| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 1 绪论 | 第8-12页 |
| 1.1 问题的提出 | 第8页 |
| 1.2 研究的目的和意义 | 第8-9页 |
| 1.3 国内外研究现状 | 第9-11页 |
| 1.3.1 支持向量机国内外研究现状 | 第9-10页 |
| 1.3.2 上市公司信用风险评估方法研究现状 | 第10-11页 |
| 1.4 研究内容和方法 | 第11-12页 |
| 1.4.1 研究内容 | 第11页 |
| 1.4.2 研究方法 | 第11-12页 |
| 2 基于SVM的判别模型 | 第12-22页 |
| 2.1 财务指标的选择 | 第12-13页 |
| 2.1.1 偿债能力 | 第12页 |
| 2.1.2 运营能力 | 第12页 |
| 2.1.3 盈利能力 | 第12页 |
| 2.1.4 成长能力 | 第12-13页 |
| 2.2 变量降维算法 | 第13-15页 |
| 2.2.1 主成分分析（Principal Component Analysis）法 | 第13页 |
| 2.2.2 多维尺度（Multidimensional Scaling）分析法 | 第13-14页 |
| 2.2.3 局部线性嵌入（Locally Linear Embedding）法 | 第14-15页 |
| 2.2.4 等距映射(ISOMAP)法 | 第15页 |
| 2.3 支持向量机 | 第15-20页 |
| 2.3.1 线性可分支持向量机 | 第15-17页 |
| 2.3.2 线性支持向量机 | 第17-19页 |
| 2.3.3 非线性支持向量机 | 第19-20页 |
| 2.4 模型流程 | 第20-22页 |
| 3 实证研究 | 第22-30页 |
| 3.1 指标描述性统计 | 第22-24页 |
| 3.2 指标变量降维 | 第24-26页 |
| 3.2.1 主成分分析降维 | 第24-26页 |
| 3.2.2 非线性方法降维 | 第26页 |
| 3.3 支持向量机分类与预测 | 第26-30页 |
| 4 结论与展望 | 第30-32页 |
| 致谢 | 第32-34页 |
| 参考文献 | 第34-38页 |
| 附录 | 第38-47页 |
