| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 一、绪论 | 第9-16页 |
| (一) 研究背景及意义 | 第9-11页 |
| 1. 研究背景 | 第9-10页 |
| 2. 研究意义 | 第10-11页 |
| (二) 研究的内容与组织结构 | 第11-13页 |
| (三) 研究的方法和技术路线 | 第13-15页 |
| (四) 论文的创新之处 | 第15-16页 |
| 二、国内外文献综述 | 第16-28页 |
| (一) 财务困境概念的界定 | 第16-19页 |
| 1. 国外学者对财务困境的界定 | 第16-17页 |
| 2. 国内学者对财务困境的界定 | 第17-18页 |
| 3. 本文对财务困境概念的界定 | 第18-19页 |
| (二) 基于平衡数据的财务困境预测研究 | 第19-24页 |
| 1. 一元判别模型 | 第19-20页 |
| 2. 多元线性判别模型 | 第20-21页 |
| 3. 多元逻辑判别模型 | 第21页 |
| 4. 人工智能判别模型 | 第21-24页 |
| 5. 其他方法和模型 | 第24页 |
| (三) 非平衡分类研究 | 第24-28页 |
| 1. 数据层面 | 第25-26页 |
| 2. 算法层面 | 第26-27页 |
| 3. 评价标准层面 | 第27-28页 |
| 三、基于SVM及其分类器集成的财务困境预测理论 | 第28-37页 |
| (一) 支持向量机理论 | 第28-30页 |
| (二) 分类器集成的相关理论 | 第30-33页 |
| 1. Bagging集成算法 | 第30-31页 |
| 2. AdaBoost集成算法 | 第31-33页 |
| (三) SVM集成模型构建 | 第33-37页 |
| 1. SVM+Bagging模型 | 第34-35页 |
| 2. SVM+Adaboost模型 | 第35-37页 |
| 四、基于过欠重抽样的SVM财务困境预测模型构建 | 第37-49页 |
| (一) 类别非平衡的过欠重抽样原理 | 第37-40页 |
| 1. SMOTE采样基本原理 | 第37-38页 |
| 2. Tome links欠抽样技术原理 | 第38-39页 |
| 3. SMOTE与Tome links相融合 | 第39-40页 |
| (二) 基于过欠重抽样的类别非平衡单SVM财务困境预测模型 | 第40-43页 |
| 1. SVM+SMOTE模型 | 第40-41页 |
| 2. SVM+Tome links模型 | 第41-42页 |
| 3. SVM+SMOTE+Tome Links模型 | 第42-43页 |
| (三) 基于过欠重抽样的类别非平衡多SVM财务困境预测模型 | 第43-49页 |
| 1. SVM+SMOTE+Bagging模型 | 第43-44页 |
| 2. SVM+SMOTE+Adaboost模型 | 第44-46页 |
| 3. SMOTE+Tome links+Bagging+SVM模型 | 第46-47页 |
| 4. SMOTE+Tome links+Adaboost+SVM模型 | 第47-49页 |
| 五、实证研究 | 第49-66页 |
| (一) 样本的收集和指标体系的构建 | 第49-53页 |
| 1. 样本的收集 | 第49-50页 |
| 2. 指标体系的构建 | 第50-53页 |
| (二) 评价标准的选择 | 第53-54页 |
| (三) 仿真实验和建模过程 | 第54-55页 |
| 1. 划分实验数据 | 第54页 |
| 2. 模型训练 | 第54-55页 |
| (四) 实验结果与对比分析 | 第55-66页 |
| 1. 单纯SVM模型与过欠抽样SVM模型的比较分析 | 第56-59页 |
| 2. 类别非平衡多SVM集成模型的比较分析 | 第59-61页 |
| 3. 过欠抽样与多SVM结合模型的比较分析 | 第61-66页 |
| 六、研究结论与展望 | 第66-68页 |
| 参考文献 | 第68-73页 |
| 附录A 备选财务指标 | 第73-76页 |
| 附录B 财务指标独立样本T检验 | 第76-80页 |
| 攻读学位期间取得的研究成果 | 第80-81页 |
| 致谢 | 第81-83页 |
