| 中文摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-12页 |
| 1.1 研究背景及意义 | 第8页 |
| 1.2 商业银行流动性风险的研究综述 | 第8-9页 |
| 1.2.1 国外研究现状 | 第8-9页 |
| 1.2.2 国内研究现状 | 第9页 |
| 1.3 商业银行流动性风险预警的研究综述 | 第9-10页 |
| 1.3.1 国外研究现状 | 第10页 |
| 1.3.2 国内研究现状 | 第10页 |
| 1.4 本文研究的主要内容 | 第10-12页 |
| 1.4.1 本文研究内容 | 第10-11页 |
| 1.4.2 本文的结构 | 第11-12页 |
| 第二章 基于GA算法的神经网络组合预测模型研究框架的构建 | 第12-15页 |
| 2.1 非线性组合预测模型的基本原理 | 第12页 |
| 2.2 GA优化组合模型权系数的原理 | 第12-13页 |
| 2.3 构建基于GA的神经网络组合预测模型的基本思路和框架 | 第13-14页 |
| 2.4 本章小结 | 第14-15页 |
| 第三章 基于GA算法组合预测模型的实现 | 第15-31页 |
| 3.1 指标的选取及预警界限的设计 | 第15-17页 |
| 3.1.1 指标体系的选择 | 第15页 |
| 3.1.2 样本的选择 | 第15-16页 |
| 3.1.3 预警界限的划分 | 第16-17页 |
| 3.2 数据的预处理 | 第17-19页 |
| 3.2.1 归一化处理 | 第17-18页 |
| 3.2.2 正态性检验 | 第18-19页 |
| 3.3 商业银行流动性风险的评估 | 第19-24页 |
| 3.3.1 主成分分析法的原理 | 第19页 |
| 3.3.2 主成分分析法的实现 | 第19-22页 |
| 3.3.3 主成分分析的结果 | 第22-24页 |
| 3.4 单一模型的选择 | 第24-26页 |
| 3.4.1 BP神经网络模型 | 第24-26页 |
| 3.4.2 RBF神经网络模型 | 第26页 |
| 3.5 组合预测模型的实现 | 第26-29页 |
| 3.5.1 GA组合模型的实现 | 第26-27页 |
| 3.5.2 GA组合模型实现的关键程序 | 第27-29页 |
| 3.6 本章小结 | 第29-31页 |
| 第四章 预警结果的分析比较 | 第31-36页 |
| 4.1 比较分析的根据 | 第31页 |
| 4.2 模型预测结果逼近效果的比较 | 第31-33页 |
| 4.3 模型的稳健性比较 | 第33-34页 |
| 4.4 流动性风险等级划分准确率的比较 | 第34-35页 |
| 4.5 本章小结 | 第35-36页 |
| 结论 | 第36-37页 |
| 参考文献 | 第37-39页 |
| 致谢 | 第39页 |