第35-36页 |
| 5 企业信用评估的实证研究 | 第36-48页 |
| 5.1 选择指标的类别与原则 | 第36页 |
| 5.2 选取的财务指标 | 第36-37页 |
| 5.3 数据的来源 | 第37-39页 |
| 5.4 Logistic回归模型分析 | 第39-48页 |
| 5.4.1 数据的初始处理和主成分分析 | 第39-41页 |
| 5.4.2 有因子分析的Logistic回归分析 | 第41-44页 |
| 5.4.3 无因子分析的LOGISTIC回归分析 | 第44-48页 |
| 6 总结、建议与展望 | 第48-50页 |
| 6.1 总结和建议 | 第48页 |
| 6.2 展望 | 第48-50页 |
| 参考文献 | 第50-54页 |
| 致谢 | 第54页 |