随着我国金融市场的日益强大,相关的法律法规更加完善,越来越多的企业和管理者希望通过上市来募集资金以完成企业的扩张、创新、研发、投资等行为。但是与此同时,由于市场的走向和发展有太多的不确定性,所以企业在这样的环境中面临更多的危机。上市公司的资金支持比较强大,能够在经济市场中扮演更加稳健的角色,但是其所面临的风险与竞争自然也更多,也有不少的上市公司没能在动荡的环境中渡过难关,陷入危机甚至是宣布破产。而财务危机预警模型能够帮助企业更早的发现潜在的财务问题,及时的制定计划,采取必要的措施来规避风险,而对于投资者而言也能够及时调整投资策略,避免不必要的损失。本文选取了2019年1月1日至2019年12月31日财务正常的2549家上市公司作为财务正常样本,并选取2017年1月31日至2019年12月31日三年中被标记为ST的160家上市公司作为财务危机样本。针对指标的预选取,本文从两个方面考虑,一方面是上市公司的财务指标,另一个方面是非财务指标,财务指标从企业的偿债能力、盈利能力、营运能力、发展能力、现金流五个方面进行选取,非财务指标从行业认知、企业规模、内部治理以及司法风险四个方面进行选取,共选择了136个指标。在对数据进行预处理之后,本文通过统计指标以及模型方法对预选取的136的指标进行约简,统计指标主要从指标之间的相关性对进行考虑,将相关系数高于0.8的指标进行删除,而模型方法主要是利用梯度提升树将各指标的重要性排序后,从高到低计算累积贡献率,将累积贡献率0.95以外的指标进行删除,将保留的指标进行指标选择,留下最终的73个指标。在实证部分中,针对财务危机预警数据集的非平衡问题,本文分别尝试了多种采样方法,利用决策树模型对这些方法进行效果的对比,找到了最适合财务危机预警风险数据集的采样方法,并应用通过采样处理的数据,分别建立了基于随机森林、Light GBM以及Cat Boost的财务危机预警模型,从三个单一模型中找到表现较好的模型,利用Stacking的集成算法将其进行模型的融合,得到最终的上市公司财务危机预警模型。本文的实证结果显示,随机森林在少数类的召回率中表现得更好,Light GBM在模型的少数类精确率中表现最佳,而Cat Boost模型在所有的单一模型中综合表现最优,其F1值最高,所以利用Stacking算法将各具优势的三个单一模型进行融合,最终结果显示经过Stacking集成后的模型无论在少数类的召回率方面或者是F1值方面均较单一模型的表现有所提升,进一步证实了本文所用的方法在财务危机预警研究中的适用性。