| 摘要 | 第2-3页 |
| Abstract | 第3页 |
| 1 绪论 | 第6-14页 |
| 1.1 选题背景及意义 | 第6-7页 |
| 1.1.1 选题背景 | 第6页 |
| 1.1.2 选题意义 | 第6-7页 |
| 1.2 国内外研究现状及评述 | 第7-12页 |
| 1.2.1 信用评价指标体系的研究现状 | 第7-9页 |
| 1.2.2 信用违约判别评价的研究现状 | 第9-10页 |
| 1.2.3 非平衡数据样本条件下信用风险评价的研究现状 | 第10-12页 |
| 1.3 研究内容与框架 | 第12页 |
| 1.4 论文的创新点 | 第12-14页 |
| 2 神经网络的基本模型 | 第14-21页 |
| 2.1 神经网络方法介绍 | 第14-15页 |
| 2.2 理论违约状态的测算 | 第15-18页 |
| 2.3 神经网络判别违约状态的步骤 | 第18-21页 |
| 3 基于最佳平衡样本比率与最优指标组合的违约判别模型构建 | 第21-30页 |
| 3.1 指标数据的标准化处理 | 第21-23页 |
| 3.1.1 原始数据的预处理 | 第21页 |
| 3.1.2 指标数据标准化的方法 | 第21-23页 |
| 3.2 样本的定义与处理 | 第23-24页 |
| 3.3 基于相关性分析的第一次指标遴选 | 第24-26页 |
| 3.4 基于违约判别准确率的第二次指标遴选 | 第26-27页 |
| 3.5 违约判别模型的构建 | 第27-28页 |
| 3.6 最佳配比β*的确定 | 第28页 |
| 3.7 对比分析 | 第28-30页 |
| 4 基于最佳平衡样本比率与最优指标组合的违约判别模型构建的实证研究 | 第30-45页 |
| 4.1 违约判别指标的海选 | 第30页 |
| 4.2 样本及数据来源 | 第30-32页 |
| 4.3 指标数据的标准化处理 | 第32-36页 |
| 4.3.1 原始数据的预处理 | 第32-33页 |
| 4.3.2 指标数据的标准化 | 第33-36页 |
| 4.4 非平衡样本的处理 | 第36-37页 |
| 4.5 基于相关性分析的第一次指标遴选 | 第37-39页 |
| 4.6 基于违约判别准确率的指标组合遴选 | 第39-41页 |
| 4.7 违约判别模型的构建 | 第41-43页 |
| 4.8 最佳样本平衡配比β*的确定 | 第43-44页 |
| 4.9 对比分析 | 第44-45页 |
| 5 结论 | 第45-47页 |
| 5.1 主要工作与研究结论 | 第45页 |
| 5.2 主要创新与特色 | 第45页 |
| 5.3 研究展望 | 第45-47页 |
| 参考文献 | 第47-52页 |
| 攻读硕士学位期间发表学术论文情况 | 第52-53页 |
| 致谢 | 第53-55页 |
