基于极限学习机的制造业上市企业财务预警研究
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-25页 |
| 1.1 研究背景与研究意义 | 第11-13页 |
| 1.1.1 研究背景 | 第11-12页 |
| 1.1.2 研究意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-22页 |
| 1.2.1 国外研究现状 | 第14-19页 |
| 1.2.2 国内研究现状 | 第19-21页 |
| 1.2.3 国内外研究现状评述 | 第21-22页 |
| 1.3 本文研究的主要贡献及框架 | 第22-24页 |
| 1.3.1 本文研究主要贡献 | 第22-23页 |
| 1.3.2 研究框架 | 第23-24页 |
| 1.4 本文的技术路线 | 第24-25页 |
| 第2章 财务危机相关理论和预警原理 | 第25-33页 |
| 2.1 财务危机的界定及其特征 | 第25-29页 |
| 2.1.1 财务危机的界定 | 第25-26页 |
| 2.1.2 国内关于特别处理的制度 | 第26-27页 |
| 2.1.3 本文对财务危机含义的界定 | 第27页 |
| 2.1.4 财务危机的特征 | 第27-28页 |
| 2.1.5 财务危机发生的原因 | 第28-29页 |
| 2.2 财务危机预警的基本理论 | 第29-33页 |
| 2.2.1 财务危机预警的基本含义 | 第29-30页 |
| 2.2.2 财务危机预警模型的功能 | 第30-31页 |
| 2.2.3 财务危机预警模型的构建原则 | 第31-33页 |
| 第3章 极限学习机的理论基础 | 第33-40页 |
| 3.1 人工神经网络 | 第33-35页 |
| 3.1.1 人工神经网络发展历程 | 第33-34页 |
| 3.1.2 人工神经网络基本类型 | 第34-35页 |
| 3.1.3 人工神经网络分类的优点 | 第35页 |
| 3.2 单隐含层反馈神经网络 | 第35-37页 |
| 3.3 极限学习机 | 第37-40页 |
| 第4章 研究样本与财务预警指标的选取 | 第40-53页 |
| 4.1 研究样本的选取 | 第40-42页 |
| 4.2 预警指标的确定 | 第42-49页 |
| 4.3 研究样本预警时间的确定 | 第49-50页 |
| 4.4 显著性检验 | 第50-53页 |
| 4.4.1 正态分布K-S检验 | 第50页 |
| 4.4.2 独立样本T检验 | 第50-51页 |
| 4.4.3 Mann-Whitney U检验 | 第51-53页 |
| 第5章 财务危机预警模型构建与预测 | 第53-65页 |
| 5.1 财务预警指标的筛选方法 | 第53页 |
| 5.2 筛选财务预警指标 | 第53-61页 |
| 5.2.1 t-3 年的财务预警指标筛选结果 | 第54-56页 |
| 5.2.2 t-2 年的财务预警指标筛选结果 | 第56-59页 |
| 5.2.3 t-1 年的财务预警指标筛选结果 | 第59-61页 |
| 5.3 模型的构建与预测 | 第61-65页 |
| 5.3.1 t-3 年财务危机预警模型构建与预测 | 第62页 |
| 5.3.2 t-2 年财务危机预警模型构建与预测 | 第62-63页 |
| 5.3.3 t-1 年财务危机预警模型构建与预测 | 第63-65页 |
| 结论 | 第65-68页 |
| 致谢 | 第68-69页 |
| 参考文献 | 第69-72页 |
| 攻读学位期间取得的学术成果 | 第72页 |
