| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究背景 | 第9页 |
| 1.2 研究意义 | 第9-10页 |
| 1.3 研究内容与研究方法 | 第10-13页 |
| 1.3.1 研究内容 | 第10-11页 |
| 1.3.2 研究方法 | 第11-13页 |
| 1.4 主要创新点 | 第13-14页 |
| 第二章 文献综述 | 第14-20页 |
| 2.1 财务困境的判别标准 | 第14-15页 |
| 2.2 财务预警指标体系的发展历程 | 第15-16页 |
| 2.3 财务预警模型的发展历程 | 第16-18页 |
| 2.4 企业财务预警模型比较研究 | 第18页 |
| 2.5 小结 | 第18-20页 |
| 第三章 财务预警相关概念和基本理论 | 第20-25页 |
| 3.1 相关概念 | 第20-21页 |
| 3.1.1 财务困境 | 第20-21页 |
| 3.1.2 财务预警 | 第21页 |
| 3.2 基本理论 | 第21-24页 |
| 3.2.1 危机管理理论与财务预警 | 第21-22页 |
| 3.2.2 不完全契约理论与财务预警 | 第22-23页 |
| 3.2.3 博弈论与财务预警 | 第23-24页 |
| 3.3 小结 | 第24-25页 |
| 第四章 财务预警指标体系的构建 | 第25-32页 |
| 4.1 财务预警指标体系构建的原则 | 第25页 |
| 4.2 财务预警指标体系的财务指标选取 | 第25-28页 |
| 4.3 财务预警指标体系的非财务指标选取 | 第28-31页 |
| 4.4 小结 | 第31-32页 |
| 第五章 基于数据挖掘算法财务预警模型的指标筛选 | 第32-55页 |
| 5.1 研究样本 | 第32-33页 |
| 5.1.1 ST样本组 | 第32页 |
| 5.1.2 非ST样本组 | 第32页 |
| 5.1.3 数据的选择 | 第32-33页 |
| 5.2 显著性检验 | 第33-43页 |
| 5.2.1 (T-3)年变量显著性检验 | 第33-36页 |
| 5.2.2 (T-2)年变量显著性检验 | 第36-39页 |
| 5.2.3 (T-1)年变量显著性检验 | 第39-43页 |
| 5.3 最优离散化 | 第43页 |
| 5.3.1 (T-3)年变量最优离散化 | 第43页 |
| 5.3.2 (T-2)年变量最优离散化 | 第43页 |
| 5.3.3 (T-1)年变量最优离散化 | 第43页 |
| 5.4 神经网络财务预警模型构建 | 第43-53页 |
| 5.4.1 (T-3)年神经网络财务预警模型构建 | 第44-46页 |
| 5.4.2 (T-2)年神经网络财务预警模型构建 | 第46-49页 |
| 5.4.3 (T-1)年神经网络财务预警模型构建 | 第49-52页 |
| 5.4.4 神经网络财务预警模型变量的筛选 | 第52-53页 |
| 5.5 小结 | 第53-55页 |
| 第六章 神经网络财务预警模型指标筛选的有效性检验 | 第55-62页 |
| 6.1 决策树财务预警模型的构建 | 第55-58页 |
| 6.1.1 (T-3)年决策树财务预警模型构建 | 第55-56页 |
| 6.1.2 (T-2)年决策树财务预警模型构建 | 第56-57页 |
| 6.1.3 (T-1)年决策树财务预警模型构建 | 第57-58页 |
| 6.2 Logistic回归财务预警模型的构建 | 第58-61页 |
| 6.2.1 (T-3)年Logistic回归财务预警模型构建 | 第59页 |
| 6.2.2 (T-2)年Logistic回归财务预警模型构建 | 第59-60页 |
| 6.2.3 (T-1)年Logistic回归财务预警模型构建 | 第60-61页 |
| 6.3 神经网络财务预警模型指标筛选的有效性检验 | 第61页 |
| 6.4 小结 | 第61-62页 |
| 第七章 结论与展望 | 第62-65页 |
| 7.1 研究结论 | 第62-63页 |
| 7.2 对策及建议 | 第63-64页 |
| 7.3 不足与展望 | 第64-65页 |
| 参考文献 | 第65-69页 |
| 在学期间的研究成果 | 第69-70页 |
| 致谢 | 第70页 |
