股票市场风云莫测,风险无处不在,企业经营的成败受到多重因素交织影响,任何消息的报道和披露都有可能引起股价的异动。上市企业的财务困境不仅严重威胁着企业的生存与健康发展,直接损害到了投资者的利益,也对当前投资环境造成了破坏。其实,企业从财务危机隐患初现到最后深陷财务困境难以解脱,这一状况并不是短期内形成的,而是长期积累、逐渐恶化的后果。因此投资者应当充分利用一切可能的信息资源,从中找到线索,及时发现企业的财务异常。而企业定期披露的报告是普通投资者了解企业最直接、最规范的渠道。企业信息披露文件中包括了企业的财务数据、管理层治理结构、涉及重大诉讼等信息,以上内容对投资者了解企业状况、评估企业价值和风险具有重要参考价值。因此如何对海量的信息披露文本进行充分的挖掘和学习,进一步拓宽财务困境预测领域,从而实现对上市公司的高效监管是一个值得深入研究的问题。本文对上市企业的财务数据和年报中的文本数据这两方面展开了研究。对于财务报表数据,首先使用Lasso算法进行指标筛选,分别构建了针对不同时期的财务风险指标体系。接着使用SVM以及XGBoost模型对各企业第t+1年、第t+2年财务风险状态进行预测。对于上市企业年报中的文本数据,本文使用Word2vec方法训练了词向量模型,用于衡量各词汇之间的相似度,并整理了基于中文金融行业语境的情感词库。接着,利用情感特征词的词向量将年报文本量化,构建了基于情感词频指标和情感特征词向量的预测模型。最后将财务数据模型与文本数据模型组合,得到企业一年或两年后是否会陷入财务困境的最终预测值。实证结果显示,信息披露文本的情感特征能够提高企业财务困境预测精度。本文利用文本情感指标与财务数据相结合的组合模型预测企业未来财务风险,最终组合模型的准确率为93.74%,F1-score为89.33%。相对于仅基于财务数据构建的基础模型一,组合模型的整体准确率提升了3%,风险样本识别率提升了5%。得出结论,企业年报中的管理层情感倾向的确能够预示企业的财务风险,投资者应当对其充分关注,结合财务数据做好风险预判。