企業財務困境分析與預測方法研究

第1章 緒論
1．1 研究背景及研究意義
1．1．1 研究背景
1．1．2 研究意義
1．2 研究方法和內容
1．2．1 研究方法
1．2．2 研究內容
1．3 主要創新點

第2章 企業財務困境分析與預測相關理論及研究綜述
2．1 支持向量機相關理論
2．1．1 機器學習與統計學習理論
2．1．2 支持向量機原理
2．1．3 支持向量機應用研究現狀
2．2 遺傳算法相關理論
2．2．1 遺傳算法原理及其歷史演進
2．2．2 遺傳算法的研究內容
2．2．3 遺傳算法應用研究現狀
2．3 企業財務困境分析與預測方法研究綜述
2．3．1 企業財務困境內涵的界定
2．3．2 企業財務困境定量分析與預測方法
2．3．3 企業財務困境定性分析與預測方法

第3章 企業財務困境特徵及影響因素分析
3．1 企業財務困境及其特徵分析
3．1．1 企業財務困境概念的界定
3．1．2 企業財務困境特徵
3．1．3 企業財務困境特徵分析
3．1．4 企業財務困境形成的時序特徵
3．2 企業財務困境影響因素分析
3．2．1 企業財務困境總體影響因素
3．2．2 影響企業財務困境的內部因素
3．2．3 影響企業財務困境的外部因素
3．3 企業財務困境分析與預測框架
3．3．1 企業財務困境分析與預測過程框架
3．3．2 企業財務困境分析與預測方法框架

第4章 企業財務困境分析與預測指標體系的構建
4．1 企業財務困境分析與預測的總體指標體系
4．1．1 構建總體預測指標體系的原則
4．1．2 總體預測指標體系的構建
4．2 財務困境短期分析與預測指標體系
4．2．1 指標數據的正態分佈檢驗
4．2．2 指標數據的顯著性差異檢驗
4．2．3 指標數據的多重共線性檢驗
4．3 財務困境中長期分析與預測指標體系
4．3．1 指標數據的正態分佈檢驗
4．3．2 指標數據的顯著性差異檢驗
4．3．3 指標數據的多重共線性檢驗
4．3．4 短期與中長期分析和預測指標體系的比較

第5章 基於支持向量機的企業財務困境預測方法
5．1 Logit回歸模型
5．1．1 Logit回歸模型的形式
5．1．2 Logit回歸模型的估計
5．1．3 Logit回歸模型的評價和檢驗
5．2 支持向量機的改進算法
5．2．1 最小二乘支持向量機
5．2．2 增長記憶學習算法原理
5．2．3 基於熵的LS-SVM增長記憶學習算法
5．3 基於支持向量機的財務困境預測方法
5．3．1 基於SVM的財務困境預測方法
5．3．2 基於Ls-SVM的財務困境預測方法
5．3．3 基於熵的增長記憶式LS-SVM財務困境預測方法
5．4 模型構建及數值檢驗
5．4．1 標準SVM模型
5．4．2 LS-SVM模型
5．4．3 基於熵的LS-SVM增長記憶模型

第6章 基於遺傳算法和支持向量機的財務困境預測方法
6．1 基於遺傳算法的支持向量機參數優化
6．1．1 傳統支持向量機參數優化方法及其不足
6．1．2 基於遺傳算法的支持向量機參數優化
6．2 基於遺傳算法和SVM的財務困境預測方法
6．2．1 基於遺傳算法和SVM的財務困境預測流程圖
6．2．2 基於遺傳算法和SVM的財務困境預測實現步驟
6．3 模型構建及數值檢驗
6．3．1 基於遺傳算法的SVM模型
6．3．2 基於遺傳算法的LS-SVM模型
6．3．3 基於遺傳算法和熵的LS-SVM模型

第7章 企業財務困境分析與預測實證研究
7．1 研究樣本的來源及統計分析
7．1．1 研究樣本的來源
7．1．2 研究樣本的選取
7．1．3 研究樣本的統計分析
7．1．4 模型輸入變量的獲取
7．2 短期預測多模型的建立及實證研究
7．2．1 Logit回歸模型
7．2．2 標準SVM模型
7．2．3 LS-SVM模型
7．2．4 基於熵的LS-SVM模型
7．2．5 基於遺傳算法的SVM模型
7．2．6 基於遺傳算法的LS-SVM模型
7．2．7 基於遺傳算法和熵的LS-SVM模型
7．3 中長期預測多模型的建立及實證研究
7．3．1 ST前2年預測模型的建立及實證分析
7．3．2 ST前3年預測模型的建立及實證分析
7．4 短期及中長期預測多模型預測結果的分析比較
7．4．1 Logit回歸模型
7．4．2 標準SVM模型
7．4．3 基於遺傳算法的SVM模型
7．4．4 LS-SVM模型
7．4．5 基於遺傳算法的LS-SVM模型
7．4．6 基於熵的LS-SVM模型
7．4．7 基於遺傳算法和熵的LS-SVM模型
7．5 不同數據集多模型預測結果的分析比較
7．5．1 基於遺傳算法的SVM模型
7．5．2 基於遺傳算法的LS-SVM模型
7．5．3 基於遺傳算法和熵的LS-SVM模型

第8章 研究與展望
8．1 研究工作總結
8．2 不足與展望
附錄
參考文獻
後記