我国民营上市公司信用风险评估方法及实证研究

论文摘要

随着美国次贷危机导致的全球性金融危机愈演愈烈,各国企业都经受着巨大考验。纵观我国企业,民营上市公司虽然已成为我国经济体系的重要组成部分,但其信用风险却没有得到足够的重视,目前对信用风险评估的不足已成为制约其发展的重要瓶颈之一。因此,对我国民营上市信用风险评估的研究已迫在眉睫。通过大量研读文献,本文分析了我国民营上市公司信用风险评估现状和存在的问题,建立了评估指标体系,构建了基于因子分析和AdaBoost-SVM的评估模型,通过搜集样本数据,利用因子分析法优化指标体系,对我国38家民营上市公司进行了实证研究,分析了实证结果,并与传统的单一模型实证结果进行了对比,为我国民营上市公司信用风险研究提供了行之有效的评估工具。

论文目录

• 中文摘要
• 英文摘要
• 第一章 引言
• 1.1 选题背景及研究意义
• 1.1.1 选题背景
• 1.1.2 研究意义
• 1.2 国内外研究现状
• 1.2.1 国外信用风险研究概况
• 1.2.2 国内信用风险研究概况
• 1.3 论文内容及结构
• 1.3.1 论文内容
• 1.3.2 论文总体结构
• 第二章 我国民营上市公司信用风险评估理论基础
• 2.1 信用的涵义
• 2.2 信用风险的涵义及特点
• 2.2.1 信用风险的涵义
• 2.2.2 信用风险的特点
• 2.3 信用风险评估相关理论
• 2.3.1 信用风险评估的涵义
• 2.3.2 信用风险评估的特点
• 2.3.3 信用风险评估方法
• 2.4 我国民营上市公司信用风险评估相关理论
• 2.4.1 我国民营上市公司的涵义
• 2.4.2 我国民营上市公司的特点
• 2.4.3 我国民营上市公司信用风险形成的原因
• 2.4.4 我国民营上市公司信用风险评估中存在的问题
• 2.5 本章小结
• 第三章 信用风险评估指标体系的建立
• 3.1 指标选取原则
• 3.2 指标体系的建立
• 3.3 指标变量的涵义
• 3.4 本章小结
• 第四章 信用风险评估模型的构建
• 4.1 因子分析
• 4.1.1 因子分析的涵义
• 4.1.2 因子分析的基本思想及数学模型
• 4.1.3 因子分析的基本步骤
• 4.2 支持向量机
• 4.2.1 统计学习理论
• 4.2.2 SVM 分类原理
• 4.2.3 SVM 算法描述
• 4.3 Adaboost 组合分类器
• 4.3.1 组合分类器的涵义
• 4.3.2 AdaBoost 组合分类器分类原理
• 4.3.3 AdaBoost 组合分类器算法描述
• 4.4 基于支持向量机和组合分类器的AdaBoost-SVM 模型
• 4.4.1 AdaBoost-SVM 模型的算法描述
• 4.4.2 AdaBoost-SVM 模型的优势
• 4.5 本章小结
• 第五章 我国民营上市公司信用风险评估实证研究
• 5.1 样本选取及数据来源
• 5.1.1 样本选取
• 5.1.2 数据来源
• 5.2 因子分析过程
• 5.2.1 相关性检验
• 5.2.2 提取因子
• 5.2.3 计算因子得分
• 5.3 基于支持向量机的实证研究
• 5.3.1 参数选择及模型构建
• 5.3.2 实证结果
• 5.4 基于Adaboost-SVM 模型的实证研究
• 5.4.1 参数选择及模型构建
• 5.4.2 实证结果
• 5.5 两种模型实证结果对比分析
• 5.6 本章小结
• 第六章 结论
• 参考文献
• 附录
• 致谢
• 在学期间发表的学术论文和参加科研情况