商业银行内部信用评级与支持向量机应用研究
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-8页 |
| 前言 | 第8-10页 |
| 1 选题背景和意义 | 第8页 |
| 2 论文框架 | 第8-9页 |
| 3 主要创新 | 第9-10页 |
| 第一章 信用评级系统研究 | 第10-32页 |
| ·信用评级概述 | 第10-13页 |
| ·信用评级的概念 | 第10-11页 |
| ·信用评级的过程和内容 | 第11-13页 |
| ·信用评级的专家方法 | 第13-17页 |
| ·专家分析法 | 第13-14页 |
| ·信用记分表法 | 第14-15页 |
| ·层次分析法和模糊综合评价法 | 第15-17页 |
| ·信用评级的统计方法 | 第17-25页 |
| ·Z 评分模型 | 第17-18页 |
| ·信用评级的统计观点 | 第18-19页 |
| ·分类器的特征集 | 第19-20页 |
| ·分类器的训练和评价 | 第20-25页 |
| ·信用评级的风险管理背景 | 第25-31页 |
| ·信用评级的风险管理本质 | 第25-27页 |
| ·信用评级的风险管理意义 | 第27-31页 |
| ·小结 | 第31-32页 |
| 第二章 统计模式识别方法综述 | 第32-46页 |
| ·统计模式识别方法概述 | 第32-34页 |
| ·模式识别方法概述 | 第32-33页 |
| ·模式识别方法应用历史和现状 | 第33-34页 |
| ·密度估计法 | 第34-37页 |
| ·贝叶斯决策准则 | 第34-35页 |
| ·密度估计参数法 | 第35页 |
| ·密度估计非参数法 | 第35-37页 |
| ·线性判别模型 | 第37-43页 |
| ·概述 | 第37-38页 |
| ·感知器准则判别 | 第38-39页 |
| ·最小平方误差准则判别 | 第39-40页 |
| ·Fisher 准则判别 | 第40页 |
| ·Logistic 线性判别 | 第40-42页 |
| ·小结 | 第42-43页 |
| ·非线性判别模型 | 第43-46页 |
| ·人工神经网络 | 第43-45页 |
| ·树方法 | 第45-46页 |
| 第三章 支持向量机理论与算法综述 | 第46-62页 |
| ·统计学习理论综述 | 第46-52页 |
| ·统计学习理论概述 | 第46-47页 |
| ·经验风险最小化准则 | 第47-48页 |
| ·统计学习理论的关键定理 | 第48-50页 |
| ·VC 维与结构风险最小化准则 | 第50-52页 |
| ·支持向量机的基本原理 | 第52-58页 |
| ·线性分类器 | 第52-55页 |
| ·非线性分类器 | 第55-56页 |
| ·多类别分类器 | 第56-58页 |
| ·支持向量机算法和应用综述 | 第58-62页 |
| ·算法和应用综述 | 第58-59页 |
| ·BSVM 算法 | 第59页 |
| ·v-SVM 算法 | 第59-60页 |
| ·LS-SVM 算法 | 第60-61页 |
| ·小结 | 第61-62页 |
| 第四章 SVM 在信用分析中应用的实证研究 | 第62-78页 |
| ·一般试验过程 | 第63-67页 |
| ·一般试验过程 | 第63页 |
| ·数据采集和预处理 | 第63-64页 |
| ·特征选择 | 第64-65页 |
| ·特征提取 | 第65页 |
| ·模型选择 | 第65页 |
| ·模型训练 | 第65-66页 |
| ·结果评价 | 第66-67页 |
| ·实证研究 | 第67-76页 |
| ·数据来源 | 第67-68页 |
| ·训练过程设计 | 第68-71页 |
| ·训练结果 | 第71-74页 |
| ·与其他模型对比 | 第74-76页 |
| ·结论和讨论 | 第76-78页 |
| ·优化目标和泛化能力 | 第76-77页 |
| ·适用性 | 第77-78页 |
| 第五章 结论和展望 | 第78-81页 |
| ·结论 | 第78-80页 |
| ·展望 | 第80-81页 |
| 致谢 | 第81-82页 |
| 参考文献 | 第82-85页 |
| 在校期间发表论文和参与课题研究 | 第85-86页 |
| 详细摘要 | 第86-90页 |
| 江苏省优秀硕士学位论文推荐表 | 第90-91页 |
