伴随着全球经济快速发展,市场竞争不断激化,各企业所面临的境况日益复杂,危机四伏。然而技术制约、会计失真,致使企业状况往往仅被披露冰山一角。危机事件瞬间袭来,投资者们如同惊弓之鸟,迫切需要提升能动性。若能提高危机的预判准确率,可使企业和投资者提前做出行为调整,及时止损。因此,建立能有效预警企业危机的模型至关重要。目前对于企业财务危机的研究主要基于财务指标建立模型,但在世界经济联动的今天,传统的财务危机预警体系精确性不足。应互联网技术的融入和发展,本文依托大数据挖掘情感信息,克服传统数据不完全性和时滞性,为突破财务危机预警效果的困境提供新思路。本文基于大数据和GBM模型研究互联网行业的财务危机预警。首先,本文通过行为经济学、信息不对称、委托代理和风险管理等理论分析了将大数据运用于财务危机预警模型的可行性和价值性。其次,本文运用Python爬取网络中投资者传递出的企业相关信息,通过情感词典判断投资者评论的情感倾向,并结合信息发布及交流的相关热度作为大数据指标,同基于互联网行业特征进行选取与处理的财务指标和非财务指标,综合建立财务危机预警模型。本文先通过LASSO方法实现指标降维,作为非线性拟合能力较强的GBM模型的输入变量。在样本匹配、指标选取、方法优化上本文都做了一定改进。最终,通过实证与案例的预警应用,从行业和具体企业剖析财务危机的成因及表现形式。基于此研究,本文得出以下结论:大数据指标能使企业信息更为全面、及时,是提高预警效果的重要途径;对比引入大数据前后的财务危机预警模型,发现引入后财务危机预警效果得到大幅提升;基于东方网络案例应用财务危机预警模型,发现通过负利润被披露前的数据可以预警出财务危机,体现了模型的预警性和准确性。本文基于监管者、企业、投资者角度,就大数据下的财务危机预警以及财务危机应对提出相应建议。本文创新之处在于:1.将大数据研究延伸至对企业经营及财务状况的影响分析,在传统财务危机的研究上引入大数据指标及具体文本内容,探讨其预警价值。2.在财务危机预警研究中跳出常用的统计模型,通过GBM智能机器学习模型,观察预测精度。3.与过去对制造业的大量研究不同,本文聚焦于社会变革下被密切关注同时也存在较大财务风险的互联网行业,研究互联网行业的财务危机预警应用价值。