中小企业银行贷款决策模型研究及应用
| 附件 | 第5-6页 |
| 摘要 | 第6-8页 |
| ABSTRACT | 第8-9页 |
| 1 绪论 | 第13-19页 |
| 1.1 研究背景和意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-17页 |
| 1.3 研究目标及内容 | 第17页 |
| 1.4 本文章节安排 | 第17-19页 |
| 2 银行贷款决策模型相关技术概述 | 第19-34页 |
| 2.1 RBF 神经网络技术 | 第19-28页 |
| 2.1.1 人工神经网络概述 | 第19-25页 |
| 2.1.2 RBF 神经网络工作原理 | 第25-27页 |
| 2.1.3 RBF 神经网络学习算法 | 第27-28页 |
| 2.2 遗传优化 RBF 神经网络 | 第28-31页 |
| 2.2.1 遗传算法概述 | 第28-29页 |
| 2.2.2 遗传算法对 RBF 神经网络的改进 | 第29-31页 |
| 2.3 MATLAB 技术 | 第31-33页 |
| 2.3.1 MATLAB 概述 | 第31-32页 |
| 2.3.2 MATLAB 开发语言 | 第32-33页 |
| 2.4 本章小结 | 第33-34页 |
| 3 中小企业银行贷款决策模型的建立 | 第34-58页 |
| 3.1 中小企业银行贷款指标体系建立 | 第34-51页 |
| 3.1.1 中小企业银行贷款业务分析 | 第34-39页 |
| 3.1.2 中小企业财务分析 | 第39-45页 |
| 3.1.3 回归模型及指标体系建立 | 第45-51页 |
| 3.2 样本采集及标准化处理 | 第51-52页 |
| 3.2.1 样本数据采集 | 第51-52页 |
| 3.2.2 归一化 | 第52页 |
| 3.3 遗传算法优化 RBF 神经网络 | 第52-57页 |
| 3.3.1 染色体编码 | 第52-53页 |
| 3.3.2 适应度函数构建 | 第53页 |
| 3.3.3 遗传算子设计 | 第53-55页 |
| 3.3.4 梯度下降法对参数进一步寻优 | 第55-57页 |
| 3.4 本章小结 | 第57-58页 |
| 4 模型实验及仿真 | 第58-63页 |
| 4.1 训练组与测试组 | 第58页 |
| 4.2 预测结果和误差 | 第58-60页 |
| 4.3 预测准确率比较 | 第60-61页 |
| 4.4 本章小结 | 第61-63页 |
| 5 模型应用实例 | 第63-72页 |
| 5.1 现行中小企业贷款决策方法 | 第63-68页 |
| 5.1.1 各类企业的界定标准 | 第63-64页 |
| 5.1.2 小企业信贷融资评价方法与流程 | 第64-68页 |
| 5.1.3 现行贷款决策方法的评价 | 第68页 |
| 5.2 中小企业贷款决策模型的应用实例 | 第68-71页 |
| 5.2.1 样本采集与模型预测 | 第68-70页 |
| 5.2.2 结果分析 | 第70-71页 |
| 5.3 本章小结 | 第71-72页 |
| 6 总结与展望 | 第72-74页 |
| 6.1 本文研究总结 | 第72页 |
| 6.2 研究展望 | 第72-74页 |
| 6.2.1 本文存在的不足 | 第73页 |
| 6.2.2 下一步工作 | 第73-74页 |
| 参考文献 | 第74-78页 |
| 附录 | 第78-87页 |
| 附录 1 fitness.m 文件 | 第78-80页 |
| 附录 2 GA.m 文件 | 第80-84页 |
| 附录 3 forecast.m 文件 | 第84-87页 |
| 致谢 | 第87-88页 |
| 攻读学位期间发表的学术论文目录 | 第88页 |
