| 摘要 | 第1-6页 |
| Abstract | 第6-9页 |
| 第一章 绪论 | 第9-21页 |
| ·研究背景与意义 | 第9-10页 |
| ·研究背景 | 第9页 |
| ·研究意义 | 第9-10页 |
| ·中国股市现状与风险预警研究国内外现状 | 第10-15页 |
| ·中国股市现状 | 第10-13页 |
| ·风险预警国内外研究现状 | 第13-15页 |
| ·上市公司风险预警方法综述 | 第15-18页 |
| ·一元判别模型 | 第15-16页 |
| ·Z 评分模型 | 第16页 |
| ·多元逻辑回归模型 | 第16-17页 |
| ·神经网络模型 | 第17-18页 |
| ·本文主要研究思路和章节安排 | 第18-19页 |
| ·本文创新之处 | 第19-21页 |
| 第二章 SVM_AdaBoost 理论 | 第21-32页 |
| ·支持向量机（SVM）理论 | 第21-26页 |
| ·统计学习理论 | 第21-22页 |
| ·支持向量分类机 | 第22-26页 |
| ·AdaBoost 理论 | 第26-29页 |
| ·Boosting 理论 | 第27页 |
| ·AdaBoost 算法 | 第27-29页 |
| ·SVM_Adaboost 理论 | 第29-30页 |
| ·SVM_AdaBoost 模型特点 | 第29-30页 |
| ·SVM_AdaBoost 建模步骤 | 第30页 |
| ·本章小结 | 第30-32页 |
| 第三章 退市预警样本选择与指标体系的构建 | 第32-39页 |
| ·样本的选择 | 第32-33页 |
| ·预警指标体系的建立 | 第33-38页 |
| ·预警指标体系建立 | 第33-34页 |
| ·预警指标的确定 | 第34-36页 |
| ·预警指标的筛选 | 第36-38页 |
| ·本章小结 | 第38-39页 |
| 第四章 基于 SVM_AdaBoost 模型的算例研究 | 第39-51页 |
| ·模型数据预处理 | 第39页 |
| ·建模过程 | 第39-41页 |
| ·SVM 参数寻优与分类结果 | 第41-45页 |
| ·核参数的寻优 | 第41-43页 |
| ·核函数寻优 | 第43-44页 |
| ·SVM 分类结果 | 第44-45页 |
| ·弱分类器 SVM 的迭代构建 | 第45-48页 |
| ·强分类器 SVM_AdaBoost 的分类结果 | 第48-49页 |
| ·本章小结 | 第49-51页 |
| 结论 | 第51-53页 |
| 参考文献 | 第53-58页 |
| 附录 | 第58-65页 |
| 附录 1：调整后的沪深两交易所主要退市条件一览 | 第58-60页 |
| 附录 2：有退市风险的上市公司 | 第60-63页 |
| 附录 3：独立样本 T 检验结果 | 第63-65页 |
| 攻读硕士学位期间取得的研究成果 | 第65-66页 |
| 致谢 | 第66-67页 |
| 附件 | 第67页 |