| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第12-19页 |
| 1.1 研究背景与意义 | 第12-14页 |
| 1.1.1 研究背景 | 第12-13页 |
| 1.1.2 研究意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-16页 |
| 1.2.1 国外研究现状 | 第14-15页 |
| 1.2.2 国内研究现状 | 第15-16页 |
| 1.3 本文的结构和内容安排 | 第16-18页 |
| 1.3.1 结构与总体方案 | 第16-17页 |
| 1.3.2 本文内容安排 | 第17-18页 |
| 1.4 本文的创新点 | 第18-19页 |
| 第2章 信贷风险及预估理论概述 | 第19-30页 |
| 2.1 信贷风险理论概述 | 第19-21页 |
| 2.1.1 风险的概念 | 第19页 |
| 2.1.2 商业银行信贷风险的定义 | 第19-20页 |
| 2.1.3 信贷风险的特征 | 第20-21页 |
| 2.2 信贷风险预估理论概述 | 第21-22页 |
| 2.2.1 信贷风险预估 | 第21页 |
| 2.2.2 信贷风险管理概述 | 第21-22页 |
| 2.2.3 商业银行信贷风险预估与管理 | 第22页 |
| 2.3 信贷风险的成因分析 | 第22-24页 |
| 2.3.1 产权制度的缺陷 | 第22-24页 |
| 2.3.2 信息不对称 | 第24页 |
| 2.4 商业银行信贷风险评估方法概述 | 第24-30页 |
| 2.4.1 专家方法 | 第24-25页 |
| 2.4.2 信贷评级方法 | 第25-26页 |
| 2.4.3 统计分析方法 | 第26-27页 |
| 2.4.4 人工专家系统法 | 第27页 |
| 2.4.5 数据包络分析法 | 第27页 |
| 2.4.6 期权模型 | 第27-28页 |
| 2.4.7 信贷计量模型 | 第28页 |
| 2.4.8 违约风险统计模型 | 第28-29页 |
| 2.4.9 神经网络方法 | 第29-30页 |
| 第3章 主成分分析理论与人工神经网络技术 | 第30-40页 |
| 3.1 主成分分析理论 | 第30-32页 |
| 3.1.1 主成分分析的基本概念 | 第30页 |
| 3.1.2 主成分分析的一般步骤 | 第30-32页 |
| 3.2 人工神经网络技术 | 第32-33页 |
| 3.2.1 人工神经元模型 | 第32-33页 |
| 3.2.2 人工神经网络模型拓扑结构结构 | 第33页 |
| 3.3 BP神经网络 | 第33-40页 |
| 3.3.1 BP神经网络学习算法 | 第33-37页 |
| 3.3.2 多种学习算法的误差性能比较 | 第37-40页 |
| 第4章 基于改进BPNN的商业银行信贷风险评估模型 | 第40-56页 |
| 4.1 信贷风险评估指标体系的建立 | 第40-43页 |
| 4.1.1 商业银行信贷风险评估指标体系构建原则 | 第40-41页 |
| 4.1.2 商业银行信贷风险预警指标体系的建立 | 第41-43页 |
| 4.2 建模变量选取 | 第43页 |
| 4.3 数据处理 | 第43-46页 |
| 4.3.1 样本来源 | 第43-44页 |
| 4.3.2 样本选取 | 第44页 |
| 4.3.3 去噪和异常处理 | 第44-45页 |
| 4.3.4 归一化处理 | 第45-46页 |
| 4.4 改进BPNN建模 | 第46-50页 |
| 4.4.1 输入输出变量 | 第46页 |
| 4.4.2 隐层数 | 第46页 |
| 4.4.3 隐节点数 | 第46-49页 |
| 4.4.4 网络训练及仿真分析 | 第49-50页 |
| 4.5 改进PCA-BPNN建模 | 第50-56页 |
| 4.5.1 输入数据的主成分分析 | 第50-53页 |
| 4.5.2 PCA-LM神经网络模型 | 第53-54页 |
| 4.5.3 网络训练及仿真分析 | 第54-56页 |
| 结论 | 第56-58页 |
| 参考文献 | 第58-64页 |
| 致谢 | 第64-65页 |
| 附件 | 第65-71页 |