近三十年,上市公司的财务困境预测问题一直是风险管理领域的研究热点。有效的财务困境早期预警使得投资者可以掌握上市公司的盈利状况,调整投资策略,减少预期的投资损失;也可以帮助企业管理者采取补救措施,避免财务危机。目前,中国权益市场已经成为国际投资者的主要投资市场,因此,中国上市企业的财务困境的早期预测引起了越来越多的关注。本文利用经过优化后的卷积神经网络方法构建了中国上市公司的财务困境预测模型。以2012-2016年间3424家全行业中国上市公司的576个指标数据作为卷积神经网络的输入变量,以发生财务困境的概率大小作为输出变量,建立了一个7层的卷积神经网络财务困境预测模型。其中576个指标包含333个财务指标,108个非财务指标和135个宏观指标,充分体现了指标的多样性。通过结合优化模型,为不同的时间窗口分配最优权重,探讨2012年至2016年连续5年时间窗口(时刻t-5,t-4,t-3,t-2,t-1)的指标数据,对2017(时刻t)年中国上市企业财务困境发生可能性的差异化影响,以提高模型的预测表现。实证结果显示,第一在财务指标的基础上加入与公司自身相关的非财务指标以及宏观指标能够提高模型的预测精度;第二经过多时间窗口优化组合后的CNN模型与不区分年份差别的现有研究的CNN模型相比,预测准确性和区分度都有所提高;第三综合多个不同年份的指标信息对上市公司的影响比单独年份更加准确。与现有的CNN财务困境预测方法,决策树(DT),支持向量机(SVM),逻辑回归(Logist),神经网络(NN)等单独窗口财务困境预测模型相比,引入了多窗口指标组合优化后的CNN财务困境预测模型的预测精度、AUC值和KS值均为最佳,预测精度高达94.5%。本文工作为多样性、多窗口的特征指标在财务困境预警研究中的合理运用,提供了新的思路。同时,本文提出的优化组合方法可以应用于除CNN预测之外的各种机器学习模型的结果优化,尤其是针对不同年份下的特征异质性影响挖掘的研究。