随着经济全球化的深入和发展,系统性金融风险的扩散性和传染性在不断增强,复杂多变的经济环境也极大提高了风险的隐蔽性,使得风险暴露出来后已经无法控制,因此,各国对系统性风险都尤为重视。目前股票市场对中国经济发展的影响越来越大,股市系统性风险的过度积累会给整个金融市场乃至宏观经济运行造成严重打击。在这样的背景下,对我国股票市场所面临的系统性风险因素进行深入分析,并构建一套准确并且适合中国国情的系统性风险预警系统,对于防范和化解潜在的股市系统性风险具有重要的意义。股票市场是开放复杂的动态系统,但传统预警模型基本都是基于线性分析思想的单一模型,它们无法有效处理非线性问题以及识别复杂的股市信息。因此,本文将利用机器学习方法在金融数据分析过程中的优势,构建基于机器学习方法的股市系统性风险预警模型,对系统性风险进行更深入的研究,主要工作如下:首先,对已有的系统性风险相关研究成果进行梳理总结,确立本文的研究目的和基本研究框架。其次,阐述股票市场系统性风险的定义、特征以及影响因素,并介绍极限学习机算法及其应用方向,为后文的实证研究做好理论基础的准备。在实证研究部分,从宏观经济和金融系统运行状况、股票市场内部因素、外围股票市场冲击、泡沫化经济风险因素四个视角出发,选取股市系统性风险预警指标,在对数据进行标准化处理后,通过因子分析法合成得到股市系统性风险综合指数,经验证该指数能够有效反映我国股市系统性风险的变化情况。最后,运用极限学习机构建股市系统性风险预警模型,并与BP神经网络模型的实验结果进行对比。研究结果表明,极限学习机是一种有效的股市系统性风险预警方法,具有较优的预警准确性,并且在学习速度和准确率上均较BP神经网络模型有了一定的提升。将系统性风险综合指数与极限学习机算法相结合,可以克服一些传统预警方法的局限性,能够较好地监测股票市场系统性风险的变化。最后,根据理论分析和实证分析的结论,从健全股市系统性风险预警机制、完善股票市场基本制度建设和加强跨市场监管等方面出发,对如何防范股市系统性风险提出对策建议。