上市公司违约预测是通过构建上市公司t-m（m=0,1,…,5）时刻的财务因素、非财务因素、宏观条件等指标与该公司在t时刻违约状态之间的函数关系,实现采用t时刻的指标数据预测上市公司t+m（m=0,1,…,5）时刻的违约状态的目的。本研究以下对两个方面的问题进行了研究:一是使用不同时间窗口指标数据来对新客户进行违约状态预测,可能会得到不同的结果。一般来说,距离预测期越近的指标数据揭示预测的违约状态的能力越强,距离预测期越远的指标数据揭示预测的违约状态的能力越弱。二是对于新客户的违约状态预测过程中的最优指标组合遴选。使用不同的组合来对新客户进行违约状态预测,也可能会得到不同的结果。本研究有两个创新点:一是多窗口样本数据加权。通过对距离预测期越近的窗口的数据赋予越大的权重、对违约预测精度越高的窗口的数据也赋予越大的权重,把多窗口的数据加权平均后建立随机森林模型。二是最优指标组合遴选。通过前向选择得到指标组合1,通过后向选择得到指标组合2;通过取组合1和组合2的交集得到组合3,通过组合1和组合2的并集得到组合4;遴选4个组合中预测精度G-mean最大的得到了一个最优指标组合。研究发现:对中国上市公司违约具有0-5年预测能力的指标有“资产负债率”、“流动比率”等9个;具有0-2年短期预测能力的指标有“资产负债率”、“出口总额（亿美元）增长率”、“净资产EVA率”等30个;有3-5年中长期预测能力的指标有“资产负债率”、“每股盈余公积”、“失业情况:失业率（%）”的增长率”等24个。在1年预测期时,“综合杠杆”、“资产负债率”、“行业景气指数”、“流动比率”、“每股留存收益”等16个指标对于上市公司违约预测具有关键影响。在排名前10的指标中,财务因素5个,分别为“资产负债率”、“流动比率”、“资本公积占所有者权益的比例”、“综合杠杆”和“每股留存收益”。外部宏观条件指标4个,分别为“行业景气指数”、“居民消费水平指数:全体居民（上年=100）”、“铁路营业里程（万公里）增长率”和“造林总面积（公顷）增长率”。研究表明,本研究构建的基于随机森林的上市公司违约预测模型的“AUC”、“G-mean”、“Recall”等预测精度均比典型的深度学习模型如人工神经网络（ANN,Artificial Neural Network）、深度神经网络（DNN,Deep Neural Network）,机器学习模型如决策树模型（DT,Decision Tree）、K近邻模型（KNN,K-Nearest Neighbor）,统计模型如逻辑回归模型（LR,Logistic Regression）高。