近些年,金融科技在国内外迅猛发展,以金融科技为背景的技术正在全方位赋能金融体系的信息化和智能化,其在金融智能风控、量化交易、资产管理等领域都有巨大的研究空间和价值。财务风险预警是金融智能风控领域的重要研究问题,它能监控企业经营活动和财务状况的变化,帮助政府监管者、投资人或企业主等尽早发现企业的潜在风险,从而提早采取相应措施,它事关每一个企业生死存亡和市场经济的平稳发展,具有现实意义。针对国内已有的财务风险预警研究存在样本选择有偏、时间跨度较短、泛化能力不强等问题,本文结合了机器学习、概率统计、金融学、财务管理等跨领域的知识,从差异化集成以及聚类辅助分类的角度,开展财务风险预警模型的研究。首先,本文构建了财务风险预警的数据集,设计并采集了2006年至2016年近10年来15367条财务风险数据,涉及到2550家上市公司,6大类一级预警因子,96个二级预警因子。其次,提出了基于聚类以及stacking堆叠泛化的两阶段混联集成学习方法——随机层叠森林,进行财务风险预警。此模型先计算维度约束,再通过对多维连续特征的随机特征子空间的聚类来进行特征离散化,并生成高维特征。同时,考虑到原始特征以及随机生成的特征必然存在冗余性,故通过多层交叉集成学习来保证模型的泛化性,结合layer-by-layer的训练过程逐层进行特征剪枝和特征增强,动态评估AUC的变化决定堆叠的层深,从而达到更好的分类效果。最后,由于财务预警数据集属于非公开数据集,为了进一步验证模型的有效性,除了财务风险预警实验之外,本文同样选取一个相似但开源的金融风控数据集——ULB信用卡欺诈数据集,作为额外的补充实验。两个实验均以AUC以及少数类F₁分数作为评价指标,从4个方面评估了随机层叠森林,对比了如Bagging、随机森林、Adaboost、DBDT、XGBoost、Lightgbm,Catboost以及Stacking等主流的集成学习算法,模型分类效果提升了1%-3%,证实了模型的有效性以及本文的研究方法在财务风险预警的适用性。