随着我国经济的快速发展,财务风险对上市公司造成的危害程度正在日益加深,它不仅影响企业的生存和发展,而且也给相关利益者带来巨大损失。因此如何从企业经营过程产生的大量财务数据中挖掘出对企业财务风险有预警作用的信息成为我国上市公司迫切需要解决的问题。而数据挖掘技术的不断成熟正好解决了这一问题。数据挖掘具有通过对大量历史数据分析,挖掘出潜在的规则和知识的功能。因此运用数据挖掘技术对我国上市公司财务风险预警进行研究,构建一个有效适用的财务风险预警模型,具有十分重要的理论意义和现实意义。本文主要研究数据挖掘中Logistic回归、神经网络和决策树在上市公司财务风险预警中的具体应用。首先本文介绍了财务风险预警和数据挖掘技术相关理论;其次介绍了财务风险预警模型研究流程,并详细阐述了本文所用的三种数据挖掘技术;然后结合我国上市公司实际情况,构建了财务风险预警指标体系;最后以2005-2007年77家首次被ST处理的制造业上市公司及其配对公司为研究样本,以被ST处理前第2-4年的财务数据为基础,以CRISP-DM数据挖掘流程模型为框架,运用CLementine数据挖掘工具实现了数据挖掘技术在财务风险预警中的应用。本文研究发现,运用数据挖掘技术建立的财务风险预警模型具有很强预警能力。从三个模型预测能力看,距离ST的时间越近,预测准确率越高;从短期预警看,三种模型都较好的预测效果,但是从长期预警看,神经网络和决策树的预测效果要优于统计分析的Logistic回归;基于知识发现类的数据挖掘技术不但适合应用于短期预警,也适合应用于较长时期预警。因此数据挖掘完全可以应用到财务风险预警分析中,以达到运用数据挖掘技术进行决策支持的目的。