刘颖，博士，吉林财经大学管理科学与信息工程学院副教授，中国计算机学会（China Computer Federation, CCF）会员，全国高校大数据教育联盟委员会委员。
主要研究方向：金融工程、机器学习、模式识别。2012年赴美国加利福尼亚大学计算机科学与工程系进行交流访问。2015年获国家留学基金管理委员会资助，赴美国加利福尼亚大学统计学院完成博士后工作，与该领域的著名学者Keh-Shin Lii教授共同合作研究金融数据分析的理论与技术，同时参与该研究组关于经济数据统计分析的合作项目。
目前已经在国内外学术刊物和国际学术会议上发表学术论文30余篇，其中，科学引文索引（Science Citation Index, SCI）、工程索引（The Engineering Index, EI）共收录12篇；国家级核心期刊以上论文26篇。出版学术专著1部，申报专利5项。系列论文的研究成果分别于2013年和2015年获得吉林省自然科学学术成果奖优秀奖和二等奖。
作为负责人主持并完成国家自然科学基金项目“基于半监督选择集成支持向量机的供应链金融风险评价研究”（项目编号：61402193）；主持吉林省科技发展计划项目“大数据背景下非均衡子集群聚类的半监督供应链金融信用风险评价研究”（项目编号：20180101337JC）、吉林省社会科学基金项目“基于‘数字吉林’建设下的供应链金融大数据分布特征及评价方法研究”（项目编号：2019B69）、吉林省教育厅科学技术研究项目、物流产业经济与智能物流吉林省高校重点实验室开放基金项目“基于非均衡供应链金融信用风险评价方法研究”（项目编号：201702）。

前言
第1章 绪论
1.1 供应链金融研究概述
1.2 供应链金融研究意义
1.3 本书研究贡献
1.4 本书章节安排
第2章 供应链金融的理论基础
2.1 供应链金融的相关概念
2.1.1 供应链
2.1.2 供应链管理
2.1.3 供应链金融
2.1.4 供应链金融的特点
2.2 供应链金融的融资模式
2.3 供应链金融风险的影响因素
2.4 信用风险
2.5 供应链金融信用风险评价方法研究综述
2.5.1 供应链金融发展现状
2.5.2 信用风险评价方法比较
2.6 本章小结
第3章 供应链金融数据分布特征与指标体系
3.1 供应链金融大数据分析现状
3.2 供应链金融信用数据分布特征
3.3 数据分布特征相关解决策略
3.3.1 非均衡样本解决策略
3.3.2 噪声离群点解决策略
3.3.3 非线性多维特征解决策略
3.4 供应链金融风险评价指标体系研究概况
3.5 供应链金融风险评价指标体系设计
3.6 供应链金融风险评价指标体系构建
3.6.1 F1：供应链融资企业信用风险评价特征指标集
3.6.2 F2：供应链核心企业信用风险特征指标集
3.6.3 F3：融资企业产品供应链绩效评价特征指标集
3.7 本章小结
第4章 基于改进模糊聚类算法的信用风险评价模型研究
4.1 关于聚类理论的提出
4.2 聚类分析算法
4.3 模糊聚类算法特点
4.4 模糊聚类算法对比测试
4.4.1 数据集描述
4.4.2 三种聚类算法测试结果
4.5 基于改进的GA-FCM模糊聚类算法
4.6 实验结果与分析
4.6.1 数据来源
4.6.2 三种聚类信用数据测试
4.6.3 优化后数据测试（一）：优化模糊加权指数
4.6.4 优化后数据测试（二）：剔除噪声
4.7 本章小结
第5章 基于离群点剔除及特征选取的信用风险评价方法研究
5.1 相关理论基础
5.1.1 支持向量机理论
5.1.2 传统粒子群算法
5.1.3 二进制粒子群算法
5.2 SVM分类器性能及在信用风险领域研究现状
5.2.1 SVM在分类中的优点
5.2.2 SVM在分类中的不足
5.2.3 SVM参数优化
5.2.4 SVM在信用风险评价中的应用
5.3 基于离群点剔除的SVM模型
5.3.1 基于离群点剔除算法
5.3.2 实验结果与分析
5.4 基于群协同优化算法的供应链金融信用风险评估模型
5.4.1 供应链金融风险评价指标体系建立
5.4.2 BPSO-SVM算法描述
5.4.3 实验结果与比较
5.5 本章小结
第6章 一种新的降噪集成SVM的供应链金融信用风险评价模型
6.1 集成学习理论及研究进展
6.2 噪声样本对SVM分类精度的影响
6.3 基于自适应变异粒子群参数优化算法
6.3.1 自适应变异粒子群算法
6.3.2 自适应变异粒子群算法优化SVM参数
6.4 AdaBoosting算法
6.4.1 算法理论
6.4.2 算法流程
6.5 基于噪声剔除集成SVM模型
6.5.1 数据搜集与准备
6.5.2 噪声剔除方法
6.5.3 噪声剔除集成SVM算法实现
6.6 实验结果与讨论
6.6.1 样本与特征属性
6.6.2 基于PCA的属性约简
6.6.3 基于FCM类别噪声剔除
6.6.4 基于EN-AdaPSVM模型的SCF风险评价结果
6.7 本章小结
第7章 总结与展望
7.1 总结
7.2 展望
参考文献

供应链金融风险评价是政府、金融机构研究的热点，在解决中小企业融资困境、促进产业供应链稳定发展、防范和规避金融风险等方面具有重要意义。在当今数字时代，源于多重媒介的海量数据将继续大幅增长，半结构、非结构化供应链金融数据使得大数据环境下金融数据分析的模式和方法相对复杂。通过大数据应用分析有效地增加价值能够使运营或供应链管理发挥优势。本书从供应链金融数据分布特征入手，分析影响信用风险分类模型的主要因素，将支持向量机方法结合模糊聚类、集成学习等理论，提出适合于高维、非均衡、小样本特点的供应链金融信用风险评价方法，旨在助力挖掘隐含在海量金融数据背后的知识信息。
本书内容充实、结构清晰、实例丰富，适合计算机及金融学科的师生，以及相关科研院所的科研人员阅读。