| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第12-23页 |
| 1.1 研究背景 | 第12-13页 |
| 1.2 研究意义 | 第13-15页 |
| 1.3 国内外研究进展 | 第15-21页 |
| 1.3.1 国内外关于财务风险预测方法的研究进展 | 第15-18页 |
| 1.3.2 人工神经网络在财务风险预测中的应用 | 第18-21页 |
| 1.4 本文的主要内容及创新点 | 第21-23页 |
| 第二章 财务风险和神经网络的相关理论 | 第23-33页 |
| 2.1 财务风险的相关基本理论 | 第23-26页 |
| 2.1.1 财务风险的含义 | 第23页 |
| 2.1.2 财务风险的成因 | 第23-25页 |
| 2.1.3 财务风险的预测 | 第25-26页 |
| 2.2 BP神经网络 | 第26-30页 |
| 2.2.1 BP神经网络的基本思想 | 第26-27页 |
| 2.2.2 BP神经网络的算法 | 第27-29页 |
| 2.2.3 BP神经网络的不足与改进 | 第29-30页 |
| 2.3 粒子群优化算法 | 第30-33页 |
| 第三章 基于主成分分析的财务风险指标研究 | 第33-41页 |
| 3.1 影响财务风险的指标 | 第33-35页 |
| 3.1.1 财务风险指标的意义 | 第33-34页 |
| 3.1.2 影响财务风险的指标 | 第34-35页 |
| 3.2 指标的选取及体系的建立 | 第35-37页 |
| 3.3 财务风险指标的主成分分析 | 第37-40页 |
| 3.3.1 主成分分析法 | 第37页 |
| 3.3.2 财务风险指标的主成分分析 | 第37-40页 |
| 3.4 本章小结 | 第40-41页 |
| 第四章 基于PSO-BP神经网络的财务风险预测模型研究 | 第41-49页 |
| 4.1 基于PSO-BP神经网络的财务风险预测模型的基本思想 | 第41-43页 |
| 4.1.1 BP神经网络结构分析 | 第41页 |
| 4.1.2 粒子群优化算法与神经网络的结合 | 第41-43页 |
| 4.2 基于PSO-BP神经网络的财务风险预测模型的构建 | 第43-46页 |
| 4.3 模型网络结构和初始参数设置 | 第46-48页 |
| 4.4 本章小结 | 第48-49页 |
| 第五章 上市公司财务风险的仿真研究 | 第49-59页 |
| 5.1 研究样本的设计和数据的处理 | 第49-51页 |
| 5.1.1 研究样本的选取 | 第49-50页 |
| 5.1.2 数据的处理 | 第50-51页 |
| 5.2 运用PSO-BP模型进行财务风险预测 | 第51-55页 |
| 5.2.1 PSO算法优化BP神经网络 | 第51-53页 |
| 5.2.2 PSO-BP模型的训练过程 | 第53-55页 |
| 5.3 模型效果分析与比较 | 第55-58页 |
| 5.4 本章小结 | 第58-59页 |
| 总结与展望 | 第59-61页 |
| 参考文献 | 第61-69页 |
| 攻读学位期间发表的学术论文 | 第69-70页 |
| 致谢 | 第70页 |
