信用评价与股市预测模型研究及应用 统计学、神经网络与支持向量机方法PDF电子书下载

目录 1

序言 1

前言 1

第1章　绪论 1

1.1 引言 1

1.2　财务困境及其预警性研究的意义 1

1.2.1　财务困境的概念 1

1.2.2　企业财务困境预警研究的意义 4

1.3　公司财务状况综合评价 5

1.4.2　信用风险与市场风险 7

1.4.1　信用风险 7

1.4　信用风险 7

1.4.3　信用评级 8

1.5　信用风险分析方法 9

1.5.1　参数统计方法 10

1.5.2　非参数统计方法 11

1.5.3　专家系统 11

1.5.4　神经网络方法 12

1.5.5　杂合系统与支持向量机方法 14

1.6　本书的章节结构 14

2.1 引言 17

第2章　模糊动态聚类在信用评级中的应用 17

2.2　动态聚类分析方法 18

2.3　举例 19

2.4　建立模糊聚类评判标准 24

2.5　本章小结 30

第3章　判别分析模型在信用评价中的应用 32

3.1 引言 32

3.2　样本的选取与确定 34

3.2.1 两类模式样本的选取 34

3.2.2　三类模式样本的选取 36

3.3　判别分析法 37

3.4　两类模式分类 39

3.4.1　LDA-SPSS方法 39

3.4.2　LDA方法 40

3.5 三类模式分类 42

3.5.1　LDA-SPSS方法 42

3.5.2　LDA方法 44

3.6　本章小结 47

第4章　Logistic回归模型在信用风险分析中的应用 48

4.1 引言 48

4.2　Logistic回归模型 49

4.3.1　实验一 51

4.3　样本数据及实验结果分析 51

4.3.2　实验二 57

4.4　本章小结 62

第5章　神经网络基础知识 64

5.1　引言 64

5.2　人工神经元的模型 65

5.2.1　人工神经元的模型 65

5.2.2　激励函数的类型 67

5.3.1　前馈型网络 69

5.3.2　反馈型网络 69

5.3　网络结构及工作方式 69

5.4　神经网络的学习方法和算法 70

5.4.1 学习方式 70

5.4.2　学习算法 71

5.5　本章小结 75

第6章　多层感知器信用评价模型 76

6.1 引言 76

6.2　感知器 77

6.2.1　单层感知器 77

6.2.2　多层感知器 79

6.3　两类模式分类 81

6.3.1　样本的选取与确定 81

6.3.2　两类模式MLP信用评价模型 82

6.3.3　实验结果分析 83

6.4　三类模式分类 84

6.4.1　样本的选取与确定 84

6.4.2　三类模式MLP信用评价模型 85

6.4.3 实验结果分析 87

6.5　MLP学习算法和步骤 89

6.6　本章小结 90

第7章　基于BP算法的神经网络信用评价模型 91

7.1 引言 91

7.2　多层前向网络学习算法 92

7.3.2　两类模式信用评价模型（一） 95

7.3　两类模式信用评价模型 95

7.3.1　样本的选取与确定（一） 95

7.3.3　样本的选取与确定（二） 98

7.3.4　两类模式信用评价模型（二） 99

7.3.5 实验结果分析 100

7.4　三类模式信用评价模型 105

7.4.1　样本的选取与确定 105

7.4.2　三类模式信用评价模型 105

7.5 BP网络学习算法和步骤 108

7.6　本章小结 110

8.1　引言 112

第8章　径向基函数网络信用评价模型 112

8.2.1　Hard C-Means算法 113

8.2　径向基函数 113

8.2.2　Cover定理 114

8.2.3　举例——异或门问题 115

8.3　RBF网络信用评价模型 116

8.3.1　样本的选取与确定 116

8.3.2　RBF网络信用评价模型 116

8.4　两类模式分类 119

8.5　三类模式分类 120

8.6　本章小结 122

9.1 引言 123

第9章　概率神经网络信用评价模型 123

9.2　概率神经网络 124

9.3　两类模式分类 126

9.3.1　样本的选取与确定 126

9.3.2　两类模式PNN结构 126

9.3.3 实验结果分析 127

9.4　三类模式分类 129

9.4.1　样本的选取与确定 129

9.4.2　三类模式PNN结构 129

9.4.3 实验结果分析 130

9.5　本章小结 131

10.1 引言 133

第10章 自组织竞争网络信用风险评价模型 133

10.2　主成分分析 134

10.3 自组织竞争网络及学习规则 135

10.4　实证分析 137

10.5　本章小结 141

第11章　基于支持向量机的信用评价模型 142

11.1 引言 142

11.2　支持向量机 143

11.2.1　超平面分类器 143

11.3.1 实验一 148

11.2.2 非线性支持向量分类器 148

11.3　样本数据的选取及仿真实验 148

11.3.2　实验二 151

11.4　本章小结 153

第12章　信用评价模型比较研究及预警研究 155

12.1 引言 155

12.2　比较研究回顾 155

12.3　十种分类方法效果比较 161

12.3.1　十种分类方法效果比较 161

12.3.2　神经网络信用评价模型特点 164

12.4　财务困境公司预警研究及结果比较 165

12.5　本章小结 168

第13章　Logistic回归模型对股价的预测与分析 171

13.1 引言 171

13.2　Logistic回归模型对股价的预测与分析 171

13.2.1　样本和财务指标的选取 171

13.2.2　Logistic回归预测模型（一） 174

13.3　Logistic回归模型在深圳股市波动性中的预测 176

13.3.1　样本的选取——深证综合指数 176

13.3.2　Logistic回归预测模型（二） 178

13.4　本章小结 183

14.2　样本数据 185

第14章　AR（1）和AR（2）在股市波动中的预测 185

14.1 引言 185

14.3　AR（1）及AR（2）预测模型的建立 186

14.4　预测误差检验 191

14.5　本章小结 193

第15章　ARCH类模型在股市波动中的预测 195

15.1 引言 195

15.2　ARCH类模型 196

15.2.1 对称的ARCH类模型 196

15.2.2　非对称的ARCH类模型 197

15.3.1　样本数据（一）——上证综合指数 198

15.3　样本数据（一）及其实验结果分析 198

15.3.2　ARCH类预测模型的建立 200

15.3.3　ARCH类模型预测结果分析 205

15.4　样本数据（二）及其实验结果分析 206

15.4.1　样本数据（二）——深证成指 206

15.4.2　ARCH（1）预测模型的建立 209

15.4.3　GARCH（1,1）预测模型的建立 210

15.4.4　ARCH（1）和GARCH（1,1）模型预测结果分析 211

15.5　本章小结 212

16.1 引言 213

第16章　BP算法在股市波动中的预测 213

16.2　BP算法及预测结果分析 214

16.2.1　样本数据（一）——上证综合指数 214

16.2.2 BP算法和ARCH类模型的预测误差检验 216

16.3　样本数据（二）及实验结果分析 218

16.3.1　样本数据（二）——深证成指 218

16.3.2　BP算法及预测结果分析 218

16.3.3　预测误差检验 219

16.4　本章小结 221

参考文献 223

附表 231