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2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载

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格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

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