| 中文摘要 | 第1-5页 |
| ABSTRACT | 第5-19页 |
| 第一章 绪论 | 第19-29页 |
| ·研究背景及研究意义 | 第19-22页 |
| ·研究背景 | 第19-20页 |
| ·研究意义 | 第20-22页 |
| ·研究方法和内容 | 第22-27页 |
| ·研究方法 | 第22-23页 |
| ·研究内容 | 第23-27页 |
| ·主要创新点 | 第27-29页 |
| 第二章 企业财务困境分析与预测相关理论及研究综述 | 第29-79页 |
| ·支持向量机相关理论 | 第29-49页 |
| ·机器学习与统计学习理论 | 第29-35页 |
| ·支持向量机原理 | 第35-45页 |
| ·支持向量机应用研究现状 | 第45-49页 |
| ·遗传算法相关理论 | 第49-65页 |
| ·遗传算法原理及其历史演进 | 第49-53页 |
| ·遗传算法的研究内容 | 第53-63页 |
| ·遗传算法应用研究现状 | 第63-65页 |
| ·企业财务困境分析与预测方法研究综述 | 第65-79页 |
| ·企业财务困境内涵的界定 | 第65-67页 |
| ·企业财务困境定量分析与预测方法 | 第67-77页 |
| ·企业财务困境定性分析与预测方法 | 第77-79页 |
| 第三章 企业财务困境特征及影响因素分析 | 第79-123页 |
| ·企业财务困境及其特征分析 | 第79-112页 |
| ·企业财务困境概念的界定 | 第79-81页 |
| ·企业财务困境特征 | 第81-101页 |
| ·企业财务困境特征分析 | 第101-111页 |
| ·企业财务困境形成的时序特征 | 第111-112页 |
| ·企业财务困境影响因素分析 | 第112-120页 |
| ·企业财务困境总体影响因素 | 第112-113页 |
| ·影响企业财务困境的内部因素 | 第113-117页 |
| ·影响企业财务困境的外部因素 | 第117-120页 |
| ·企业财务困境分析与预测框架 | 第120-123页 |
| ·企业财务困境分析与预测过程框架 | 第120-122页 |
| ·企业财务困境分析与预测方法框架 | 第122-123页 |
| 第四章 企业财务困境分析与预测指标体系的构建 | 第123-151页 |
| ·企业财务困境分析与预测的总体指标体系 | 第123-129页 |
| ·构建总体指标体系的原则 | 第123-124页 |
| ·总体预测指标体系的构建 | 第124-129页 |
| ·财务困境短期分析与预测指标体系 | 第129-140页 |
| ·指标数据的正态分布检验 | 第130-132页 |
| ·指标数据的显著性差异检验 | 第132-133页 |
| ·指标数据的多重共线性检验 | 第133-140页 |
| ·财务困境中长期分析与预测指标体系 | 第140-151页 |
| ·指标数据的正态分布检验 | 第141-142页 |
| ·指标数据的显著性差异检验 | 第142-143页 |
| ·指标数据的多重共线性检验 | 第143-149页 |
| ·短期与中长期分析与预测指标体系的比较 | 第149-151页 |
| 第五章 基于支持向量机的企业财务困境预测方法 | 第151-170页 |
| ·二项LOGIT 回归模型 | 第151-155页 |
| ·二项LOGIT 回归模型的形式 | 第151-152页 |
| ·二项LOGIT 回归模型的估计 | 第152-153页 |
| ·二项LOGIT 回归模型的评价和检验 | 第153-155页 |
| ·支持向量机的改进算法 | 第155-161页 |
| ·最小二乘支持向量机 | 第155-157页 |
| ·增长记忆学习算法原理 | 第157-159页 |
| ·基于熵的增长记忆LS-SVM 学习算法 | 第159-161页 |
| ·基于支持向量机的财务困境预测方法 | 第161-165页 |
| ·基于SVM 的财务困境预测方法 | 第161-163页 |
| ·基于LS-SVM 的财务困境预测方法 | 第163页 |
| ·基于熵的增长记忆式LS-SVM 财务困境预测方法 | 第163-165页 |
| ·模型构建及数值检验 | 第165-170页 |
| ·标准SVM 模型 | 第165-166页 |
| ·LS-SVM 模型 | 第166-168页 |
| ·基于熵的增长记忆式LS-SVM 学习模型 | 第168-170页 |
| 第六章 基于遗传算法和支持向量机的财务困境预测方法 | 第170-180页 |
| ·基于遗传算法的支持向量机参数优化 | 第170-173页 |
| ·传统支持向量机参数优化方法及其不足 | 第170-171页 |
| ·基于遗传算法的支持向量机参数优化 | 第171-173页 |
| ·基于遗传算法和SVM 的财务困境预测方法 | 第173-175页 |
| ·基于遗传算法的SVM 实现流程图 | 第173-174页 |
| ·基于遗传算法的SVM 实现步骤 | 第174-175页 |
| ·模型构建及数值检验 | 第175-180页 |
| ·基于遗传算法的SVM 模型 | 第175-177页 |
| ·基于遗传算法的LS-SVM 模型 | 第177-178页 |
| ·基于遗传算法和熵的LS-SVM 模型 | 第178-180页 |
| 第七章 企业财务困境分析与预测实证研究 | 第180-219页 |
| ·研究样本的来源及统计分析 | 第180-188页 |
| ·研究样本的选择 | 第180-181页 |
| ·研究样本的获取 | 第181-183页 |
| ·研究样本的统计分析 | 第183-187页 |
| ·模型输入变量的获取 | 第187-188页 |
| ·短期预测多模型的建立及实证研究 | 第188-197页 |
| ·Logit 回归模型 | 第188-190页 |
| ·标准SVM 模型 | 第190-191页 |
| ·LS-SVM 模型 | 第191-192页 |
| ·基于熵的LS-SVM 模型 | 第192-194页 |
| ·基于遗传算法的SVM 模型 | 第194-195页 |
| ·基于遗传算法的LS-SVM 模型 | 第195页 |
| ·基于遗传算法和熵的LS-SVM 模型 | 第195-197页 |
| ·中长期预测多模型的建立及实证研究 | 第197-210页 |
| ·ST 前2 年预测模型的建立及实证研究 | 第197-203页 |
| ·ST 前3 年预测模型的建立及实证研究 | 第203-210页 |
| ·短期及中长期预测多模型结果的分析比较 | 第210-216页 |
| ·Logit 回归模型 | 第211页 |
| ·标准SVM 模型 | 第211-212页 |
| ·基于遗传算法的SVM 模型 | 第212-213页 |
| ·LS-SVM 模型 | 第213页 |
| ·基于遗传算法的LS-SVM 模型 | 第213-214页 |
| ·基于熵的LS-SVM 模型 | 第214-215页 |
| ·基于遗传算法和熵的LS-SVM 模型 | 第215-216页 |
| ·不同数据集多模型预测结果的分析比较 | 第216-219页 |
| ·基于遗传算法的SVM 模型 | 第216-217页 |
| ·基于遗传算法的LS-SVM 模型 | 第217页 |
| ·基于遗传算法和熵的LS-SVM 模型 | 第217-219页 |
| 第八章 研究与展望 | 第219-222页 |
| ·本文工作总结 | 第219-221页 |
| ·不足与展望 | 第221-222页 |
| 参考文献 | 第222-237页 |
| 附录 | 第237-244页 |
| 攻读博士学位期间发表论文及参加科研情况 | 第244-246页 |
| 致谢 | 第246页 |