| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 引论 | 第9-14页 |
| 一、研究背景与意义 | 第9-10页 |
| 二、国内外文献综述 | 第10-12页 |
| 三、主要研究内容 | 第12-13页 |
| 四、本文的创新点 | 第13-14页 |
| 第一章 上市公司财务困境预测的相关理论基础 | 第14-23页 |
| 第一节 上市公司财务困境的理论概述 | 第14-17页 |
| 一、财务困境概念的界定 | 第14-15页 |
| 二、上市公司财务困境的影响因素 | 第15-17页 |
| 第二节 上市公司财务困境预测中的机器学习方法 | 第17-23页 |
| 一、Lasso-logistic模型 | 第17-19页 |
| 二、随机森林算法 | 第19-20页 |
| 三、GBDT算法 | 第20-21页 |
| 四、XGBoost算法 | 第21-23页 |
| 第二章 财务困境预测的指标选取与数据处理 | 第23-31页 |
| 第一节 财务困境预测的指标体系构建及样本选择 | 第23-26页 |
| 一、财务指标的选取 | 第23-24页 |
| 二、非财务指标的选取 | 第24-25页 |
| 三、样本选择 | 第25-26页 |
| 第二节 财务困境预测的数据处理 | 第26-31页 |
| 一、数据的预处理 | 第26-29页 |
| 二、不平衡数据的重抽样 | 第29-31页 |
| 第三章 上市公司财务困境的预测 | 第31-43页 |
| 第一节 基于Lasso-logistic模型的财务困境预测分析 | 第31-37页 |
| 一、Lasso-logistic模型的构建 | 第31-35页 |
| 二、Lasso-logistic模型的财务困境预测结果 | 第35-37页 |
| 第二节 基于XGBoost算法的财务困境预测分析 | 第37-43页 |
| 一、XGBoost算法的训练 | 第37-40页 |
| 二、XGBoost算法的财务困境预测结果 | 第40-41页 |
| 三、财务困境预测方法的比较分析 | 第41-43页 |
| 结论与建议 | 第43-45页 |
| 一、结论 | 第43-44页 |
| 二、建议 | 第44-45页 |
| 参考文献 | 第45-48页 |
| 致谢 | 第48页 |