随着我国经济的飞速发展,以上市公司为主的金融市场规模也在不断增加。在金融市场的海洋中,暗礁无处不在,其中财务风险是上市公司不可避免的难题。当公司陷入财务风险时,不仅上市公司本身的价值会被削弱,还会对公司未来的发展前景产生较严重的影响。在此背景下,如何准确预测财务风险是上市公司和投资者都十分关心的问题,对于保障各方的利益,以及维护金融市场的稳定具有重要意义。对上市公司来说,准确预测财务风险可以避免陷入财务危机,加强市场对公司的信心,促进企业更加高速地发展。对投资者来说,上市公司的财务状况直接关系到投资者的收益,如果能够预测到公司未来的财务风险,投资者就可以避免因上市公司陷入财务风险而导致自身过大的损失,及时止损。在财务会计领域,在财务风险的预测上已经做了许多工作。通常分析上市公司的三大财务报表中的重要财务指标来反映一个企业是否陷入财务风险,或者使用不同方法对各大财务指标进行处理,例如比率分析法等。用处理之后的财务指标进行预测分析,又或者使用财务指标代入不同领域的方法模型中对财务风险进行预测,例如SVM、决策树等。但是在以往的论文中,大部分的工作主要是使用公司年度报告中的结构化数据(即财务指标)来构建上市企业财务风险预测模型,我们分析认为仅考虑财务指标数据是不全面的,忽视了财务文本的作用,是不合理的,因为财务文本中蕴含大量未发掘的、对于预测财务风险有帮助的内在信息。本论文投资方的视角去研究上市公司的财务风险模型。我们基于上市公司年报中的信息来预测公司的财务风险。具体来说,本文提取上市公司年报中的结构化财务数据(以下简称财务数据)和非结构化财务文本(以下简称财务文本)来进行财务风险预测。论文提出了三种模型,第一种模型使用财务数据分别采用CNN模型、SVM和XGBoost进行建模,第二种模型使用财务文本采用LSTM+注意力机制进行建模,第三种模型将财务数据与财务文本结合起来建模。在第三种模型中我们尝试使用了两种网络结构,一种由CNN卷积神经网络和LSTM长短期记忆神经网络组成,另一种由单隐层前馈神经网络和LSTM长短期记忆神经网络组成。实验结果显示,非结构化财务文本中包含了重要信息,但是单独使用财务文本来预测财务风险效果不佳,而在基于财务数据的模型中加入文本能显著提高财务风险预测的准确性。此外,财务文本可以有多种方式与财务数据相结合,不同的结合方法,以及不同的财务数据特征提取方法都会对模型性能产生影响。本文的研究证实了上市公司报告中的文本具有重要的研究价值,对于财务风险预测也提供了新的思路,研究成果对于投资者和企业管理者有重要的参考价值。