上市公司因财务状况异常或其他情况异常而发生特别处理变动,是我国特有的ST制度。从理论上来说,ST制度向投资者警示了该类股票有较大风险,继续投资可能会面临巨大损失。然而在资产重组和壳资源炒作下,ST股却成为了热点板块。即便有极个别投机者从中获利,绝大部分跟风投资者往往损失惨重。为了加强保护投资者权益,严厉打击此类证券违法违规活动,证监会深化退市制度改革。随着注册制改革稳步推进,常态化退市机制逐步建立,资本市场优胜劣汰机制加速形成,投资者也重点关注着上市公司的ST风险。上市公司财务状况恶化往往是逐渐演变的过程,若能根据一些信息预测ST风险,或可减少投资的盲目性,或可调整公司经营决策避免ST发生。本文从保护投资者权益出发,提出构建集成模型预测上市公司面临的ST风险。常用的ST风险预警模型有判别分析模型、逻辑回归模型、机器学习模型以及神经网络模型。对比发现,判别分析模型虽然计算简便,但有着严格的假设条件。逻辑回归模型利用最大似然函数进行参数估计,因此对样本量有所要求。目前,机器学习和神经网络模型被广泛应用于无人驾驶、潜在犯罪预测、检测信用卡欺诈等多个领域,均有不错表现。因此,本文采用机器学习方法对上市公司ST风险进行预测。常用的集成学习算法通常有三类:袋装法（Bagging）、提升法（Boosting）和堆叠法（Stacking）,本文基于Stacking思想融合单一机器学习模型,将支持向量机模型（SVC）、逻辑回归模型（LR）、决策树模型（DT）和朴素贝叶斯模型（NB）组合,提高ST风险预警模型的分类预测结果。在预测样本的选择上,国内学者往往在研究财务困境等问题时直接将ST企业等于财务困境企业。本文认为这是不合理的,因为财务困境是从现金流量角度进行衡量,而特别处理变动从盈利能力角度进行评估。基于此,本文选取了2018—2021年间A股市场的150家ST企业和450家正常企业,从财务因素和非财务因素等方面共选择了49个预测指标,收集了样本公司ST变动前六年的相关数据,数据来源于国泰安数据库（CSMAR）。在描述性统计中发现,样本数据存在异常值。数据归一化处理后,本文利用Filter过滤法进行方差过滤,考虑到方差很小的特征无法用于区分样本,因此消除方差为0的特征。接着对特征进行主成分提取,减少共线性等问题的同时,尽量减少了原始指标所包含信息的损失。根据支持向量机算法基本原理,本文训练了基于SVC算法的ST风险预警模型并利用网格搜索和五折交叉验证进行调参优化,输出最优的ST风险预测模型。评估各个模型的分类效果时主要选取了准确率、精确率、召回率、F1得分和AUC值等指标。实验结果表明,样本数据是非线性且不平衡的,在双曲正切核函数（sigmoid）和1∶3的权重参数（class＿weight）下,SVC模型有着较高的预测准确率（88.89%）和召回率（90.48%）。比较不同提前期数据下的SVC模型发现,t-1、t-2以及累计两年的提前期样本数据集的模型预测性能更好。利用Stacking多模型融合思想,将LR、DT、NB模型作为Stacking算法的第一层基学习器,使用基于SVC的ST风险预警模型作为第二层基学习器构建集成模型。在最优超参数组合和三折交叉验证下重复进行20次实验,结果表明SVC-Stacking集成模型的整体预测准确率平均值为89.75%,召回率平均值为90.25%,和单一的SVC模型相比分别提高了约7.53%和2.31%,且集成模型的评价指标波动曲线在所有模型中是最小的。不难看出,集成模型可以捕捉出90%以上有ST变动风险的上市公司,预测性能和稳定性都优于单一模型。因此,本文认为集成模型在上市公司ST风险预测中有着较高的实用价值。