Web信息驱动的上市公司财务危机预警研究
| 摘要 | 第1-12页 |
| Abstract | 第12-15页 |
| 1. 绪论 | 第15-30页 |
| ·研究背景 | 第15-16页 |
| ·研究目的和意义 | 第16-17页 |
| ·国内外研究现状及分析 | 第17-27页 |
| ·Web金融信息在金融领域的应用研究现状 | 第17-19页 |
| ·文本的情感倾向性分析研究现状 | 第19-21页 |
| ·财务危机预警指标体系的研究现状 | 第21-22页 |
| ·财务危机预警模型的研究现状 | 第22-26页 |
| ·国内外研究现状评述 | 第26-27页 |
| ·论文的研究内容和结构安排 | 第27-30页 |
| ·研究内容 | 第27-28页 |
| ·结构安排 | 第28-30页 |
| 2. 相关理论与技术 | 第30-41页 |
| ·财务危机的概念 | 第30-31页 |
| ·国外学者的界定 | 第30页 |
| ·国内学者的界定 | 第30-31页 |
| ·文本情感倾向分析 | 第31-34页 |
| ·文档级情感倾向分析 | 第32-33页 |
| ·句子级情感倾向分析 | 第33页 |
| ·词语级情感倾向分析 | 第33-34页 |
| ·Logistic回归 | 第34-36页 |
| ·支持向量机 | 第36-40页 |
| ·相关概念 | 第36-37页 |
| ·支持向量机的定义 | 第37-38页 |
| ·支持向量机分类 | 第38-40页 |
| ·本章小结 | 第40-41页 |
| 3. Web金融信息情感倾向性分析 | 第41-53页 |
| ·引言 | 第41页 |
| ·相关研究 | 第41-43页 |
| ·基于语素分数的Web金融信息情感倾向计算 | 第43-48页 |
| ·总体框架 | 第43-44页 |
| ·金融领域情感词典的构建 | 第44-45页 |
| ·情感词的情感倾向值计算 | 第45-46页 |
| ·句子的情感倾向值计算 | 第46-47页 |
| ·文档的情感倾向值计算 | 第47-48页 |
| ·实验 | 第48-52页 |
| ·实验数据 | 第48-50页 |
| ·实验结果 | 第50-52页 |
| ·本章小结 | 第52-53页 |
| 4. Web金融信息与上市公司财务状况的关系分析 | 第53-66页 |
| ·引言 | 第53页 |
| ·相关研究 | 第53-54页 |
| ·相关性分析 | 第54-60页 |
| ·反映上市公司财务状况的指标 | 第55-58页 |
| ·Pearson与Spearman相关分析 | 第58-59页 |
| ·Logistic回归分析 | 第59-60页 |
| ·实验 | 第60-65页 |
| ·实验数据 | 第60-61页 |
| ·实验结果与分析 | 第61-65页 |
| ·本章小结 | 第65-66页 |
| 5. 上市公司财务危机静态预警 | 第66-76页 |
| ·引言 | 第66页 |
| ·相关工作 | 第66-68页 |
| ·基于SVM上市公司财务危机静态预警模型 | 第68-69页 |
| ·实验 | 第69-74页 |
| ·实验样本 | 第69-71页 |
| ·实验数据 | 第71-72页 |
| ·实验结果与分析 | 第72-74页 |
| ·本章小结 | 第74-76页 |
| 6. 上市公司财务危机动态预警 | 第76-96页 |
| ·引言 | 第76页 |
| ·研究现状 | 第76-77页 |
| ·上市公司财务危机动态预警模型的构建 | 第77-83页 |
| ·ARMA模型 | 第77-80页 |
| ·指数加权移动平均控制图(EWMA)预警思想 | 第80页 |
| ·ARMA和S-EWMA相结合的预警原理 | 第80-83页 |
| ·预警模型参数λ和L的确定 | 第83页 |
| ·实验 | 第83-94页 |
| ·样本公司选取 | 第83-84页 |
| ·财务指标选取 | 第84-85页 |
| ·动态面板数据ARMA模型的估计 | 第85-86页 |
| ·S-EWMA模型实验评测 | 第86-94页 |
| ·本章小结 | 第94-96页 |
| 7. 结论与展望 | 第96-99页 |
| 参考文献 | 第99-109页 |
| 附件 | 第109-113页 |
| 附表一 各公司Web信息数列表 | 第109页 |
| 附表二 各公司财务指标 | 第109-113页 |
| 攻读博士期间取得的成果 | 第113-114页 |
| 致谢 | 第114页 |
