基于Adaboost算法的制造业上市公司财务危机预警研究
| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 第一章 绪论 | 第8-15页 |
| ·研究的背景、目的、内容和意义 | 第8-9页 |
| ·研究的背景 | 第8页 |
| ·研究目的和内容 | 第8-9页 |
| ·研究的意义 | 第9页 |
| ·国内外研究综述 | 第9-13页 |
| ·国外研究现状 | 第9-11页 |
| ·国内研究现状 | 第11-13页 |
| ·国内外研究成果综述 | 第13页 |
| ·本文的研究方案 | 第13-15页 |
| ·研究方法 | 第13页 |
| ·本文的结构 | 第13-15页 |
| 第二章 企业财务危机预警理论 | 第15-22页 |
| ·企业财务风险概述 | 第15页 |
| ·企业财务危机概述 | 第15-16页 |
| ·财务风险与财务危机的关系 | 第15页 |
| ·财务危机的界定 | 第15-16页 |
| ·财务预警的界定 | 第16页 |
| ·财务预警的相关理论 | 第16-17页 |
| ·系统非优理论 | 第16页 |
| ·生命周期理论 | 第16-17页 |
| ·企业诊断理论 | 第17页 |
| ·危机管理理论 | 第17页 |
| ·逆境管理理论 | 第17页 |
| ·危机管理指标体系 | 第17-19页 |
| ·财务危机预警系统的功能和意义 | 第19-22页 |
| ·财务危机预警系统的功能 | 第19-20页 |
| ·危机预警系统的意义 | 第20-22页 |
| 第三章 上市公司财务危机预警模型的建立 | 第22-30页 |
| ·模型建立流程的概述 | 第22-23页 |
| ·建模技术方法 | 第23-30页 |
| ·Mann-Whitney U 检验 | 第23页 |
| ·主成分分析法 | 第23-24页 |
| ·BP 神经网络 | 第24-27页 |
| ·机器学习及Adaboost 算法 | 第27-28页 |
| ·BP-Adaboost 强分类器构建 | 第28-30页 |
| 第四章 实证研究 | 第30-39页 |
| ·样本数据的选取 | 第30-31页 |
| ·制造业概述 | 第30页 |
| ·样本筛选 | 第30-31页 |
| ·面板数据的选取 | 第31页 |
| ·数据样本的确定 | 第31页 |
| ·预警指标描述性分析 | 第31-32页 |
| ·主成分分析结果 | 第32-34页 |
| ·确定分析的变量是否适合做主成分分析 | 第32页 |
| ·确定因子个数 | 第32-33页 |
| ·主成分解释 | 第33-34页 |
| ·确定主成分表达式 | 第34页 |
| ·BP-Adaboost 强预测器 | 第34-39页 |
| 第五章 模型评价及管理建议 | 第39-45页 |
| ·模型精度评价 | 第39-41页 |
| ·管理建议 | 第41-45页 |
| ·基于监管机构、债权人及投资者角度 | 第41页 |
| ·基于企业主体角度 | 第41-45页 |
| 第六章 结语 | 第45-47页 |
| ·本文研究成果 | 第45页 |
| ·创新与不足之处 | 第45-47页 |
| 参考文献 | 第47-50页 |
| 攻读硕士学位期间参与的科研项目与发表的科研论文 | 第50-51页 |
| 致谢 | 第51-52页 |
| 附录 | 第52-59页 |
| 详细摘要 | 第59-69页 |
