上市公司建立财务困境预警系统具有重要意义,有利于管理层做出正确的经济决策,及时化解各类风险,维护投资者、债权人等利益相关者的权益。随着我国资本市场的迅速发展,选择上市融资的企业越来越多。面对复杂多变的市场环境,部分上市公司竞争力弱,业绩差,逐步陷入连年亏损的困境。为规范市场,证监会对连续两年亏损的上市公司进行ST处理,对连续三年亏损的上市公司进行*ST处理。利用ST公司样本信息,采用机器学习的方法,深度挖掘上市公司在经营管理活动中各项数据背后的的规律,对其是否陷入财务困境进行预测和预警。这对上市公司摆脱财务困境甚至扭亏为盈意义深远,同时也可为投资者的投资决策提供参考依据。本文以2019年246家A股上市公司作为研究样本,运用python语言进行编程,综合考虑上市公司的财务指标与非财务指标,基于机器学习模型,调用机器学习经典算法建立决策树模型、随机森林模型和更为复杂的XGBoost集成模型。通过遍历的形式调节参数,将模型调为最优状态,预测上市公司是否会陷入财务困境。进一步运用混淆矩阵观察预测结果,通过ROC曲线和AUC值对模型性能进行评估。通过对决策树模型、随机森林模型和XGBoost集成模型的预测准确性进行对比评价,对三种模型的特征重要性进行打分,筛选出三种模型中共有的高分特征财务困境指标进行分析,以达到财务预警目的。研究结果表明,决策树、随机森林和XGBoost集成模型都有较高的预测效果,随机森林模型虽然与XGBoost模型预测效果不相上下,但在模型性能上略逊一筹,而决策树模型的预测能力不如前两者。同时,非财务指标不应被忽视,审计费用在预测模型中起到重要作用。净利润增长率、审计费用、每股收益、前十大股东持股比例、应收账款周转率和所有者权益增长率对上市公司财务困境具有预警效果,应当予以重视。