基于BP神经网络集成的财务危机预警研究--以中国房地产上市公司为例
| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 目录 | 第7-10页 |
| 一、绪论 | 第10-23页 |
| (一) 研究背景与意义 | 第10-13页 |
| 1. 研究背景 | 第10-12页 |
| 2. 研究意义 | 第12-13页 |
| (二) 国内外研究综述 | 第13-20页 |
| 1. 国外财务危机预警研究现状 | 第13-18页 |
| 2. 国内财务危机预警研究状况 | 第18-20页 |
| (三) 本文的研究目标及主要工作 | 第20-22页 |
| (四) 论文结构安排 | 第22-23页 |
| 二、企业财务危机预警理论基础 | 第23-30页 |
| (一) 财务危机的定义 | 第23-25页 |
| 1. 国内外学者对财务危机的定义 | 第23-25页 |
| 2. 本文对财务危机企业的界定 | 第25页 |
| (二) 财务危机的成因 | 第25-28页 |
| 1. 内部原因 | 第26-27页 |
| 2. 外部原因 | 第27-28页 |
| (三) 财务危机预警理论 | 第28-29页 |
| 1. 企业发展的周期波动性 | 第28页 |
| 2. 财务危机发展过程的持续性 | 第28-29页 |
| 3. 企业财务危机预警指标体系的有效性 | 第29页 |
| (四) 本章小结 | 第29-30页 |
| 三、神经网络与集成理论基础 | 第30-43页 |
| (一) 神经网络概况 | 第30-31页 |
| (二) 多分类器集成的概念 | 第31页 |
| (三) 多分类器集成的方法 | 第31-33页 |
| 1. 抽象层次上的多分类器集成 | 第32页 |
| 2. 排序层次上的多分类器集成 | 第32-33页 |
| 3. 度量层次上的多分类器集成 | 第33页 |
| (四) 多分类器集成的类型 | 第33-37页 |
| 1. 级联分类器 | 第34-35页 |
| 2. 并联分类器 | 第35页 |
| 3. 混联分类器 | 第35-37页 |
| (五) 神经网络集成 | 第37-42页 |
| 1. 神经网络集成的定义 | 第37页 |
| 2. 神经网络集成的理论分析 | 第37-40页 |
| 3. 神经网络集成分类预测的步骤 | 第40-42页 |
| (六) 本章小结 | 第42-43页 |
| 四、基于BP神经网络集成的财务危机预警模型构建 | 第43-51页 |
| (一) Boosting方法及理论分析 | 第43-44页 |
| (二) BPNN_AdaBoost模型 | 第44-47页 |
| 1. 基分类器产生 | 第44-45页 |
| 2. BPNN_AdaBoost集成框架 | 第45-47页 |
| (三) Bagging方法及理论分析 | 第47页 |
| (四) BPNN_Bagging模型 | 第47-49页 |
| 1. 基分类器生成 | 第47-48页 |
| 2. BPNN_Bagging集成框架 | 第48-49页 |
| (五) 本章小结 | 第49-51页 |
| 五、基于中国房地产上市公司的实证研究 | 第51-62页 |
| (一) 实证研究思路设计 | 第51页 |
| (二) 实证数据及指标体系 | 第51-53页 |
| 1. 实证研究数据构造 | 第51-52页 |
| 2. 指标体系内容 | 第52-53页 |
| (三) 网络系统参数设置 | 第53-54页 |
| (四) 实证结果及分析 | 第54-59页 |
| (五) 本模型与传统Z_Score模型的比较 | 第59-61页 |
| (六) 本章小结 | 第61-62页 |
| 六、结论与展望 | 第62-64页 |
| (一) 本文的结论 | 第62-63页 |
| (二) 对今后工作研究的建议 | 第63-64页 |
| 参考文献 | 第64-69页 |
| 攻读学位期间取得的研究成果 | 第69-70页 |
| 致谢 | 第70-71页 |
