| 致谢 | 第9-10页 |
| 摘要 | 第10-12页 |
| ABSTRACT | 第12-13页 |
| 第一章 绪论 | 第19-33页 |
| 1.1 研究背景与研究意义 | 第19-21页 |
| 1.1.1 研究背景 | 第19-21页 |
| 1.1.2 研究意义 | 第21页 |
| 1.2 违约概率的国内外研究综述 | 第21-29页 |
| 1.2.1 国外研究综述 | 第22-25页 |
| 1.2.2 国内研究综述 | 第25-28页 |
| 1.2.3 文献述评 | 第28-29页 |
| 1.3 研究目标与研究方法 | 第29-30页 |
| 1.3.1 研究目标 | 第29页 |
| 1.3.2 研究方法 | 第29-30页 |
| 1.4 文章结构安排 | 第30-31页 |
| 1.5 论文的主要创新之处 | 第31-33页 |
| 第二章 违约概率预测方法的基础理论 | 第33-42页 |
| 2.1 传统的违约概率测度方法 | 第33-34页 |
| 2.1.1 基于专家判断的PD预测方法 | 第33-34页 |
| 2.1.2 基于统计计量方法的违约概率测度方法 | 第34页 |
| 2.2 基于现代信用风险度量模型的违约概率测度方法 | 第34-39页 |
| 2.2.1 现代信用风险度量模型 | 第34-36页 |
| 2.2.2 几种现代信用风险度量模型的特征比较 | 第36-39页 |
| 2.3 基于人工智能的违约概率测度方法 | 第39-40页 |
| 2.3.1 基于神经网络和决策树的违约概率研究 | 第39页 |
| 2.3.2 基于支持向量机的违约概率研究 | 第39-40页 |
| 2.4 一种基于客户资金交易行为的违约概率预测方法的提出 | 第40-41页 |
| 2.5 本章小结 | 第41-42页 |
| 第三章 客户资金异常交易行为的形成机理 | 第42-53页 |
| 3.1 客户资金异常交易行为的概念 | 第42-46页 |
| 3.1.1 客户资金异常交易的界定 | 第42-44页 |
| 3.1.2 客户资金异常交易行为的分类 | 第44-45页 |
| 3.1.3 客户资金异常交易行为的特征分析 | 第45-46页 |
| 3.2 客户资金异常交易行为的动机分析 | 第46-49页 |
| 3.2.1 客户资金异常交易的内在动机 | 第46-47页 |
| 3.2.2 形成客户资金异常交易行为的可能性分析 | 第47-49页 |
| 3.3 客户资金异常交易行为的路径分析 | 第49-51页 |
| 3.3.1 “化整为零”式客户资金异常流动路径分析 | 第49-50页 |
| 3.3.2 客户资金违规入市的路径分析 | 第50-51页 |
| 3.4 客户资金异常交易行为的识别方法 | 第51-52页 |
| 3.4.1 基于比较分析的客户资金异常交易识别方法 | 第51-52页 |
| 3.4.2 不同层级客户资金异常交易行为的识别方法 | 第52页 |
| 3.5 本章小结 | 第52-53页 |
| 第四章 基于客户资金异常交易行为的违约概率预测模型 | 第53-63页 |
| 4.1 本文建模预测违约概率方法概述 | 第53-55页 |
| 4.2 建模因子的选择与确定 | 第55-58页 |
| 4.3 建模因子与违约相关性检验 | 第58-61页 |
| 4.4 基于客户资金交易行为的违约概率预测模型 | 第61-62页 |
| 4.5 本章小结 | 第62-63页 |
| 第五章 基于XDT-SVM分类的违约概率预测方法研究 | 第63-76页 |
| 5.1 面向海量样本数据应用的SVM分类方法研究 | 第63-70页 |
| 5.1.1 SVM分类算法及其局限 | 第64-66页 |
| 5.1.2 Chunking算法 | 第66-67页 |
| 5.1.3 SVM~(light)算法 | 第67-68页 |
| 5.1.4 SMO算法 | 第68-69页 |
| 5.1.5 增强的分解算法 | 第69-70页 |
| 5.1.6 数据分块算法 | 第70页 |
| 5.2 基于决策树的模式分类算法 | 第70-73页 |
| 5.2.1 建立分类树的ID3算法 | 第70-72页 |
| 5.2.2 建立分类树的C4.5算法 | 第72-73页 |
| 5.3 基于改进的DT-SVM的分类预测方法(XDT-SVM) | 第73-75页 |
| 5.3.1 XDT-SVM分类预测方法的主要思想 | 第73-74页 |
| 5.3.2 XDT-SVM分类预测方法的流程 | 第74-75页 |
| 5.4 本章小结 | 第75-76页 |
| 第六章 基于客户资金交易行为的违约概率预测模型的应用 | 第76-81页 |
| 6.1 数据来源及相关统计性分析 | 第76页 |
| 6.2 模型指标有效性检验及结果分析 | 第76-78页 |
| 6.2.1 基本数据准备 | 第76-77页 |
| 6.2.2 经典Logistic回归预测结果 | 第77页 |
| 6.2.3 利用本文提出的XDT-SVM优化算法建模预测 | 第77-78页 |
| 6.2.4 结果与分析 | 第78页 |
| 6.3 基于XDT-SVM分类方法的违约概率预测 | 第78-80页 |
| 6.3.1 实验数据集 | 第78页 |
| 6.3.2 实验方案 | 第78-79页 |
| 6.3.3 实验结果对比 | 第79-80页 |
| 6.4 本章小结 | 第80-81页 |
| 第七章 结束语 | 第81-83页 |
| 7.1 本文工作总结 | 第81-82页 |
| 7.2 下一步工作展望 | 第82-83页 |
| 参考文献 | 第83-92页 |
| 附录一 | 第92-96页 |
| 攻读博士学位期间的学术活动及成果情况 | 第96-97页 |
