| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第1章 引言 | 第10-19页 |
| 1.1 研究背景 | 第10-12页 |
| 1.2 研究意义 | 第12-13页 |
| 1.3 研究现状 | 第13-15页 |
| 1.3.1 商业银行信用风险预警研究 | 第13-14页 |
| 1.3.2 信用风险指标变量提取研究 | 第14页 |
| 1.3.3 信用风险预警模型参数优化研究 | 第14-15页 |
| 1.4 研究内容与创新性 | 第15-16页 |
| 1.4.1 研究内容 | 第15页 |
| 1.4.2 创新性 | 第15-16页 |
| 1.5 论文结构与技术路线 | 第16-19页 |
| 1.5.1 论文结构 | 第16-17页 |
| 1.5.2 技术路线 | 第17-19页 |
| 第2章 商业银行信用风险预警样本的预处理研究 | 第19-25页 |
| 2.1 样本预处理的必要性 | 第19页 |
| 2.2 样本的预处理方法 | 第19-21页 |
| 2.2.1 归一化处理方法 | 第19-20页 |
| 2.2.2 统计分析的T检验方法 | 第20-21页 |
| 2.3 样本预处理的实证研究 | 第21-23页 |
| 2.3.1 信用风险样本的选择 | 第21页 |
| 2.3.2 信用风险预警的指标变量选择 | 第21页 |
| 2.3.3 信用风险预警样本的描述性统计 | 第21-22页 |
| 2.3.4 信用风险预警样本的归一化处理 | 第22-23页 |
| 2.3.5 信用风险预警样本的显著性检验 | 第23页 |
| 2.4 本章小节 | 第23-25页 |
| 第3章 信用风险预警模型构建 | 第25-35页 |
| 3.1 信用风险预警的必要性 | 第25页 |
| 3.2 基于Logit回归的传统信用风险预警模型构建 | 第25-26页 |
| 3.3 基于SVM的信用风险预警模型构建 | 第26-30页 |
| 3.3.1 SVM信用风险预警模型的基本原理 | 第26-27页 |
| 3.3.2 信用风险的SVM预警模型构建 | 第27-30页 |
| 3.4 信用风险预警模型评价方法构建 | 第30-32页 |
| 3.4.1 基于分类准确率和“第一、二类错误”的传统评价方法 | 第30-31页 |
| 3.4.2 以G、F和AUC为标准的评价方法 | 第31-32页 |
| 3.5 信用风险预警模型的实验设计 | 第32-34页 |
| 3.5.1 基于SVM的信用风险预警研究的实验方案 | 第32-33页 |
| 3.5.2 信用风险预警的实证结果 | 第33-34页 |
| 3.6 本章小节 | 第34-35页 |
| 第4章 基于KPCA-SVM的信用风险预警模型构建 | 第35-40页 |
| 4.1 指标变量提取的必要性 | 第35页 |
| 4.2 指标变量提取的PCA模型构建 | 第35-36页 |
| 4.3 指标变量提取的KPCA模型构建 | 第36-37页 |
| 4.4 基于KPCA-SVM的信用风险预警实证研究 | 第37-39页 |
| 4.5 本章小节 | 第39-40页 |
| 第5章 基于KPCA-PSO-SVM的信用风险预警模型构建 | 第40-47页 |
| 5.1 模型参数优化的必要性 | 第40页 |
| 5.2 基于GS的传统参数优化方法 | 第40页 |
| 5.3 基于启发式算法的参数优化方法 | 第40-43页 |
| 5.3.1 基于GA算法的参数优化方法 | 第40-41页 |
| 5.3.2 基于PSO算法的参数优化方法 | 第41-43页 |
| 5.4 基于KPCA-PSO-SVM的信用风险预警的实证研究 | 第43-45页 |
| 5.5 本章小节 | 第45-47页 |
| 结论 | 第47-48页 |
| 致谢 | 第48-49页 |
| 参考文献 | 第49-53页 |
| 攻读学位期间取得学术成果 | 第53页 |
