神经网络技术在商业银行信用风险评估系统中的应用研究
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-9页 |
| 第一章 绪论 | 第9-13页 |
| ·论文选题的依据及其意义 | 第9-10页 |
| ·国内外研究现状及发展趋势 | 第10-11页 |
| ·论文的结构 | 第11-13页 |
| 第二章 商业银行信用风险概述 | 第13-21页 |
| ·银行信用风险 | 第13-14页 |
| ·信用风险的定义 | 第13页 |
| ·信用风险评估的理论基础 | 第13-14页 |
| ·银行信用风险的度量 | 第14-15页 |
| ·标准法 | 第14页 |
| ·内部评级法（IRB 法） | 第14-15页 |
| ·银行内部信用评级 | 第15-17页 |
| ·信用风险等级 | 第15-16页 |
| ·信用风险评级步骤 | 第16-17页 |
| ·银行信用风险评估指标 | 第17-19页 |
| ·信用评估的要素 | 第17-18页 |
| ·穆迪公司企业信用风险评估指标 | 第18页 |
| ·国内常用的企业信用风险评估指标 | 第18-19页 |
| ·信用风险评估方法 | 第19-21页 |
| ·专家制度法 | 第19-20页 |
| ·信用评分方法 | 第20-21页 |
| 第三章 基于数据挖掘的信用风险评估系统 | 第21-33页 |
| ·信用风险评估系统概述 | 第21-24页 |
| ·背景介绍 | 第21-22页 |
| ·系统功能和目标 | 第22-23页 |
| ·数据挖掘的必要性和可行性分析 | 第23-24页 |
| ·数据挖掘在信用风险评估中的应用 | 第24-29页 |
| ·数据挖掘概述 | 第24-25页 |
| ·数据挖掘过程及信用风险评估流程 | 第25-26页 |
| ·数据挖掘在信用风险评估系统中的作用 | 第26-27页 |
| ·用于信用风险分类的数据挖掘方法 | 第27-29页 |
| ·神经网络挖掘方法 | 第29-33页 |
| ·神经网络基本原理 | 第29-30页 |
| ·神经网络的学习 | 第30-32页 |
| ·分类、神经网络和数据挖掘在系统中的关系 | 第32-33页 |
| 第四章 基于前向型神经网络的信用风险评估模型 | 第33-41页 |
| ·BP 神经网络概述 | 第33-37页 |
| ·网络的拓扑结构 | 第33-34页 |
| ·三层BP 网络的学习原理 | 第34-36页 |
| ·BP 网络学习算法 | 第36-37页 |
| ·信用风险评估神经网络模型 | 第37-41页 |
| ·应用BP 网络模型的合理性及主要工作 | 第37-38页 |
| ·评估模型的网络结构 | 第38-39页 |
| ·评估模型的学习参数 | 第39页 |
| ·评估模型学习算法的改进 | 第39-41页 |
| 第五章 神经网络模型在信用风险评估系统中的应用 | 第41-65页 |
| ·系统架构 | 第41-42页 |
| ·信用风险评估指标体系的建立 | 第42-44页 |
| ·指标数据的预处理 | 第44-47页 |
| ·离散指标的量化 | 第44-45页 |
| ·缺失数据的处理 | 第45页 |
| ·定性指标的归约 | 第45-46页 |
| ·指标数据归一化 | 第46-47页 |
| ·样本数据及评估模型的模式划分 | 第47-54页 |
| ·评估模式的确定 | 第47-49页 |
| ·样本数据的准备 | 第49-54页 |
| ·信用风险评估模型的构建 | 第54-60页 |
| ·信用风险评估分类模型 | 第54-55页 |
| ·学习参数和初始权值对评估模型的影响 | 第55-57页 |
| ·评估模型算法的改进 | 第57-60页 |
| ·评估模型实例分析与评价 | 第60-65页 |
| 第六章 结论 | 第65-67页 |
| 致谢 | 第67-68页 |
| 参考文献 | 第68-70页 |
| 个人简介 | 第70页 |
