| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 1. 绪论 | 第8-20页 |
| ·选题背景 | 第8-9页 |
| ·研究意义 | 第9-11页 |
| ·理论意义 | 第9-10页 |
| ·现实意义 | 第10-11页 |
| ·财务预警研究成果综述 | 第11-18页 |
| ·国外财务预警研究综述 | 第11-13页 |
| ·国内财务预警研究综述 | 第13-18页 |
| ·财务预警研究综述评述 | 第18页 |
| ·本文研究内容及方法 | 第18-20页 |
| ·研究内容 | 第18-19页 |
| ·研究方法 | 第19-20页 |
| 2. 财务预警系统的基本理论 | 第20-23页 |
| ·财务风险和财务预警 | 第20-21页 |
| ·财务预警系统的内容、分类和职能 | 第21-23页 |
| ·财务预警系统的内容 | 第21页 |
| ·财务预警系统的分类 | 第21-22页 |
| ·财务预警系统的职能 | 第22-23页 |
| 3. 支持向量机的基本理论 | 第23-33页 |
| ·统计学习理论概述 | 第23-25页 |
| ·机器学习问题 | 第23页 |
| ·VC 维和推广性的界 | 第23-24页 |
| ·结构风险最小化 | 第24-25页 |
| ·支持向量机的主要内容 | 第25-30页 |
| ·支持向量机的基本思想 | 第25-26页 |
| ·线性支持向量机 | 第26-29页 |
| ·非线性支持向量机 | 第29-30页 |
| ·支持向量机基本模型的构建 | 第30-33页 |
| 4. 基于SVM 的财务预警模型的实证分析 | 第33-42页 |
| ·样本选取与财务指标的选择 | 第33-36页 |
| ·样本设计 | 第33页 |
| ·财务指标的选择和描述 | 第33-36页 |
| ·实证分析 | 第36-37页 |
| ·模型的结果分析 | 第36-37页 |
| ·SVM 模型的可行性分析 | 第37页 |
| ·SVM 财务预警模型与BP 神经网络模型之比较 | 第37-42页 |
| 5. 结论及展望 | 第42-44页 |
| ·研究结论 | 第42页 |
| ·研究局限和展望 | 第42-44页 |
| 参考文献 | 第44-48页 |
| 攻读硕士学位期间完成的学术论文及在读期间参加的科研项目 | 第48-49页 |
| 致谢 | 第49-50页 |