本书提出以信用风险度作为商业银行信用风险的一种新衡量标准（模型的输出），并分别应用因子分析法和逐步判别模型构建了两套较为科学的评估指标体系。在此基础上，分别应用补偿模糊神经网络和基于Bayes判别的违约概率测度模型、基于Levenberg—Marquardt算法的前馈神经网络构建了两套信用风险评估预测模型，并应用最优加权组合预测模型，将两套体系和评估结果有机结合，进一步提高了预测精度，从多角度、多层面对信用风险进行了剖析。

于立勇，1974年7月生，山东省龙口人。管理学博士，金融学博士后，主要研究方向为商业银行风险管理、技术经济评估和资本市场等。现在中国银行业监督管理委员会政策法规部工作。

第一章 商业银行信用风险评估国内外研究现状
　第一节 相关理论研究综述
　第二节 评估方法研究综述
　第三节 研究状况的综合评价
　第四节 本书研究的主要内容
第二章 商业银行信用风险评估要素分析
　第一节 信用风险评估要素分析
　第二节 信用风险评估的基本思路
　第三节 信用风险评估要素间的作用机理分析
　第四节 信用风险评估指标体系的确立
第三章 商业银行信用风险衡量标准分析
　第一节 商业银行信用风险衡量标准的一般性考察
　第二节 传统信用风险衡量标准的波动性分析
　第三节 信用风险衡量标准波动性的敏感度测算方法
　第四节 信用风险衡量的一种新标准
第四章 基于补偿模糊神经网络的信用风险评估模型
　第一节 商业银行信用风险评估预测模型的提出
　第二节 人工神经网络概述
　第三节 补偿模糊神经网络模型的基本原理
　第四节 预测精度的检验方法
　第五节 数据的预处理方法
第五章 商业银行信用风险评估的实证研究
　第一节 样本数据的预处理
　第二节 样本数据的因子分析
　第三节 补偿模糊神经网络模型的应用
　第四节 样本数据的逐步判别分析
　第五节 基于Bayes模型的违约概率测算
　第六节 基于LM算法的神经网络评估模型
　第七节 基于最优加权组合预测的信用风险评估模型
参考文献
附录