亚洲产国偷v产偷v自拍,婷婷色香五月综合激情,日本乱人伦电影在线观看

內(nèi)容簡介

　　本書共分為四大部分第一部分為緒論，闡述了研究信用風險分析，分析了我國上市公司　財務狀況發(fā)生危機的現(xiàn)狀與原因，闡明了對我國上市公司進行信用評級的重要性，給出　了分析與評價上市公司財務狀況好壞常用的財務指標，介紹了國內(nèi)外在信用風險分析領(lǐng)　域常用的三種方法：參數(shù)統(tǒng)計方法、非參數(shù)統(tǒng)計方法和神經(jīng)網(wǎng)絡方法，并詳細介紹了各　種方法的研究背景。第二部分研究了幾個常用的統(tǒng)計模型在我國信用風險分析中的應用　，分別建立了基于判別分析、Bayes風險分析、Logistic回歸模型和模糊聚類方法的信用　評價模型，并利用前三種模型分別對我國2000年106家上市公司及2000年96家上市公　司分別進行兩類模式分類及三類模式分類。第三部分系統(tǒng)研究了神經(jīng)網(wǎng)絡技術(shù)在我　國信用風險分析中的應用，分別建立了5種不同的神經(jīng)網(wǎng)絡信用評價模型：多層感　知器（MLP）、BP算法網(wǎng)絡、徑向基函數(shù)網(wǎng)絡（RBFN）、概率神經(jīng)網(wǎng)絡（PNN）、　自組織神經(jīng)網(wǎng)絡，然后利用這5種方法分別對我國2000年106家上市公司及2000年　96家上市公司分別進行兩類模式分類及三類模式分類，探討了以上各種方法的?！∈椒诸惸芰捌漕A警能力。并對神經(jīng)網(wǎng)絡信用評價模型和統(tǒng)計分類方法在模式分　類能力及預警能力方面作了比較研究。第四部分研究并建立了Logistic回歸預測模　型、AR（1）及AR（2）模型、ARCH類預測模型及神經(jīng)網(wǎng)絡預測技術(shù)，探討了各種方　法在我國股市波動預測中的應用。對各種預測方法，采用6種預測誤差統(tǒng)計量　：ME、 MAE、RMSE、MAPE、AIC和BIC對樣本外（out- of-sample）的預測結(jié)果　進行檢驗。比較和分析了神經(jīng)網(wǎng)絡預測技術(shù)與統(tǒng)計預測模型的預測能力。

作者簡介

　　龐素琳，女，40歲，博士，暨南大學數(shù)學系副教授，碩士生導師，廣東省系統(tǒng)工程學會理事，暨南大學2004年度優(yōu)秀教師。IEEE高級會員，1992年8月-1995年7月在廣西大學數(shù)學與信息科學學院獲理學碩士學位。1995年7月至今在暨南大學數(shù)學系工作。1998年9月-2001年6月在華南理工大學控制科學與工程學院系統(tǒng)工程研究所獲工學博士學位。2001年11月-2003年9月在中山大學數(shù)學與計算科學學院做博士后研究員。至今在國內(nèi)外重要期刊和國際重要學術(shù)會議發(fā)表論文40余篇，其中被SCI和EI收錄20多篇。曾兩次榮獲廣東省金融學會優(yōu)秀金融科研成果二等獎。研究領(lǐng)域包括：金融系統(tǒng)工程、神經(jīng)網(wǎng)絡及應用、模式識別、優(yōu)化理論及應用。

圖書目錄

序言
前言
第1章緒論
1.1引言
1.2財務困境及其預警性研究的意義
1.2.1財務困境的概念
1.2.2企業(yè)財務困境預警研究的意義
1.3公司財務狀況綜合評價
1.4信用風險
1.4.1信用風險
1.4.2信用風險與市場風險
1.4.3信用評級
1.5信用風險分析方法
1.5.1參數(shù)統(tǒng)計方法
1.5.2非參數(shù)統(tǒng)計方法
1.5.3專家系統(tǒng)
1.5.4神經(jīng)網(wǎng)絡方法
1.5.5雜合系統(tǒng)與支持向量機方法
1.6本書的章節(jié)結(jié)構(gòu)
第2章模糊動態(tài)聚類在信用評級中的應用
2.1引言
2.2動態(tài)聚類分析方法
2.3舉例
2.4建立模糊聚類評判標準
2.5本章小結(jié)
第3章判別分析模型在信用評價中的應用
3.1引言
3.2樣本的選取與確定
3.2.1兩類模式樣本的選取
3.2.2三類模式樣本的選取
3.3判別分析法
3.4兩類模式分類
3.4.1LDA-SPSS方法
3.4.2LDA方法
3.5三類模式分類
3.5.1LDA-SPSS方法
3.5.2LDA方法
3.6本章小結(jié)
第4章Logistic回歸模型在信用風險分析中的應用
4.1引言
4.2Logistic回歸模型
4.3樣本數(shù)據(jù)及實驗結(jié)果分析
4.3.1實驗一
4.3.2實驗二
4.4本章小結(jié)
第5章神經(jīng)網(wǎng)絡基礎知識
5.1引言
5.2人工神經(jīng)元的模型
5.2.1人工神經(jīng)元的模型
5.2.2激勵函數(shù)的類型
5.3網(wǎng)絡結(jié)構(gòu)及工作方式
5.3.1前饋型網(wǎng)絡
5.3.2反饋型網(wǎng)絡
5.4神經(jīng)網(wǎng)絡的學習方法和算法
5.4.1學習方式
5.4.2學習算法
5.5本章小結(jié)
第6章多層感知器信用評價模型
6.1引言
6.2感知器
6.2.1單層感知器
6.2.2多層感知器
6.3兩類模式分類
6.3.1樣本的選取與確定
6.3.2兩類模式MLP信用評價模型
6.3.3實驗結(jié)果分析
6.4三類模式分類
6.4.1樣本的選取與確定
6.4.2三類模式MLP信用評價模型
6.4.3實驗結(jié)果分析
6.5MLP學習算法和步驟
6.6本章小結(jié)
第7章基于BP算法的神經(jīng)網(wǎng)絡信用評價模型
7.1引言
7.2多層前向網(wǎng)絡學習算法
7.3兩類模式信用評價模型
7.3.1樣本的選取與確定(一)
7.3.2兩類模式信用評價模型(一)
7.3.3樣本的選取與確定(二)
7.3.4兩類模式信用評價模型(二)
7.3.5實驗結(jié)果分析
7.4三類模式信用評價模型
7.4.1樣本的選取與確定
7.4.2三類模式信用評價模型
7.5BP網(wǎng)絡學習算法和步驟
7.6本章小結(jié)
第8章徑向基函數(shù)網(wǎng)絡信用評價模型
8.1引言
8.2徑向基函數(shù)
8.2.1HardC-Means算法
8.2.2Cover定理
8.2.3舉例——異或門問題
8.3RBF網(wǎng)絡信用評價模型
8.3.1樣本的選取與確定
8.3.2RBF網(wǎng)絡信用評價模型
8.4兩類模式分類
8.5三類模式分類
8.6本章小結(jié)
第9章概率神經(jīng)網(wǎng)絡信用評價模型
9.1引言
9.2概率神經(jīng)網(wǎng)絡
9.3兩類模式分類
9.3.1樣本的選取與確定
9.3.2兩類模式PNN結(jié)構(gòu)
9.3.3實驗結(jié)果分析
9.4三類模式分類
9.4.1樣本的選取與確定
9.4.2三類模式PNN結(jié)構(gòu)
9.4.3實驗結(jié)果分析
9.5本章小結(jié)
第10章自組織競爭網(wǎng)絡信用風險評價模型
10.1引言
10.2主成分分析
10.3自組織競爭網(wǎng)絡及學習規(guī)則
10.4實證分析
10.5本章小結(jié)
第11章基于支持向量機的信用評價模型
11.1引言
11.2支持向量機
11.2.1超平面分類器
11.2.2非線性支持向量分類器
11.3樣本數(shù)據(jù)的選取及仿真實驗
11.3.1實驗一
11.3.2實驗二
11.4本章小結(jié)
第12章信用評價模型比較研究及預警研究
12.1引言
12.2比較研究回顧
12.3十種分類方法效果比較
12.3.1十種分類方法效果比較
12.3.2神經(jīng)網(wǎng)絡信用評價模型特點
12.4財務困境公司預警研究及結(jié)果比較
12.5本章小結(jié)
第13章Logistic回歸模型對股價的預測與分析
13.1引言
13.2Logistic回歸模型對股價的預測與分析
13.2.1樣本和財務指標的選取
13.2.2Logistic回歸預測模型(一)
13.3Logistic回歸模型在深圳股市波動性中的預測
13.3.1樣本的選取——深證綜合指數(shù)
13.3.2Logistic回歸預測模型(二)
13.4本章小結(jié)
第14章AR(1)和AR(2)在股市波動中的預測
14.1引言
14.2樣本數(shù)據(jù)
14.3AR(1)及AR(2)預測模型的建立
14.4預測誤差檢驗
14.5本章小結(jié)
第15章ARCH類模型在股市波動中的預測
15.1引言
15.2ARCH類模型
15.2.1對稱的ARCH類模型
15.2.2非對稱的ARCH類模型
15.3樣本數(shù)據(jù)(一)及其實驗結(jié)果分析
15.3.1樣本數(shù)據(jù)(一)——上證綜合指數(shù)
15.3.2ARCH類預測模型的建立
15.3.3ARCH類模型預測結(jié)果分析
15.4樣本數(shù)據(jù)(二)及其實驗結(jié)果分析
15.4.1樣本數(shù)據(jù)(二)——深證成指
15.4.2ARCH(1)預測模型的建立
15.4.3GARCH(1,1)預測模型的建立
15.4.4ARCH(1)和GARCH(1,1)模型預測結(jié)果分析
15.5本章小結(jié)
第16章BP算法在股市波動中的預測
16.1引言
16.2BP算法及預測結(jié)果分析
16.2.1樣本數(shù)據(jù)(一)——上證綜合指數(shù)
16.2.2BP算法和ARCH類模型的預測誤差檢驗
16.3樣本數(shù)據(jù)(二)及實驗結(jié)果分析
16.3.1樣本數(shù)據(jù)(二)——深證成指
16.3.2BP算法及預測結(jié)果分析
16.3.3預測誤差檢驗
16.4本章小結(jié)
參考文獻
附表