谈谈神经网络基于因子和支持向量机上市公司财务危机预警

摘要3-4

ABSTRACT4-8

第一章 绪论8-22

1.1 探讨背景8-9

1.2 探讨作用9-10

1.3 国内外探讨近况综述10-18

1.3.1 国内外财务危机预警探讨近况10-15

1.3.2 国内外企业绩效评价探讨近况15-16

1.3.3 财务危机与绩效评价比较16-18

1.4 本论文探讨框架18-22

1.4.1 本论文探讨思路18-19

1.4.2 本论文主要工作19-20

1.4.3 本论文篇章结构20-22

第二章 财务危机预警概述22-30

2.1 财务危机相关概念22-25

2.1.1 财务危机22-23

2.1.2 财务预警23-24

2.1.3 财务预警系统24-25

2.2 财务危机的原因及体现25-29

2.2.1 财务危机原因25-28

2.2.2 财务危机的体现28-29

2.3 本章小结29-30

第三章 统计学习论述与支持向量机30-42

3.1 机器学习30-31

3.2 统计学习论述31-35

3.2.1 经验风险最小化原则31-32

3.2.2 VC（Vapnik-Cheronenkis）维32-33

3.2.3 结构风险最小化原则33-35

3.3 支持向量机35-41

3.3.1 支持向量机基础论述35-39

3.3.2 混乱矩阵、两类错误率及损失函数39-40

3.3.3 支持向量机特点40-41

3.4 本章小结41-42

第四章 基于 SVM 的财务危机预警模型的构建42-60

4.1 企业财务危机预警模型的构建42-46

4.1.1 不足描述42-43

4.1.2 模型建立43-46

4.2 财务预警模型样本设计46-47

4.3 财务预警模型指标系统的构建47-52

4.3.1 财务预警模型指标系统的构建原则47-48

4.3.2 财务预警模型指标系统的初步选取48-52

4.4 财务预警模型指标数据统计浅析52-59

4.4.1 指标数据标准化处理52

4.4.2 指标数据差别性及相关性检验52-57

4.4.3 指标因子浅析57-59

4.5 本章小结59-60

第五章 基于 SVM 的财务预警模型的实证浅析60-70

5.1 实证探讨思路60-61

5.2 SVM 财务预警模型实证浅析61-63

5.2.1 基于 SVM 的财务预警模型训练61-62

5.2.2 基于 SVM 的财务预警模型预测62-63

5.2.3 基于 SVM 的财务预警模型预测结果浅析63

5.3 BP、LOGISTIC模型预警结果63-68

5.3.1 BP 模型预警结果63-66

5.3.2 Logistic 回归预警结果66-68

5.4 模型效果比较浅析68-69

5.5 本章小结69-70

第六章 结论及未来探讨展望70-72

6.1 结论70

6.2 探讨局限性和未来探讨展望70-72

致谢72-74