随着我国市场经济的快速发展,市场竞争日趋激烈,企业面临的风险性和复杂性进一步加大.近年来,企业因财务风险陷入危机,甚至宣告破产的例子己屡见不鲜.因此,构建一个有效适用的财务风险预测评价模型,无论对上市企业还是其利益相关者而言都具有重要的现实意义.而基于统计学习理论的支持向量机(SVM)是一种新型的学习方法.它采用结构风险最小化原则,是一个凸二次优化问题,能够保证找到的极值解就是全局最优解,从而在统计样本量较少的情况下获得良好的统计规律和更好的泛化能力,为解决小样本、非线性、高维数等学习问题提供了一个框架,帮助解决了许多其他学习方法难以解决的问题.目前被广泛应用于文本分类,手写体数字识别,人脸识别,故障诊断等方面.本文充分利用现代智能技术的特点,将支持向量机(SVM)方法应用到企业财务风险预测评价领域,为研究企业财务预测评价问题提出了一种新的建模思想和方法,拓宽了该领域的研究范围.在研究过程中,本文按照证券市场的通行做法,将上市公司根据其财务状况的好坏分为非ST和ST两类,具有权威性和可操作性的特点,充分利用支持向量机在非线性分类中的优势,克服了传统模型采用线性假设的不足,提高了预测评价的精度.在内容安排上,首先回顾了国内外企业财务风险预测评价的研究历史,指出了原本广泛应用于工程领域的支持向量机方法也可用于该领域的研究.接着本文对支持向量机理论的分类原理进行了研究和探讨.针对具体的研究问题,给出了确定和选取样本及财务数据的标准,其中不仅包括传统的财务指标还包括现金流量指标.同以往的研究方法相比,本文将主成分分析法(Principal Component Analysis)同支持向量机方法相结合,用主成分析简化了企业财务评价系统模型的输入向量,然后用支持向量机对企业财务状况进行识别和分类,实现预测评价的效果.在最后的实证中,支持向量机方法可以准确的提取企业财务状况的特征,在小样本量、高维数、强噪声、非线性的数据条件下,通过对企业财务数据的分析处理,得到对企业状态的准确预测.作为评判企业财务状态的新方法,其克服了以往在区分企业状态方法上线性判别的局限性,也克服了有限样本条件下BP网络推广能力不强的缺陷.