近年来,随着外资的持续流入,机构投资者的占比逐年提高,市场越来越重视公司投资价值本身。A股风险事件频繁出现,造成投资者损失。与此同时,随着企业运营和交叉持股更加多元化,企业之间的关系更加错综复杂。如何从财经资讯中发现风险事件,并构建一套有效的研究方法对个股的关联风险进行防范预警具有重要意义。现有的金融事件抽取方法主要包括基于模式匹配、基于机器学习和基于深度学习的方法。基于模式匹配和机器学习的方法均依赖于专家知识和人工特征工程的构建,基于深度学习的方法则依赖于大规模的训练数据集。此外,目前个股风险事件对股价影响的研究,主要集中在单个（类）事件对股票市场的冲击效应研究,较少考虑事件对企业产业链的可能影响以及对于关联风险的早期预警。针对这些实际需求,本文研究上市公司风险事件的抽取方法,以及结合企业产业链的风险预警方法。主要工作包括:本文从治理行为、公司经营和财务角度,构建了包括股权质押、高管离职等7类风险事件28585篇文档的语料集。在此基础上,提出了一种基于FinBERT的篇章级风险事件抽取方法。该方法利用事件类型和句子之间的信息,将其输入到FinBERT预训练模型中,对篇章中的关键事件句进行识别。考虑到事件论元往往出现在触发词周围,而BERT无法获取到该部分信息,本文设计了一种余弦相对触发词位置向量作为共同输入到BiLSTM网络结构中,并结合外部知识库（股东、高管信息等）对事件句中的论元进行抽取。实验结果显示,相对于基线模型,该方法在风险事件数据集上的F1值提高了5.85%。在传统金融风险控制中针对负面新闻个股进行研究的基础上,本文进一步研究了与产业链结合的关联风险。为此,从企业的上游供应商、下游客户、竞争者和战略合作者四个维度构建了企业产业链关系网络,并将风险事件和企业产业链网络进行融合。本文对发布风险事件公告的上市公司及其一级供应商的累计异常收益（Cumulative Abnormal Returns,CAR）进行T值统计检验分析。从中发现,业绩预减事件不仅对上市公司本身股价产业影响,还对其一级供应商股价产生影响。在此基础上,本文提出了一种基于FinBERT+MRC的端到端关联风险预警方法。在上市公司发生风险事件以后,对其产业上下游在不同事件窗口累计异常收益涨跌方向进行预测。相对于基模型,准确率平均提高了2.39%,马修斯相关系数（Matthews Correlation Coefficient,MCC）平均提高了5.10%。