数据挖掘在商业银行信用风险管理中的应用研究
中文摘要 | 第1-6页 |
英文摘要 | 第6-12页 |
第1章 引言 | 第12-16页 |
·研究背景及意义 | 第12-13页 |
·问题的提出 | 第13-14页 |
·论文的研究思路和方法 | 第14-15页 |
·论文研究思路 | 第14页 |
·论文研究方法 | 第14-15页 |
·论文的结构 | 第15-16页 |
第2章 商业银行风险理论及信用风险管理 | 第16-35页 |
·商业银行风险 | 第16-28页 |
·金融风险 | 第16页 |
·金融风险管理 | 第16-19页 |
·商业银行风险理论及风险管理 | 第19-26页 |
·商业银行风险研究意义 | 第26-28页 |
·商业银行信用风险管理概述 | 第28-29页 |
·商业银行信用风险管理的传统方法 | 第29-30页 |
·专家系统 | 第29页 |
·信用评等系统 | 第29-30页 |
·信用评分系统 | 第30页 |
·商业信用风险管理的现代方法 | 第30-32页 |
·现代信用风险方法简介 | 第30-31页 |
·现代信用风险方法评述 | 第31-32页 |
·商业银行实施信用风险管理的必要性 | 第32-35页 |
·信用风险是我国国有商业银行所面临的最重要的风险 | 第33页 |
·《新巴塞尔协议》对商业银行的信用风险管理影响 | 第33-35页 |
第3章 数据挖掘在信用风险管理中的应用与现状分析 | 第35-48页 |
·数据挖掘及其在银行中的应用 | 第35-40页 |
·数据挖掘的基本原理 | 第35-38页 |
·数据挖掘工具 | 第38-39页 |
·数据挖掘技术在商业银行中的应用 | 第39-40页 |
·应用数据挖掘分析商业银行信用风险的必要性 | 第40页 |
·数据挖掘在信用风险管理中的作用 | 第40-42页 |
·对信用数据的概念/类描述:特征化和区分 | 第41页 |
·对信用数据的关联分析 | 第41页 |
·对信用风险分类和预测分析 | 第41-42页 |
·对信用数据的聚类分析 | 第42页 |
·信用数据的孤立点分析 | 第42页 |
·信用数据的时间序列分析 | 第42页 |
·数据挖掘在信用风险管理中的应用现状分析 | 第42-48页 |
·国外数据挖掘在信用风险管理中的应用 | 第43页 |
·国内数据挖掘在信用风险管理中的应用 | 第43-45页 |
·数据挖掘在我国商业的信用风险的应用前景展望 | 第45-48页 |
第4章 商业银行信用风险违约模型研究 | 第48-55页 |
·违约的标准定义 | 第48-49页 |
·计算违约的数学工具 | 第49-50页 |
·判别分析 | 第49页 |
·逻辑回归 | 第49-50页 |
·主成分分析 | 第50页 |
·神经网络分析 | 第50页 |
·违约模型的比较研究 | 第50-53页 |
·古典违约分析 | 第50-51页 |
·奥特曼模型 | 第51页 |
·决策树模型 | 第51-52页 |
·宏观迁移模型 | 第52-53页 |
·违约模型评述 | 第53页 |
·违约概率模型在中国银行业的建立和应用 | 第53-55页 |
·加强违约概率模型的研究、开发和使用 | 第53页 |
·建立规范化的银行数据仓库 | 第53-54页 |
·强化财务数据反欺诈能力 | 第54页 |
·组建一支专业化的人才队伍 | 第54-55页 |
第5章 商业银行信用风险违约实证研究 | 第55-87页 |
·背景介绍 | 第55页 |
·样本设计 | 第55-56页 |
·数据预处理 | 第56-58页 |
·数据特征化与比较 | 第58-65页 |
·主成分分析选取主成分 | 第65-68页 |
·主成分分析简介 | 第65页 |
·主成分分析选取主成分 | 第65-68页 |
·变量检验与筛选 | 第68-70页 |
·组均值相等的检验 | 第68-69页 |
·变量筛选 | 第69-70页 |
·多重共线性检验 | 第70页 |
·模型的预测与比较 | 第70-87页 |
·多元判别分析模型 | 第70-72页 |
·Logistic模型 | 第72-74页 |
·决策树模型 | 第74-82页 |
·神经网络模型 | 第82-85页 |
·判别结果比较及模型修正 | 第85-87页 |
第6章 结论及进一步研究的展望 | 第87-90页 |
·本文的研究贡献和结论 | 第87-88页 |
·本研究的局限 | 第88页 |
·进一步研究的展望 | 第88-90页 |
致谢 | 第90-91页 |
参考文献 | 第91-92页 |