| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 选题背景及意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-13页 |
| 1.3 研究内容及结构设计 | 第13-14页 |
| 1.4 本文主要创新点 | 第14-15页 |
| 第2章 财务风险预警的相关理论基础 | 第15-19页 |
| 2.1 财务危机的界定及其表现形式 | 第15页 |
| 2.2 财务风险预警的理论依据 | 第15-16页 |
| 2.3 财务预警指标体系的构建 | 第16-18页 |
| 2.3.1 指标体系构建的原则 | 第16-17页 |
| 2.3.2 财务预警指标体系的建立 | 第17-18页 |
| 2.4 应用于财务预警模型中的学习算法 | 第18-19页 |
| 第3章 基于LASSO-LOGISTIC模型的上市公司财务预警 | 第19-25页 |
| 3.1 引言 | 第19页 |
| 3.2 LASSO方法 | 第19页 |
| 3.3 LASSO-LOGISTIC回归模型 | 第19-20页 |
| 3.4 试验模拟与结果分析 | 第20-24页 |
| 3.4.1 数据指标的选取 | 第20-21页 |
| 3.4.2 预警模型的建立 | 第21-24页 |
| 3.5 本章小结 | 第24-25页 |
| 第4章 基于KMV模型与支持向量机的上市公司财务状况分析预测 | 第25-32页 |
| 4.1 引言 | 第25页 |
| 4.2 KMV模型理论框架 | 第25-27页 |
| 4.2.1 KMV模型的原理 | 第25-26页 |
| 4.2.2 KMV模型的计算步骤 | 第26-27页 |
| 4.3 主成分分析 | 第27页 |
| 4.4 支持向量机 | 第27-28页 |
| 4.5 实验模拟与结果分析 | 第28-31页 |
| 4.5.1 数据指标的选取 | 第28页 |
| 4.5.2 KMV参数的选取及计算 | 第28-30页 |
| 4.5.3 财务预警支持向量机模型 | 第30-31页 |
| 4.6 本章小结 | 第31-32页 |
| 第5章 基于广义回归神经网络的上市公司财务预警分析 | 第32-39页 |
| 5.1 引言 | 第32页 |
| 5.2 神经网络介绍 | 第32-33页 |
| 5.3 广义回归神经网络 | 第33-34页 |
| 5.4 BP神经网络算法 | 第34-36页 |
| 5.5 实验模拟与结果分析 | 第36-38页 |
| 5.5.1 数据指标的选取及变量设计 | 第36页 |
| 5.5.2 GRNN在财务预警中的应用 | 第36-37页 |
| 5.5.3 GRNN与BP神经网络结果对比 | 第37-38页 |
| 5.6 本章小结 | 第38-39页 |
| 第6章 基于因子分析和LOGISTIC回归的新三板市场稳定性分析 | 第39-47页 |
| 6.1 引言 | 第39页 |
| 6.2 因子分析法介绍 | 第39-40页 |
| 6.3 LOGISTIC回归模型 | 第40-41页 |
| 6.4 实验模拟与结果分析 | 第41-46页 |
| 6.4.1 数据指标的选取及统计描述 | 第41-42页 |
| 6.4.2 因子分析 | 第42-45页 |
| 6.4.3 基于因子分析的Logistic预警模型的建立 | 第45-46页 |
| 6.5 本章小结 | 第46-47页 |
| 第7章 结论与展望 | 第47-49页 |
| 7.1 结论 | 第47-48页 |
| 7.2 展望 | 第48-49页 |
| 参考文献 | 第49-53页 |
| 作者简历 | 第53-54页 |
| 后记 | 第54页 |
