| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第9-18页 |
| 1.1 选题背景及目的意义 | 第9-10页 |
| 1.1.1 选题背景 | 第9-10页 |
| 1.1.2 目的意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-15页 |
| 1.2.1 国外研究现状 | 第10-13页 |
| 1.2.2 国内研究现状 | 第13-14页 |
| 1.2.3 文献评述 | 第14-15页 |
| 1.3 研究内容与方法 | 第15-17页 |
| 1.3.1 研究内容 | 第15页 |
| 1.3.2 研究方法 | 第15-17页 |
| 1.4 本文创新点 | 第17-18页 |
| 第2章 相关概念和理论基础 | 第18-24页 |
| 2.1 企业财务风险概述 | 第18-20页 |
| 2.1.1 财务风险界定 | 第18页 |
| 2.1.2 财务风险成因 | 第18-19页 |
| 2.1.3 财务风险类别 | 第19-20页 |
| 2.2 财务预警理论概述 | 第20-24页 |
| 2.2.1 财务预警概念 | 第20-21页 |
| 2.2.2 财务预警功能 | 第21页 |
| 2.2.3 财务预警方法 | 第21-24页 |
| 第3章 互联网沪深上市公司财务预警指标体系构建 | 第24-32页 |
| 3.1 互联网行业概述 | 第24-26页 |
| 3.1.1 互联网行业界定 | 第24页 |
| 3.1.2 互联网行业特点 | 第24-25页 |
| 3.1.3 互联网行业财务风险分析 | 第25页 |
| 3.1.4 互联网行业财务预警的必要性 | 第25-26页 |
| 3.2 指标体系构建 | 第26-32页 |
| 3.2.1 指标选择原则 | 第26页 |
| 3.2.2 指标体系确定 | 第26-32页 |
| 第4章 互联网沪深上市公司财务预警BP神经网络模型的构建 | 第32-40页 |
| 4.1 BP神经网络相关理论 | 第32-36页 |
| 4.1.1 人工神经网络概述 | 第32-33页 |
| 4.1.2 BP神经网络理论及其运算步骤 | 第33-35页 |
| 4.1.3 BP神经网络的选择依据 | 第35-36页 |
| 4.2 BP神经网络设计 | 第36-38页 |
| 4.2.1 输入层设计 | 第36页 |
| 4.2.2 隐含层设计 | 第36-37页 |
| 4.2.3 输出层设计 | 第37页 |
| 4.2.4 函数设计 | 第37页 |
| 4.2.5 网络参数 | 第37-38页 |
| 4.3 模型构建 | 第38-40页 |
| 第5章 互联网沪深上市公司财务预警BP神经网络模型验证 | 第40-61页 |
| 5.1 样本的获取 | 第40-41页 |
| 5.2 指标优选 | 第41-51页 |
| 5.2.1 数据标准化处理 | 第41-42页 |
| 5.2.2 因子分析 | 第42-51页 |
| 5.3 样本预警区间划分 | 第51-54页 |
| 5.3.1 2015 年样本预警区间划分 | 第51-53页 |
| 5.3.2 2016 年样本预警区间划分 | 第53-54页 |
| 5.4 样本训练和仿真测试 | 第54-61页 |
| 5.4.1 2015 年预警过程和结果 | 第55-57页 |
| 5.4.2 2016 年预警过程和结果 | 第57-59页 |
| 5.4.3 预警结果分析 | 第59-61页 |
| 第6章 结论与展望 | 第61-63页 |
| 6.1 研究结论 | 第61页 |
| 6.2 研究不足与展望 | 第61-63页 |
| 致谢 | 第63-64页 |
| 参考文献 | 第64-67页 |
| 附录 | 第67-75页 |