近些年来,世界经济形势错综复杂,2016年美国大选共和党执政,2017年半岛局势紧张,2018年贸易保护主义抬头,反观国内,经济改革进入深水区,上市公司市值大幅波动。外围环境风云变幻,可能会加剧上市公司财务的不稳定性,对上市公司进行更频繁和精确的财务风险预警势在必行。目前,已经有很多方法和工具被应用于财务风险预警领域,如单因素模型、多元变量模型、概率模型、资本市场定价模型等,这些方式都能在一定程度上预测到上市企业的未来财务风险,但是随着环境变化加快,方方面面都会影响到企业的生产经营继而影响到公司财务的稳定,这就需要更为行之有效和适应当下环境的财务风险预警方法和工具。机器学习作为人工智能的核心,发展得日益蓬勃兴盛。机器学习可以有自我学习、自主训练的效果,能够从纷乱繁杂的数据中摸索到经验并不断纠错、优化,再去适应未知的数据及环境。所以机器学习的适应性很高,可以满足当下企业比较复杂多变的经营环境,并不受财务指标变化的过多限制,预测财务风险更加准确。本文在借鉴前人研究成果的基础上,结合选取企业财务风险预警指标的原则,从盈利能力等六个维度共筛选出107个财务指标建立指标库。基于较为新兴的XGBoost算法,筛选出使用次数大于5次的12个重要特征作为自变量,通过最优分箱方法对特征自变量分别进行分析,并以此对深沪两市2155只股票财务数据进行反复学习和训练后构建XGBoost财务风险预警模型。在构建模型的学习训练过程中,根据模型拟合效果选取了控制决策树的个数(42个)、树的深度(选取值为3)和叶子节点最小权重(选取值为1)等参数值实现XGBoost模型的优化。最后选用ST中基作为本文的案例企业,利用优化后的XGBoost财务风险预警模型对ST中基2014年度的财务数据进行预测,成功预测出财务风险,这和ST中基2015、2016年连续亏损继而引发财务危机的事实是吻合的。这证明XGBoost模型可以用来预测上市企业的财务风险。本文最后提出了作为公司管理者、外部股权或债券投资者如何应用本模型来预测公司财务风险以及如何应对公司预测出财务危险后的措施,并对模型存在的不足以及下一步的拓展给予一定的展望。