| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 引言 | 第9-18页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 国内外相关研究 | 第10-14页 |
| 1.2.1 国外相关研究 | 第10-11页 |
| 1.2.2 国内相关研究 | 第11-14页 |
| 1.3 研究方法和思路框架 | 第14-16页 |
| 1.3.1 研究方法 | 第14-15页 |
| 1.3.2 研究思路 | 第15-16页 |
| 1.4 本文创新点 | 第16-18页 |
| 第2章 互联网金融的基本概念和神经网络的理论基础 | 第18-34页 |
| 2.1 互联网金融的基本概念 | 第18-22页 |
| 2.1.1 互联网金融与P2P网络借贷 | 第18-21页 |
| 2.1.2 互联网金融风险预警 | 第21-22页 |
| 2.2 互联网金融风险的影响因素 | 第22-29页 |
| 2.2.1 宏观因素 | 第22-24页 |
| 2.2.2 微观因素 | 第24-29页 |
| 2.3 神经网络数据挖掘方法 | 第29-34页 |
| 2.3.1 神经网络设计的基本原理 | 第29-31页 |
| 2.3.2 三层BP网络的学习原理分析 | 第31页 |
| 2.3.3 BP网络的正向传播 | 第31-32页 |
| 2.3.4 网络的误差反向传播 | 第32-33页 |
| 2.3.5 BP网络学习算法 | 第33-34页 |
| 第3章 基于BP神经网络的互联网金融P2P网络借贷风险预警模型构建 | 第34-45页 |
| 3.1 指标选取 | 第34-37页 |
| 3.1.1 指标筛选原则 | 第34-35页 |
| 3.1.2 预警指标体系的构建 | 第35-37页 |
| 3.2 基于主成分分析的风险综合值的度量 | 第37-38页 |
| 3.2.1 主成分分析法的原理 | 第37页 |
| 3.2.2 综合风险值的度量 | 第37-38页 |
| 3.3 运用改进的KLR信号分析法构建信号区间 | 第38-40页 |
| 3.3.1 改进的信号分析法原理 | 第38-39页 |
| 3.3.2 预警信号区间的建立 | 第39-40页 |
| 3.4 神经网络模型的构建 | 第40-45页 |
| 3.4.1 神经网络的构造 | 第40-41页 |
| 3.4.2 对BP神经网络权值及阀值的修正 | 第41-45页 |
| 第4章 对互联网金融风险预警的实证研究 | 第45-58页 |
| 4.1 数据来源 | 第45-46页 |
| 4.2 预警分析 | 第46-51页 |
| 4.2.1 模型运算 | 第46-50页 |
| 4.2.2 运用改进的KLR信号分析法确定平台综合风险状况 | 第50-51页 |
| 4.3 改进BP神经网络模型的训练 | 第51-55页 |
| 4.3.1 模型训练需要考虑的因素 | 第51-54页 |
| 4.3.2 训练结果 | 第54-55页 |
| 4.4 实证结果分析 | 第55-58页 |
| 第5章 结果分析及政策建议 | 第58-65页 |
| 5.1 主要研究结论 | 第58-59页 |
| 5.2 政策建议 | 第59-65页 |
| 5.2.1 互联网金融P2P借贷风险内部管理措施 | 第59-62页 |
| 5.2.2 互联网金融P2P借贷风险外部防范措施 | 第62-65页 |
| 参考文献 | 第65-68页 |
| 致谢 | 第68-69页 |
| 个人简历及在校期间论文发表情况及科研成果 | 第69页 |