基于机器学习的上市公司信用风险预警研究
| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 1 绪论 | 第9-17页 |
| 1.1 研究背景和意义 | 第9-11页 |
| 1.1.1 研究背景 | 第9-10页 |
| 1.1.2 研究意义 | 第10-11页 |
| 1.2 文献综述 | 第11-15页 |
| 1.2.1 国外研究综述 | 第11-13页 |
| 1.2.2 国内研究综述 | 第13-15页 |
| 1.3 本文研究方法及思路 | 第15-17页 |
| 1.3.1 研究方法 | 第15页 |
| 1.3.2 研究思路与框架 | 第15-17页 |
| 2 信用风险及信用风险预警模型阐述 | 第17-26页 |
| 2.1 信用风险概述 | 第17-19页 |
| 2.1.1 信用风险内涵的界定 | 第17页 |
| 2.1.2 信用风险的分类 | 第17-18页 |
| 2.1.3 信用风险的特点 | 第18-19页 |
| 2.2 上市公司信用风险现状分析 | 第19-21页 |
| 2.2.1 我国上市公司的发展现状 | 第19-20页 |
| 2.2.2 我国上市公司信用风险的现状 | 第20-21页 |
| 2.3 信用风险预警模型阐述 | 第21-26页 |
| 2.3.1 传统信用预警模型 | 第21-23页 |
| 2.3.2 现代信用预警模型 | 第23-26页 |
| 3 信用风险预警的指标体系设计 | 第26-32页 |
| 3.1 指标体系设计 | 第26页 |
| 3.2 信用风险预警的影响因素 | 第26-29页 |
| 3.3 财务指标的设计 | 第29-30页 |
| 3.4 非财务指标的设计 | 第30-31页 |
| 3.5 本章小结 | 第31-32页 |
| 4 上市公司信用风险预警的实证分析 | 第32-50页 |
| 4.1 样本选取与数据预处理 | 第32-33页 |
| 4.1.1 数据来源 | 第32页 |
| 4.1.2 数据预处理 | 第32-33页 |
| 4.2 主成分因子的提取 | 第33-36页 |
| 4.3 基于机器学习算法的预警模型的建立与分析 | 第36-47页 |
| 4.3.1 基于BP神经网络的预警模型 | 第36-40页 |
| 4.3.2 基于支持向量机的预警模型 | 第40-43页 |
| 4.3.3 基于随机森林的预警模型 | 第43-47页 |
| 4.4 模型的探究与仿真 | 第47-49页 |
| 4.4.1 样本选择与数据来源 | 第47-48页 |
| 4.4.2 模型预测与分析 | 第48-49页 |
| 4.5 本章小结 | 第49-50页 |
| 5 总结和展望 | 第50-52页 |
| 5.1 总结 | 第50页 |
| 5.2 展望 | 第50-52页 |
| 参考文献 | 第52-55页 |
| 附录 | 第55-65页 |
| 致谢 | 第65-66页 |
