随着国内经济下行压力持续加大和经济转型升级,并且又遇到了新冠疫情这一黑天鹅事件,这对上市公司经营压力是持续增大的,并且上市公司退市风险也逐步显现。上市公司一旦被ST将面临更大的压力,相关部门的严厉监管会使ST企业融资难度加大,导致经营环境继续恶化,甚至会有暂停上市的风险。上市公司的风险问题不仅会给企业带来巨大的损失,而且还会使投资者、债权人等相关利益者利益受损。所以如何从企业众多数据中找出风险信息,提前进行风险防范,对于企业的健康发展至关重要。对于财务风险预测已经有很多工作者做出了研究,通常以上市公司的财务报表为研究对象,这些都是一些结构化数据,是不够全面的。如今是互联网时代,而网络上的文本数据是一个非常丰富的信息资源,本文选取了上市公司股吧中的评论数据,这些评论数据代表了网友对这一公司的评价,代表了对这一公司的看法。所以,本文将对这些评论数据进行情感分类分析,作为一个特征进行建模研究。在梳理完国内外企业风险预测模型之后,发现已有的各种模型很少对财务数据的各个时间节点联合进行分析,即对时间这一维度进行分析,而如果要对时间和财务指标进行分析,数据结构将类似于面板数据。而CNN基于张量,可以对面板数据进行输入分析,所以相较之前的机器学习模型能够更为全面、综合地反映风险状况。本文为更具一般性的研究上市公司的财务风险,将目标放到了全部A股上市公司,本文选取2014年到2018年所有A股ST企业共110家,所有A股正常企业共3468家。并选取所有财务指标共176个和评论文本情感分类特征来进行财务风险预测。本文利用了三种模型,第一种是采用XGBoost建模,第二种是采用CNN建模,第三种是先用XGBoost提取重要特征,然后用CNN建模。为研究网络评论文本的情感分类特征是否对模型的提升有影响,本文将文本情感分类特征加入到以上特征中再次进行三次建模比较。结果显示,经过特征筛选对CNN模型并没有提升作用,但是对XGBoost有提升作用,另外文本情感分类特征中所蕴含的信息与传统机器学习模型结合并不能对模型有提升作用,而将文本情感分类特征与CNN模型结合对模型性能有较大提升。从本文的研究结果可以得出,基于上市公司的网络评论文本情感分类特征对上市公司的财务风险预测具有重要的研究价值,这也给之后的财务风险预测建模提供了新的特征思路。