随着我国资本市场的迅速发展,企业面临的竞争日益激烈,上市企业的财务状况受到了严峻的考验。上市公司因财务状况异常而陷入困境的情况屡见不鲜,因此建立准确的财务困境判别模型显得尤为重要。从2006年到2015年10年的时间里,已经有321家公司被“ST”。上市公司被“ST”后,不但影响自己正常的生产经营,还让相关投资者和债权人蒙受损失。因此,利用上市公司发布的财务数据,建立上市公司财务困境判别模型以揭示风险,己成为上市公司管理者、投资者和债权人等相关利益方共同关注的问题。上市公司作为我国多层次资本市场建设的基石,其经营业绩、财务状况是资本市场健康发展的重要保障,建立上市公司的财务困境判别模型,也有利于资本市场实现其价格发现、风险转移、资源配置的功能。在介绍了选题背景及研究意义的基础上,本文明确了研究方法、主要内容和研究框架。随后系统梳理了国内外学者在财务困境领域的相关研究文献,对财务困境的概念界定、特征和判别的相关理论等方面进行探讨,为实证分析部分的输入指标的选择和建模方法应用提供思路。本文运用集成学习模型来提前判别上市公司会否陷入财务困境,首先对上市公司出现财务困境的相关特征进行总结归纳,本文选取了在2006到2015年期间被“ST”的A股上市公司作为研究对象,并以同行业、同规模、同类型的原则选择配对的正常企业,通过对比,来研究上市公司在陷入财务困境前三年的主要特征。考察的特征涵盖上市公司的报表项目特征,如资产、负债和所有者权益等项目,也涵盖上市公司的相关财务指标,如偿债能力、营运能力、盈利能力、现金流动能力、潜在发展能力等指标,此外还涵盖了上市公司的治理特征,如股权结构、董事会规模、大股东持股比例和外部审计等内容。在对上市公司陷入财务困境前的特征有一定了解的基础上,本文建立了相关指标体系,并且通过数据处理与严格分析,选择了11个指标作为主要判别变量,这些判别变量在一定程度上可以区分正常企业与陷入财务困境的企业。接着本文构建了随机森林财务困境判别模型,模型中包含1000棵随机树,并且在每一次运算时随机抽取6个判别变量,使用2006到2012的样本作为学习样本,利用2013年到2015年的样本作为检验样本,准确率高达83%,比传统分类方法高4到20个百分点。另外在模型中,对随机树木依次取0到500,随机抽取1到10个判别变量,随机森林算法的准确率依然保持高位。当随机树木个数大于100以后,准确率逐步稳定在80%以上;而抽取4到7个判别变量时,模型的准确率较高,这都体现了集成学习方法的稳健性。最后,从随机森林模型的结果中可以得到,每股收益与净资产收益率这两个指标对判别上市公司财务困境有着十分重要的作用,在指标体系中的重要性高达35%和20%。由于各种主客观因素,本文还有些许不足,例如样本量有限,未能覆盖到全部的上市公司,同时选取的指标也未能反映出导致上市公司陷入财务困境的所有因素。根据上述的理论分析与实证结果,本文认为基于集成学习方法对上市公司的财务困境判别模型对于企业管理者、投资者和债权人而言,都有较高的实用价值。