上市公司作为实体经济的典型代表,一旦发生财务困境,不仅自身会遭受巨大损失,让投资者利益严重受损,甚至可能对整个平稳发展的经济社会造成巨大冲击。只有科学地展开对我国上市公司财务困境识别和预警的的研究,才能及时发现财务困境的诱因并采取有效的防范措施,避免造成不可挽回的损失。因此,寻求一种健康有效的财务困境预警方法,无论是对我国经济还是对上市公司发展而言,都意义重大。本文以规范的研究方法为主进行企业财务预警研究,尝试探讨企业财务困境预测的新方法。在回顾国内外学者有关财务预警的已有研究后,论述了财务预警的研究基础;通过剖析企业财务风险和财务困境之间的联系,界定了本文对上市公司财务困境的理解;通过解析上市公司发生财务困境的内部和外部路径,搭建了财务预警框架;在理解本文采用的长短期记忆神经网络(后文均用“LSTM神经网络”表示)的设计原理后,结合深度学习中的TensorFlow框架和Python3.6.4开发平台,编程实现了应用LSTM神经网络对相关数据的处理;剖析将LSTM神经网络应用到我国上市公司财务预警研究中的优势。随后在本文的核心章节中,充分考虑了影响企业财务状况的内部因素,建立了一个由二十八个财务指标和两个非财务指标组成的财务预警指标体系。采用深度学习中的LSTM神经网络建立了一个包含Droupout层和BN(Batch Normalization)层的4层网络模型,同时借助深度学习强大的特征学习功能强化预警变量的选取,帮助企业科学地对财务状况加以分析。然后采集2015-2018年我国A股上市公司的财务数据和经营数据从单步长和多步长两个维度进行财务预警研究,得出深度学习网络模型在不同维度下的预测准确率。对预测结果的横向和纵向比较看出,距离财务困境发生时间越近的预警结果的准确率越高,同时,财务困境发生前两个会计年度的累计数据对于上市公司财务困境的预测准确率最高。