第1章 绪论
1．1 研究背景及研究意义
1．1．1 研究背景
1．1．2 研究意义
1．2 研究方法和内容
1．2．1 研究方法
1．2．2 研究内容
1．3 主要创新点
第2章 企业财务困境分析与预测相关理论及研究综述
2．1 支持向量机相关理论
2．1．1 机器学习与统计学习理论
2．1．2 支持向量机原理
2．1．3 支持向量机应用研究现状
2．2 遗传算法相关理论
2．2．1 遗传算法原理及其历史演进
2．2．2 遗传算法的研究内容
2．2．3 遗传算法应用研究现状
2．3 企业财务困境分析与预测方法研究综述
2．3．1 企业财务困境内涵的界定
2．3．2 企业财务困境定量分析与预测方法
2．3．3 企业财务困境定性分析与预测方法
第3章 企业财务困境特征及影响因素分析
3．1 企业财务困境及其特征分析
3．1．1 企业财务困境概念的界定
3．1．2 企业财务困境特征
3．1．3 企业财务困境特征分析
3．1．4 企业财务困境形成的时序特征
3．2 企业财务困境影响因素分析
3．2．1 企业财务困境总体影响因素
3．2．2 影响企业财务困境的内部因素
3．2．3 影响企业财务困境的外部因素
3．3 企业财务困境分析与预测框架
3．3．1 企业财务困境分析与预测过程框架
3．3．2 企业财务困境分析与预测方法框架
第4章 企业财务困境分析与预测指标体系的构建
4．1 企业财务困境分析与预测的总体指标体系
4．1．1 构建总体预测指标体系的原则
4．1．2 总体预测指标体系的构建
4．2 财务困境短期分析与预测指标体系
4．2．1 指标数据的正态分布检验
4．2．2 指标数据的显着性差异检验
4．2．3 指标数据的多重共线性检验
4．3 财务困境中长期分析与预测指标体系
4．3．1 指标数据的正态分布检验
4．3．2 指标数据的显着性差异检验
4．3．3 指标数据的多重共线性检验
4．3．4 短期与中长期分析和预测指标体系的比较
第5章 基于支持向量机的企业财务困境预测方法
5．1 Logit回归模型
5．1．1 Logit回归模型的形式
5．1．2 Logit回归模型的估计
5．1．3 Logit回归模型的评价和检验
5．2 支持向量机的改进算法
5．2．1 最小二乘支持向量机
5．2．2 增长记忆学习算法原理
5．2．3 基于熵的LS-SVM增长记忆学习算法
5．3 基于支持向量机的财务困境预测方法
5．3．1 基于SVM的财务困境预测方法
5．3．2 基于Ls-SVM的财务困境预测方法
5．3．3 基于熵的增长记忆式LS-SVM财务困境预测方法
5．4 模型构建及数值检验
5．4．1 标准SVM模型
5．4．2 LS-SVM模型
5．4．3 基于熵的LS-SVM增长记忆模型
第6章 基于遗传算法和支持向量机的财务困境预测方法
6．1 基于遗传算法的支持向量机参数优化
6．1．1 传统支持向量机参数优化方法及其不足
6．1．2 基于遗传算法的支持向量机参数优化
6．2 基于遗传算法和SVM的财务困境预测方法
6．2．1 基于遗传算法和SVM的财务困境预测流程图
6．2．2 基于遗传算法和SVM的财务困境预测实现步骤
6．3 模型构建及数值检验
6．3．1 基于遗传算法的SVM模型
6．3．2 基于遗传算法的LS-SVM模型
6．3．3 基于遗传算法和熵的LS-SVM模型
第7章 企业财务困境分析与预测实证研究
7．1 研究样本的来源及统计分析
7．1．1 研究样本的来源
7．1．2 研究样本的选取
7．1．3 研究样本的统计分析
7．1．4 模型输入变量的获取
7．2 短期预测多模型的建立及实证研究
7．2．1 Logit回归模型
7．2．2 标准SVM模型
7．2．3 LS-SVM模型
7．2．4 基于熵的LS-SVM模型
7．2．5 基于遗传算法的SVM模型
7．2．6 基于遗传算法的LS-SVM模型
7．2．7 基于遗传算法和熵的LS-SVM模型
7．3 中长期预测多模型的建立及实证研究
7．3．1 ST前2年预测模型的建立及实证分析
7．3．2 ST前3年预测模型的建立及实证分析
7．4 短期及中长期预测多模型预测结果的分析比较
7．4．1 Logit回归模型
7．4．2 标准SVM模型
7．4．3 基于遗传算法的SVM模型
7．4．4 LS-SVM模型
7．4．5 基于遗传算法的LS-SVM模型
7．4．6 基于熵的LS-SVM模型
7．4．7 基于遗传算法和熵的LS-SVM模型
7．5 不同数据集多模型预测结果的分析比较
7．5．1 基于遗传算法的SVM模型
7．5．2 基于遗传算法的LS-SVM模型
7．5．3 基于遗传算法和熵的LS-SVM模型
第8章 研究与展望
8．1 研究工作总结
8．2 不足与展望
附录
参考文献
后记
展开
