基于数据挖掘的贷款信用风险评估方法比较研究
| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第1章 绪论 | 第9-14页 |
| ·问题的提出及意义 | 第9-11页 |
| ·问题的研究背景 | 第9-10页 |
| ·研究意义与课题来源 | 第10-11页 |
| ·研究现状 | 第11-14页 |
| ·国外研究现状 | 第11-12页 |
| ·国内研究现状 | 第12-14页 |
| 第2章 信用风险评估及数据挖掘 | 第14-23页 |
| ·常用的信用风险评估方法 | 第14-19页 |
| ·5c要素分析法 | 第14页 |
| ·财务比率综合分析法 | 第14-15页 |
| ·多变量信用风险判别模型 | 第15-16页 |
| ·以资本市场理论和信息科学为支撑的新方法 | 第16-17页 |
| ·衍生工具信用风险的衡量方法 | 第17-18页 |
| ·信用集中风险的评估系统 | 第18-19页 |
| ·数据挖掘技术 | 第19-22页 |
| ·数据挖掘概念 | 第19-20页 |
| ·数据挖掘功能介绍 | 第20-21页 |
| ·数据挖掘常用技术 | 第21-22页 |
| ·数据挖掘的分类技术 | 第22页 |
| ·本章小结 | 第22-23页 |
| 第3章 基于神经网络的信用风险评估 | 第23-36页 |
| ·人工神经网络 | 第23-27页 |
| ·人工神经网络及其特点 | 第23-25页 |
| ·多层前馈神经网络 | 第25页 |
| ·后传算法 | 第25-27页 |
| ·实验数据的结构及预处理 | 第27-31页 |
| ·指标选取 | 第27页 |
| ·实验语料 | 第27页 |
| ·数据预处理 | 第27-31页 |
| ·基于BP神经网络的信用风险评估方法模型 | 第31页 |
| ·神经网络实验测试及结果 | 第31-34页 |
| ·网络的构建及训练 | 第31-34页 |
| ·模型测试结果 | 第34页 |
| ·本章小结 | 第34-36页 |
| 第4章 基于遗传算法的信用风险评估 | 第36-48页 |
| ·遗传算法 | 第36-38页 |
| ·遗传算法概念 | 第36-37页 |
| ·遗传算法的基本步骤 | 第37-38页 |
| ·实验数据的结构及预处理 | 第38页 |
| ·基于遗传算法的信用风险评估方法模型 | 第38-43页 |
| ·染色体编码 | 第39页 |
| ·确定个体的适应度评价 | 第39-41页 |
| ·生成初始种群 | 第41页 |
| ·确定遗传算子 | 第41-43页 |
| ·确定其他运算操作的参数 | 第43页 |
| ·遗传算法实验及测试结果 | 第43-47页 |
| ·本章小结 | 第47-48页 |
| 第5章 基于决策树算法的信用风险评估 | 第48-56页 |
| ·决策树算法 | 第48-51页 |
| ·决策树算法概念 | 第48-49页 |
| ·决策树算法的基本原理 | 第49-51页 |
| ·实验数据的结构及预处理 | 第51页 |
| ·基于决策树算法的信用风险评估方法模型 | 第51-53页 |
| ·决策树算法实验及结果 | 第53-55页 |
| ·本章小结 | 第55-56页 |
| 第6章 信用风险评估模型比较分析 | 第56-63页 |
| ·三种数据挖掘算法的实验结果对比分析 | 第56-58页 |
| ·三种数据挖掘算法的特点比较 | 第58-62页 |
| ·神经网络算法特点 | 第58-60页 |
| ·遗传算法特点 | 第60-61页 |
| ·决策树算法特点 | 第61-62页 |
| ·本章小结 | 第62-63页 |
| 结论 | 第63-64页 |
| 参考文献 | 第64-67页 |
| 附录 | 第67-79页 |
| 攻读学位期间发表的学术论文 | 第79-81页 |
| 致谢 | 第81页 |
