扫一扫
关注中图网
官方微博
本类五星书更多>
-
>
以利为利:财政关系与地方政府行为
-
>
立足饭碗 藏粮于地——基于中国人均耕地警戒值的耕地保护视角
-
>
营销管理
-
>
茶叶里的全球贸易史(精装)
-
>
近代华商股票市场制度与实践(1872—1937)
-
>
麦肯锡图表工作法
-
>
海龟交易法则
基于资产池的不良资产证券化信用风险研究 版权信息
- ISBN：9787516142486
- 条形码：9787516142486 ; 978-7-5161-4248-6
- 装帧：一般胶版纸
- 册数：暂无
- 重量：暂无
- 所属分类：>>
基于资产池的不良资产证券化信用风险研究 本书特色
实践证明，证券化是快速有效地处 置不良资产的一条可行之路。庞明著的《基于资产池 的不良资产证券化信用风险研究》从证券 化的基础研究——资产池的研究入手，借 助神经网络模型对资产池单笔资产的信用 风险进行分析评价，并在现代投资组合理 论的基础上，提出了不良资产证券化资产 池的信用风险评价模型——整合的 creditrisk+模型。借助该模型对本人参与 的中国首例银行不良资产证券化项目—— 工行项目进行实证检验，验证了采用神经 网络模型分析资产池单笔资产信用风险的 可行性，检验了现代投资组合理论对资产 池资产组合的有效性，以及不良资产证券 化项目中资产池的构成是否更有效率，能 否起到缓释和转移风险的功能。
基于资产池的不良资产证券化信用风险研究 内容简介
实践证明，证券化是快速有效地处 置不良资产的一条可行之路。庞明著的《基于资产池 的不良资产证券化信用风险研究》从证券 化的基础研究——资产池的研究入手，借 助神经网络模型对资产池单笔资产的信用 风险进行分析评价，并在现代投资组合理 论的基础上，提出了不良资产证券化资产 池的信用风险评价模型——整合的 CreditRisk+模型。借助该模型对本人参与 的中国首例银行不良资产证券化项目—— 工行项目进行实证检验，验证了采用神经 网络模型分析资产池单笔资产信用风险的 可行性，检验了现代投资组合理论对资产 池资产组合的有效性，以及不良资产证券 化项目中资产池的构成是否更有效率，能 否起到缓释和转移风险的功能。
基于资产池的不良资产证券化信用风险研究 目录
序
**章 绪论
**节 研究背景
一资产证券化的兴起和发展
二不良资产证券化产生的环境推动因素及演变趋势
第二节 不良资产证券化信用风险研究的意义
一不良资产证券化信用风险研究的理论意义
二不良资产证券化信用风险研究的实践意义
三尚待研究的问题
第三节 几个关键概念的界定
一不良资产证券化
二资产池
三基于资产池的信用风险
第四节 研究假设
第五节 研究的主要内容、框架和方法
一研究内容和框架
二研究方法
第二章 理论基础与文献综述
**节 理论基础
一信用风险的不确定性分析
二信用风险的理性预期理论分析
三或有要求权理论
四道德风险
五不良资产证券化的理论基础
第二节 信用风险计量方法、模型及评述
一传统信用风险度量技术方面
二现代信用风险度量技术
三备受关注的人工智能方法
第三节 相关研究的不足与评述
第四节 经验证据与典型案例评述
一国外案例
二国内案例
三国内外研究小结
第三章 单笔不良资产信用风险的测算研究
**节 资产池标的资产的特征指标
一适于作证券化的理想资产
二不良资产证券化资产池标的资产的选择
第二节 单笔资产信用风险的模型选择——神经网络
一神经网络模型独特的优点及实证表现
二神经网络模型对信用风险预测精度优于传统方法
三基于神经网络模型的资产池单笔资产信用风险预测
第三节 基于我国国情的不良资产信用风险影响因素分析
一变量选取依据——不良资产信用评级中的考量因素
二变量选取依据——基于我国国情的必要补充
第四章 基于资产池的信用风险的测算——reditrisk+模型
**节 基于资产池的信用风险研究的理论基础
第二节 基于资产池的信用集中风险评价模型的比较研究
一基于现代组合理论的信用风险评价模型比较分析
二穆迪不良资产(npl)产品信用风险预测方法
三我国目前的实践方法
第三节 基于资产池的不良资产证券化信用风险评价模型的构建
一creditrisk+模型的优点及实证表现
二creditrisk+模型对我国不良资产证券化的适用性研究
三模拟资产池的构建
四资产池标的资产的多样度和资产之间的相关性分析
五改进的creditrisk+模型
第五章 不良资产证券化的实证研究
**节 建立神经网络检验模型的必要性
第二节 bp神经网络检验模型的构建
第三节 研究样本与资料来源
第四节 研究方法
第五节 检验结果
一网络训练效果分析
二交叉验证技术
三具有双隐含层的网络结构
四资产及资产池的信用风险
第六章 实证检验结果及讨论
**节 对本案例的进一步说明及讨论
第二节 对比不同信用风险分析方法及结果
一专家打分方法评析
二神经网络方法评析
三研究结果启示
第七章 总结与展望
**节 主要工作总结
第二节 创新点
第三节 局限及未来研究方向
附录 神经网络算法的主要程序
参考文献
后记
**章 绪论
**节 研究背景
一资产证券化的兴起和发展
二不良资产证券化产生的环境推动因素及演变趋势
第二节 不良资产证券化信用风险研究的意义
一不良资产证券化信用风险研究的理论意义
二不良资产证券化信用风险研究的实践意义
三尚待研究的问题
第三节 几个关键概念的界定
一不良资产证券化
二资产池
三基于资产池的信用风险
第四节 研究假设
第五节 研究的主要内容、框架和方法
一研究内容和框架
二研究方法
第二章 理论基础与文献综述
**节 理论基础
一信用风险的不确定性分析
二信用风险的理性预期理论分析
三或有要求权理论
四道德风险
五不良资产证券化的理论基础
第二节 信用风险计量方法、模型及评述
一传统信用风险度量技术方面
二现代信用风险度量技术
三备受关注的人工智能方法
第三节 相关研究的不足与评述
第四节 经验证据与典型案例评述
一国外案例
二国内案例
三国内外研究小结
第三章 单笔不良资产信用风险的测算研究
**节 资产池标的资产的特征指标
一适于作证券化的理想资产
二不良资产证券化资产池标的资产的选择
第二节 单笔资产信用风险的模型选择——神经网络
一神经网络模型独特的优点及实证表现
二神经网络模型对信用风险预测精度优于传统方法
三基于神经网络模型的资产池单笔资产信用风险预测
第三节 基于我国国情的不良资产信用风险影响因素分析
一变量选取依据——不良资产信用评级中的考量因素
二变量选取依据——基于我国国情的必要补充
第四章 基于资产池的信用风险的测算——reditrisk+模型
**节 基于资产池的信用风险研究的理论基础
第二节 基于资产池的信用集中风险评价模型的比较研究
一基于现代组合理论的信用风险评价模型比较分析
二穆迪不良资产(npl)产品信用风险预测方法
三我国目前的实践方法
第三节 基于资产池的不良资产证券化信用风险评价模型的构建
一creditrisk+模型的优点及实证表现
二creditrisk+模型对我国不良资产证券化的适用性研究
三模拟资产池的构建
四资产池标的资产的多样度和资产之间的相关性分析
五改进的creditrisk+模型
第五章 不良资产证券化的实证研究
**节 建立神经网络检验模型的必要性
第二节 bp神经网络检验模型的构建
第三节 研究样本与资料来源
第四节 研究方法
第五节 检验结果
一网络训练效果分析
二交叉验证技术
三具有双隐含层的网络结构
四资产及资产池的信用风险
第六章 实证检验结果及讨论
**节 对本案例的进一步说明及讨论
第二节 对比不同信用风险分析方法及结果
一专家打分方法评析
二神经网络方法评析
三研究结果启示
第七章 总结与展望
**节 主要工作总结
第二节 创新点
第三节 局限及未来研究方向
附录 神经网络算法的主要程序
参考文献
后记
展开全部
基于资产池的不良资产证券化信用风险研究 作者简介
庞明，女，1971年出生于河南郑州，毕业于西安交通大学管理学院，获管理学博士学位。曾任职于中国国际期货经纪有限公司、申银万国证券公司、中诚信国际信用评级公司。现为西安石油大学副教授，硕士研究生导师。在《国际经贸探索》、《经济问题》、《中国大学教学》、《中国经贸导刊》等期刊发表论文多篇。主要研究方向：证券投资、能源金融、财务管理等。
书友推荐
- >
姑妈的宝刀
姑妈的宝刀
¥15.7¥30.0 - >
自卑与超越
自卑与超越
¥13.7¥39.8 - >
中国人在乌苏里边疆区:历史与人类学概述
中国人在乌苏里边疆区:历史与人类学概述
¥21.6¥48.0 - >
企鹅口袋书系列·伟大的思想20:论自然选择(英汉双语)
企鹅口袋书系列·伟大的思想20:论自然选择(英汉双语)
¥6.3¥14.0 - >
朝闻道
朝闻道
¥14.8¥23.8 - >
苦雨斋序跋文-周作人自编集
苦雨斋序跋文-周作人自编集
¥6.1¥16.0 - >
名家带你读鲁迅:故事新编
名家带你读鲁迅:故事新编
¥13.0¥26.0 - >
龙榆生：词曲概论/大家小书
龙榆生：词曲概论/大家小书
¥8.7¥24.0
本类畅销
-
价值:我对投资的思考
¥74.3¥118 -
-
你的投资机会在哪里
¥14¥39 -
基金定投实战宝典
¥24.9¥49.8 -
企业融资实战手册
¥55.1¥68 -
大癫狂:非同寻常的大众幻想与群众性癫狂
¥34.3¥68
浏览历史
超好看的西方经典童话绘本:大拇指(精装绘本)
¥15.4¥38.0模块化多电平变换器的调制与控制技术
¥26.2¥35.0考研数学高等数学辅导讲义·基础篇
¥41.8¥68.0纤维增强与加固钢筋混凝土剪力墙
¥16.0¥35.0高速铁路运输服务
¥115.2¥160.0
