商业银行信用风险评估模型研究
| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第1章 绪论 | 第9-14页 |
| ·课题研究背景 | 第9页 |
| ·课题研究状况 | 第9-11页 |
| ·课题研究意义 | 第11-13页 |
| ·本文的主要研究内容 | 第13-14页 |
| 第2章 商业银行信用风险理论准备 | 第14-24页 |
| ·商业银行信用风险的内涵 | 第14-16页 |
| ·信用风险的定义 | 第14-15页 |
| ·信用风险的特征 | 第15-16页 |
| ·信用风险的成因 | 第16页 |
| ·商业银行信用风险的管理 | 第16-18页 |
| ·信用风险管理概念 | 第16-17页 |
| ·信用风险管理的特征 | 第17页 |
| ·信用风险管理的模式 | 第17-18页 |
| ·商业银行信用风险的指标体系 | 第18-22页 |
| ·信用风险指标体系的设计原则 | 第18-19页 |
| ·信用风险财务因素分析 | 第19-21页 |
| ·企业贷款方式因素分析 | 第21-22页 |
| ·宏观经济环境风险分析 | 第22页 |
| ·商业银行信用风险评级体系研究 | 第22-23页 |
| ·本章小结 | 第23-24页 |
| 第3章 基于神经网络的商业银行信用风险研究 | 第24-40页 |
| ·人工神经网络 | 第24-25页 |
| ·人工神经网络概述 | 第24页 |
| ·人工神经网络类型 | 第24-25页 |
| ·BP 神经网络 | 第25-32页 |
| ·BP 学习算法 | 第25-28页 |
| ·BP 神经网络构建 | 第28-30页 |
| ·网络信息容量与样本数 | 第30-31页 |
| ·神经网络结构设计 | 第31-32页 |
| ·RBF 神经网络 | 第32-39页 |
| ·RBF 神经网络简介 | 第32-33页 |
| ·RBF 算法 | 第33-37页 |
| ·RBF 神经网络模型 | 第37-39页 |
| ·商业银行信用风险神经网络评价模型的建立 | 第39页 |
| ·本章小结 | 第39-40页 |
| 第4章 支持向量机在商业银行信用风险中的研究 | 第40-48页 |
| ·支持向量机分类原理 | 第40-41页 |
| ·支持向量机的分类算法 | 第41-44页 |
| ·问题描述 | 第41-42页 |
| ·算法描述 | 第42-43页 |
| ·多类分类 | 第43-44页 |
| ·支持向量机的核函数 | 第44-46页 |
| ·核函数的概念 | 第44页 |
| ·核函数选择 | 第44-45页 |
| ·多项式核函数 | 第45页 |
| ·径向基核函数 | 第45-46页 |
| ·基于支持向量机的商业银行信用风险评价 | 第46-47页 |
| ·支持向量机用于信用风险评价的优势 | 第46页 |
| ·支持向量机在商业银行信用风险评估中的应用 | 第46-47页 |
| ·本章小结 | 第47-48页 |
| 第5章 实证分析 | 第48-60页 |
| ·信用风险研究数据处理 | 第48-50页 |
| ·样本的获取 | 第48页 |
| ·样本数据的预处理 | 第48-49页 |
| ·输入输出处理 | 第49-50页 |
| ·神经网络模型的分类实现 | 第50-54页 |
| ·Matlab 介绍 | 第50页 |
| ·BP 神经网络模型实现 | 第50-52页 |
| ·RBF 神经网络模型实现 | 第52-53页 |
| ·输出结果 | 第53-54页 |
| ·基于核函数选择支持向量机分类实现 | 第54-58页 |
| ·libsvm 介绍 | 第54-55页 |
| ·使用libsvm 实现支持向量机分类 | 第55-56页 |
| ·基于径向基核与多项式核支持向量机分类实现 | 第56-58页 |
| ·结果分析 | 第58-59页 |
| ·本章小结 | 第59-60页 |
| 结论 | 第60-62页 |
| 参考文献 | 第62-67页 |
| 致谢 | 第67页 |
