| 中文摘要 | 第5-8页 |
| 英文摘要 | 第8-10页 |
| 第1章 绪论 | 第15-28页 |
| 1.1 研究背景与问题的提出 | 第15-19页 |
| 1.2 研究目的与意义 | 第19-20页 |
| 1.3 研究范围界定 | 第20-23页 |
| 1.4 研究思路 | 第23-24页 |
| 1.5 研究内容、方法与技术路线图 | 第24-26页 |
| 1.6 研究的创新、不足与未来研究方向 | 第26-28页 |
| 第2章 文献回顾与评述 | 第28-50页 |
| 2.1 违约风险定义与成因 | 第28-31页 |
| 2.2 基于大中型企业的违约风险管控模型与方法 | 第31-45页 |
| 2.3 研究评述 | 第45-46页 |
| 2.4 基于小微企业的违约风险模型与方法 | 第46-48页 |
| 2.5 研究评述 | 第48-50页 |
| 第3章 小微企业违约管控机理研究 | 第50-63页 |
| 3.1 小微企业的风险特征 | 第50-51页 |
| 3.2 小微企业违约风险实践管控技术梳理与总结 | 第51-54页 |
| 3.3 小微企业违约风险管控机理 | 第54-61页 |
| 3.4 适用于小微企业的违约风险模型需要具备的特征 | 第61-62页 |
| 3.5 本章小结 | 第62-63页 |
| 第4章 基于违约管控机理的不完全信息违约模型构建 | 第63-89页 |
| 4.1 引言 | 第63-65页 |
| 4.2 建模思路与模型基本假设 | 第65-70页 |
| 4.3 模型一:基于完全初始信息观测的假设 | 第70-75页 |
| 4.4 模型二:基于不完全初始信息观测的假设 | 第75-79页 |
| 4.5 违约概率 | 第79-85页 |
| 4.6 模型三:考虑新增借贷对违约概率的影响 | 第85-87页 |
| 4.7 本章小结 | 第87-89页 |
| 第5章 基于违约管控机理的统计学和机器学习违约模型构建 | 第89-120页 |
| 5.1 引言 | 第89-92页 |
| 5.2 实证模型与验证方法 | 第92-97页 |
| 5.3 小微企业信用评价体系 | 第97-100页 |
| 5.4 数据、样本与单变量筛选 | 第100-105页 |
| 5.5 实证研究结论 | 第105-118页 |
| 5.6 本章小结 | 第118-120页 |
| 第6章 数据缺失条件下违约估计模型与方法构建 | 第120-148页 |
| 6.1 引言 | 第120-123页 |
| 6.2 基于数据和专家经验的后验估计模型 | 第123-125页 |
| 6.3 数值实例结果模拟 | 第125-132页 |
| 6.4 专家先验估计的鲁棒性检验 | 第132-134页 |
| 6.5 基于现金流的违约相关性和多期条件下的估计 | 第134-141页 |
| 6.6 基于T-COPULA的贷款池违约概率估计 | 第141-143页 |
| 6.7 评价效力分析与专家经验权重设计 | 第143-145页 |
| 6.8 本章小结 | 第145-148页 |
| 第7章 全文结论 | 第148-151页 |
| 附录A 命题4.1证明 | 第151-155页 |
| 附录B 命题4.2证明 | 第155-160页 |
| 附录C 小微企业信用评价指标体系 | 第160-165页 |
| 附录D 入选解释变量指标描述性统计 | 第165-168页 |
| 附录E 后验分布拟合结果(考虑相关性和多期条件下) | 第168-171页 |
| 附录F 不同相关性和违约风险暴露条件下后验违约概率估计均值与方差对比 | 第171-172页 |
| 附录G T-COPULA函数对单期违约概率估计结果的影响 | 第172-174页 |
| 致谢 | 第174-175页 |
| 参考文献 | 第175-188页 |
| 攻读博士学位期间主要论文成果 | 第188-189页 |
| 攻读博士学位期间主要承担的科研项目 | 第189-190页 |
