经济全球化是目前世界经济发展的方向。自中国加入世界贸易组织后,企业组织多元化、交易元素多极化、金融背景复杂化的“三化”标志着我国本土企业必将面临前所未有的不确定性宏观经济形势带来的激烈竞争。企业在生存发展过程必然会遭遇危机,良好的危机处理能力是企业生存的必备法则,而最好的危机处理方式就是提前进行危机预警从而防范于未然。如何在财务危机发生之前及时预警,有效帮助内部信息使用者和外部信息相关者采取防御措施,经营管理中强化风险应对意识是迫在眉睫的课题。与此同时,伴随着我国证券市场规范的不断完善,也为上市公司的财务危机预警提供了可能。财务预警,也称之为财务失败预警,是指通过传统会计记录的会计信息为基础,结合管理会计促进科学决策目标先行的原则,通过比率分析、因素分析等多种分析方式或者通过风险指标体系构建的财务状况判别模型,对企业的经营活动、财务活动中可能即将面临的危机进行实时的监控和预警,从而督促企业经营者及时采取措施,避免潜在的风险演变成损失,做到未雨绸缪。资本市场的不断发展直接带动经济投资范围、规模的双维度扩大,在缺乏有效的预防机制下容易造成散户投资者盲从跟风的局面,最终导致市场崩溃,严重阻碍我国资本市场的健康稳健发展。鉴于此,怎样有效借助上市公司公布的财务信息来搭建有效的财务预警机制成为完美投资的重头戏。美国数学家Vapnik在上世纪中后期提出支持向量机(Support Vector Machine, SVM)理论,这是一种统计学习和计算机学科的交叉领域。Vapnik在他的研究中提倡建立结构风险最小化训练系统,实现风险最小化目标后再投放进入实际应用。事实证明这样的最小化风险控制系统理论效果是十分显著的,随着后期各个领域学者的继续深入研究,支持向量机已经逐渐被广泛应用在时序预测、训练模型参数择选、模式识别等回归统计领域。支持向量机也不是完美无缺的,该理论仍然与传统学习算法一样都是借助学习机参数模型训练,这种经验试算的模式无法为其参数择选提供良好的方式,这不仅会耗费大量资源,还会影响训练模型对样本计算的准确性。波兰研究者Pawlak(1982)首次提出粗糙集理论(rough sets, RS),该理论主要研究数据归纳、不完整性整理及其结论的表达范式,进而解释简约特征值和数据提取。本文将SVM和RS理论相结合,提出了基于RS和SVM的上市公司财务危机预警模型,同时针对参数的选择问题,利用遗传算法优化SVM的参数算法,实现SVM参数的自动化选择。通过实证研究表明,本文构建的基于粗糙集的支持向量机的财务危机预警模型较单纯地使用支持向量机而言,能够减少训练的时间,并且具有较高的预测精度。此外,本文在最后对该预警模型存在的一些局限性做了说明,并对后续的研究提出了一些建议。