| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 引言 | 第9-16页 |
| 1.1 选题背景 | 第9页 |
| 1.2 研究目的和意义 | 第9-10页 |
| 1.3 研究综述 | 第10-13页 |
| 1.3.1 国外研究综述 | 第10-11页 |
| 1.3.2 国内研究综述 | 第11-13页 |
| 1.3.3 文献评价 | 第13页 |
| 1.4 研究内容和方法 | 第13-16页 |
| 1.4.1 研究内容 | 第14页 |
| 1.4.2 研究方法 | 第14-15页 |
| 1.4.3 论文创新点 | 第15-16页 |
| 第二章 证券市场与数据挖掘技术概述 | 第16-21页 |
| 2.1 证券市场概述 | 第16-17页 |
| 2.2 数据挖掘算法介绍 | 第17-21页 |
| 2.2.1 多分类Logistic回归模型概述 | 第17-19页 |
| 2.2.2 BP神经网络模型概述 | 第19页 |
| 2.2.3 CART决策树模型概述 | 第19-20页 |
| 2.2.4 随机森林模型概述 | 第20-21页 |
| 第三章 我国上市企业样本与指标的选取 | 第21-30页 |
| 3.1 我国上市企业样本的选取 | 第21-28页 |
| 3.1.1 数据来源 | 第21页 |
| 3.1.2 分类规则 | 第21-22页 |
| 3.1.3 样本选取 | 第22-28页 |
| 3.2 我国上市企业指标的确定 | 第28-30页 |
| 3.2.1 上市企业财务指标体系 | 第28-29页 |
| 3.2.2 上市企业非财务指标体系 | 第29-30页 |
| 第四章 基于数据挖掘的上市企业风险预测实证分析 | 第30-46页 |
| 4.1 上市企业指标预处理 | 第30页 |
| 4.2 上市企业指标筛选 | 第30-35页 |
| 4.2.1 Kruskal-Wallis检验 | 第30-31页 |
| 4.2.2 K-means聚类 | 第31-33页 |
| 4.2.3 灰色关联分析 | 第33-35页 |
| 4.3 上市企业风险预测模型的构建 | 第35-45页 |
| 4.3.1 基于Logistic回归的上市企业风险预测模型 | 第36-38页 |
| 4.3.2 基于BP神经网络的上市企业风险预测模型 | 第38-40页 |
| 4.3.3 基于决策树的上市企业风险预测模型 | 第40-42页 |
| 4.3.4 基于随机森林的上市企业风险预测模型 | 第42-45页 |
| 4.4 上市企业风险预测模型效果评价分析 | 第45页 |
| 4.5 上市企业未来财务状况预测 | 第45-46页 |
| 第五章 结论与展望 | 第46-47页 |
| 参考文献 | 第47-50页 |
| 附录 | 第50-59页 |
| 在学期间的研究成果 | 第59-60页 |
| 致谢 | 第60页 |