随着国内经济下行压力持续加大和经济转型升级不断深入,个别上市公司经营压力持续增大,上市公司退市风险也逐步显现。上市公司一旦被冠以ST、*ST帽子,将面临更大压力,相关部门的严厉监管会使ST企业融资难度进一步加大、企业经营恶化,甚至第三年仍旧亏损有被暂停上市的风险。本文选取2012-2017年A股的所有首次被证监会特殊处理的上市企业和退市企业作为风险样本共137个,再根据F分数按同行业、同时期、同资产规模匹配截至2017年底从未被证监会标记过的正常企业和不稳定企业各137个。所选指标涵盖上市企业财务和非财务信息。之后指标通过筛选得到了 9个对三类上市企业风险有区别度的指标。再通过Logistic回归、神经网络、决策树、随机森林等算法对上市企业样本t-3年这9个最终指标构建上市企业风险预测模型。从预测模型效果对比来看,随机森林算法在预测上市企业风险数据上表现要优于决策树模型、Logistic回归及神经网络模型。其训练集样本整体判别准确率在99%,测试集整体判别准确率在62.2%。且通过决策树模型对数据的深层挖掘,发现利息保障倍数是否大于等于6.7为第三类即正常企业类别和其他类别的一个区分点。从随机森林模型也得出利息保障倍数和营业利润率两项指标相比其他指标对于上市企业类别的区分上更加明显。上市公司的风险问题不仅会给企业带来巨大的损失而且会使投资者、债权人等相关者利益受损,严重威胁着企业的生存与发展。如何从企业众多数据中找出风险信息,提前进行风险防范,对于企业的健康发展有重要意义。