| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第8-18页 |
| 1.1 论文的选题背景 | 第8-9页 |
| 1.2 邮储银行信用卡发展情况 | 第9-15页 |
| 1.2.1 信用卡的概述 | 第9-11页 |
| 1.2.2 邮储银行信用卡分类 | 第11-12页 |
| 1.2.3 邮储银行信用卡的发展现状 | 第12-15页 |
| 1.3 邮储银行信用卡的发展主要存在的问题 | 第15-16页 |
| 1.4 本文组织 | 第16-18页 |
| 第二章 基于数据挖掘的信用风险评分研究现状 | 第18-25页 |
| 2.1 信用风险及信用风险评分概述 | 第18-19页 |
| 2.2 信用风险评价国内外研究现状概述 | 第19-21页 |
| 2.3 几种常用的信用风险评估模型比较研究 | 第21-24页 |
| 2.3.1 层次分析法过程 | 第22-23页 |
| 2.3.2 基于决策树方法的过程 | 第23页 |
| 2.3.3 VaR方法应用 | 第23-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第三章 基于优化加权平方和法的信用评分指标体系 | 第25-36页 |
| 3.1 信用评估指标体系的特点 | 第26页 |
| 3.2 基于邮储银行客户特点改进个人信用评估指标体系 | 第26-31页 |
| 3.3 基于加权平方和法进行指标体系权重分配 | 第31-34页 |
| 3.3.1 加权平方和法 | 第31-32页 |
| 3.3.2 基于平方和法对邮储银行信用评价指标进行权重分配 | 第32-33页 |
| 3.3.3 基于专业分析建立判断矩阵 | 第33页 |
| 3.3.4 权重分配结果 | 第33-34页 |
| 3.3.5 基于邮储银行数据特点的指标权重分配比例说明 | 第34页 |
| 3.4 本章小结 | 第34-36页 |
| 第四章 基于数据挖掘方法优化信用评估模型 | 第36-51页 |
| 4.1 构造信用评估模型的流程 | 第36-37页 |
| 4.2 三种常用的风险评估数据挖掘方法 | 第37-38页 |
| 4.3 神经网络基本理论及BP神经网络学习方法 | 第38-40页 |
| 4.4 BP神经网络的算法流程 | 第40-41页 |
| 4.5 基于BP神经网络方法改进的邮储银行信用评估模型 | 第41-47页 |
| 4.5.1 客户样本的选取 | 第42页 |
| 4.5.2 数据预处理 | 第42-43页 |
| 4.5.3 案例分析论证 | 第43-46页 |
| 4.5.4 结果比较 | 第46-47页 |
| 4.6 基于神经网络的信用风险评估模型性能评测 | 第47-50页 |
| 4.6.1 分类回归树模型测试情况 | 第48页 |
| 4.6.2 Bayes判别式分析法模型测试情况 | 第48-49页 |
| 4.6.3 神经网络模型测试情况 | 第49-50页 |
| 4.6.4 基于邮储银行数据的数据挖掘方法建模测试结果比较分析 | 第50页 |
| 4.7 本章小结 | 第50-51页 |
| 第五章 总结与展望 | 第51-53页 |
| 参考文献 | 第53-57页 |
| 致谢 | 第57-58页 |
| 攻读学位期间发表的学术论文目录 | 第58页 |
