随着我国证券市场的高速发展,上市公司面临的金融环境愈来愈复杂,既有机遇也有挑战,其中财务风险问题是每个上市公司不可避免的问题。根据我国证券部门的规则,上市公司被ST处理是因为连续两年出现亏损。上市公司陷入财务困境往往不是偶然发生的,如果能够构建一个上市公司财务困境预警模型,使其预警效果达到最好,一方面有利于利益相关者及时发现上市公司存在的财务风险,降低投资风险;另一方面有利于上市公司提前发现财务风险的发生,改善财务风险管理。财务困境预警研究的重点在于预警指标以及预警模型的选择。⑴预警指标的选择。预警指标的选择在以前的研究中常以结构化的财务指标数据为依据,但是财务指标只能反映上市公司已发生的财务状况信息,具有滞后性和不完全性。MD&A因其所披露的对过去经营情况的评估以及未来重大事项、重大风险进行预测的文本信息是财务报告的重要补充,使得获得更全面的信息成为可能。因此,选择财务指标数据以及MD&A文本数据对公司财务困境进行预警研究。重点探索了MD&A文本中所包含信息对财务困境预警的作用,提取并量化MD&A文本中的情感指标M1、可读性指标M2、风险性指标M3、竞争战略指标M4,构建MD&A文本的非财务指标M。⑵财务预警模型的选择。在参考和比较已有预警模型研究的基础上,本文选取Lasso-Logistic回归模型和Lasso-XGBoost模型进行构建纯财务指标数据的预警模型。集成学习XGBoost模型作为一种高效的集成学习方法,被广泛用于数据科学竞赛和工业界,具有运行速度快、模型预测效果好等优点。为避免预警指标间多重共线性,使用Lasso方法筛选出对上市公司财务状况影响较大的财务指标,在此基础上训练Logistic回归和XGBoost模型,实验分析了Logistic回归与Lasso-Logistic回归模型,XGBoost与Lasso-XGBoost模型,以及Lasso-Logistic回归与Lasso-XGBoost模型,验证它们在财务困境预测上的有效性。本文选取了在2018-2020年期间被ST的沪深两市A股上市公司作为财务困境预警模型的正例样本研究对象。实验结果表明:（1）T-2年数据集和Lasso-XGBoost模型的预测效果是最佳的,验证了Lasso-XGBoost模型相较于Logistic回归模型和Lasso-Logstic回归的模型的有效性。（2）MD&A文本的情感极性指标M1对预警模型的改进效果是最明显的,而可读性指标M2对预警模型的预测效果有所下降。单独使用非财务指标M来预测财务困境的效果不佳,而同时使用筛选后财务指标X*和非财务指标M是合理性的,其预警模型的预测效果也是最好的。研究表明了MD&A文本的非财务指标对财务困境预警的预测能力表现不同,从MD&A文本中构建的非财务指标可以完善预警指标体系。