基于遗传算法的金融高性能计算
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-9页 |
| 第一章 绪论 | 第9-13页 |
| ·研究背景 | 第9-10页 |
| ·研究目的与意义 | 第10-11页 |
| ·主要研究工作 | 第11页 |
| ·论文组织结构 | 第11-13页 |
| 第二章 相关研究工作 | 第13-21页 |
| ·高频现金流分析 | 第13-15页 |
| ·企业现金流管理 | 第13页 |
| ·高频现金流特点分析 | 第13-15页 |
| ·现金流管理系统优化难点 | 第15页 |
| ·供应链金融管理系统 | 第15-17页 |
| ·发展历史 | 第15-16页 |
| ·存贷信息服务 | 第16-17页 |
| ·高性能计算技术研究现状 | 第17-19页 |
| ·计算机集群系统 | 第17-18页 |
| ·共享内存多核计算机系统 | 第18页 |
| ·通用计算图形处理单元 | 第18-19页 |
| ·并行遗传算法研究现状 | 第19-21页 |
| 第三章 金融风险模型 | 第21-26页 |
| ·引言 | 第21-22页 |
| ·关键绩效指标 | 第22-23页 |
| ·流动性风险评估 | 第22页 |
| ·杠杆/偿债风险评估 | 第22-23页 |
| ·运动风险评估 | 第23页 |
| ·ALTMAN Z-SCORE模型 | 第23-25页 |
| ·经典Z-Score模型 | 第24-25页 |
| ·非上市企Z-Score模型 | 第25页 |
| ·针对非制造企业与新兴市场信贷Z-Score模型 | 第25页 |
| ·Z_(China)-Score | 第25页 |
| ·本章小结 | 第25-26页 |
| 第四章 基于自然语言处理的企业风险评级 | 第26-37页 |
| ·引言 | 第26-27页 |
| ·企业报表数据特征与预处理 | 第27-28页 |
| ·数据来源 | 第27页 |
| ·数据特征与数据清洗 | 第27-28页 |
| ·企业报表自然语言特性分析 | 第28-31页 |
| ·统计语言建模 | 第28-29页 |
| ·N-gram随机语言模型 | 第29-30页 |
| ·语言模型的平滑技术 | 第30页 |
| ·基于N-gram模型的词法分析 | 第30-31页 |
| ·企业报表可读性分析 | 第31-32页 |
| ·文本可读性与衡量指标 | 第31页 |
| ·自然语言可读性计算 | 第31-32页 |
| ·可读性特征集选取 | 第32页 |
| ·企业报表风险情绪自动检测 | 第32-33页 |
| ·事件分析法 | 第32页 |
| ·基于SVM的语言特征分类 | 第32-33页 |
| ·实验结果 | 第33-36页 |
| ·语料库基础数据分析 | 第33-34页 |
| ·特征分类 | 第34-36页 |
| ·本章小结 | 第36-37页 |
| 第五章 混合式并行遗传算法 | 第37-53页 |
| ·内存计算体系结构 | 第37-38页 |
| ·输入输出 | 第38-40页 |
| ·混合并行遗传算法框架 | 第40-42页 |
| ·染色体数据结构 | 第42-44页 |
| ·借贷融资规划染色体 | 第42-43页 |
| ·投资组合规划染色体 | 第43页 |
| ·集成借贷与投资规划的染色体 | 第43-44页 |
| ·遗传算法搜索空间分析与压缩策略 | 第44-45页 |
| ·进化方法与参数 | 第45-52页 |
| ·初始种群生成 | 第45-46页 |
| ·适应度计算 | 第46-50页 |
| ·变异与交叉方法 | 第50-51页 |
| ·子代选择 | 第51页 |
| ·参数选择 | 第51-52页 |
| ·本章小结 | 第52-53页 |
| 第六章 实验设计与结果 | 第53-63页 |
| ·实验设置 | 第53-55页 |
| ·实验平台 | 第55-56页 |
| ·实验结果 | 第56-62页 |
| ·优化结果对比 | 第56-60页 |
| ·适应度增长状况 | 第60-61页 |
| ·并行效率 | 第61-62页 |
| ·本章小结 | 第62-63页 |
| 第七章 总结与展望 | 第63-64页 |
| ·研究工作总结 | 第63页 |
| ·可扩展工作与展望 | 第63-64页 |
| 参考文献 | 第64-69页 |
| 致谢 | 第69-70页 |
| 攻读学位期间主要的研究成果 | 第70页 |
