| 中文摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 第一章 绪论 | 第7-14页 |
| ·课题背景及研究目的和意义 | 第7-9页 |
| ·课题背景 | 第7-8页 |
| ·研究目的和意义 | 第8-9页 |
| ·上市公司财务预警的国内外研究现状综述 | 第9-12页 |
| ·上市公司财务预警中财务指标的确定 | 第9-10页 |
| ·财务预警方法的研究现状 | 第10-12页 |
| ·主要内容和结构 | 第12-14页 |
| 第二章 样本公司及财务指标体系的确立 | 第14-16页 |
| ·样本公司的选择 | 第14页 |
| ·样本公司中发生财务危机的公司选取 | 第14页 |
| ·样本公司中财务正常的公司选取 | 第14页 |
| ·样本公司以及财务指标体系选择结果 | 第14页 |
| ·样本公司数据及统计描述和检验 | 第14-16页 |
| ·样本公司财务数据的收集和预处理 | 第14-15页 |
| ·预处理后数据的描述性统计 | 第15-16页 |
| 第三章 因子分析法构建上市公司的财务预警模型 | 第16-27页 |
| ·因子分析的基本原理 | 第16页 |
| ·因子分析法建模与结果检验 | 第16-26页 |
| ·检验原有变量进行因子分析的可行性 | 第16-17页 |
| ·上市公司财务指标的因子提取 | 第17-22页 |
| ·上市公司财务指标的因子命名与解释 | 第22-23页 |
| ·计算因子得分 | 第23-26页 |
| ·本章小结 | 第26-27页 |
| 第四章 人工智能单分类器在财务预警中的建模与应用 | 第27-31页 |
| ·粒子群优化最小二乘支持向量机（PSO-LSSVM）的财务预警 | 第27-30页 |
| ·PSO-LSSVM原理及算法流程 | 第27-28页 |
| ·PSO-LSSVM模拟结果 | 第28-29页 |
| ·基于因子分析的PSO-LSSVM财务预警 | 第29-30页 |
| ·本章小结 | 第30-31页 |
| 第五章 Adaboost多分类器在财务预警中的建模与应用 | 第31-35页 |
| ·基于Adaboost_BP的财务预警模型 | 第31-32页 |
| ·Adaboost_BP原理及算法流程 | 第31-32页 |
| ·基于Adaboost_BP的财务预警模拟结果 | 第32页 |
| ·基于Adaboost_DT的财务预警 | 第32-33页 |
| ·Adaboost_DT原理及算法流程 | 第32页 |
| ·基于Adaboost_DT的财务预警模拟结果 | 第32-33页 |
| ·基于Adaboost_SVM的财务预警 | 第33-34页 |
| ·Adaboost_SVM原理及算法流程 | 第33-34页 |
| ·基于Adaboost_SVM的财务预警模拟结果 | 第34页 |
| ·本章小结 | 第34-35页 |
| 第六章 本文结论 | 第35-37页 |
| ·本文实证研究结果和创新 | 第35页 |
| ·本文展望 | 第35-37页 |
| 参考文献 | 第37-40页 |
| 在学期间的研究成果 | 第40-41页 |
| 致谢 | 第41页 |