在经济全球化的背景下,各市场主体在参与经济活动中的关系越来越密切,而上市公司在此环境下,会有更大概率出现财务困境。一般来说,上市公司陷入财务困境,往往不是突然发生的,都要经历从正常到恶化的过程,只有恶化状态持续且不可扭转时才会陷入财务困境,因此,上市公司是否会出现财务困境,在一定的时候是可以预见的。准确地对财务困境问题做出预测,对上市公司而言,可以帮助经营管理者提前发现问题,并采取有效措施和财务政策来应对。对投资者和债权人而言,有助于帮助他们做出理性的决定,进行调整投资或信贷策略。对监管部门而言,在上市公司经营状况不好时,可以提早识别出来,及时地进行指导,发挥其监督监管作用。因此,建立一个准确的财务困境预测模型,对各个角度的利益相关者来说,都是很有意义的。本文首先对以往关于财务困境预测方面的研究成果进行文献综述,然后对Lasso-logistic和XGBoost等方法的理论基础做了阐述。在对财务困境内涵界定的基础上,以我国2018年A股市场上96家被标志ST和2682家非ST的上市公司为样本。结合我国上市公司发展的现状,从财务因素和非财务因素两个方面考虑,选取偿债能力、成长能力、现金流量、盈利能力、营运能力、股权结构和治理机制等七个层面36个变量。建立预测模型前,对2778家上市公司T-2、T-3和T-4年(即2016、2015和2014年)三年的指标数据进行预处理和不平衡处理。然后,基于T-2、T-3和T-4年的数据,利用Lasso-logistic分别建立财务困境预测模型,通过加入对模型参数的惩罚项,同时实现变量筛选和参数估计,并与全变量Logistic模型的预测结果作对比;再应用XGBoost算法分别建立T-2、T-3和T-4年的财务困境预测模型,对变量重要性的排序进行对比分析。另外,还选取了随机森林算法、GBDT算法对财务困境进行预测,并与以上两种方法对比分析。结果显示,变量重要性排序分析中,贡献度较大的变量是每股收益、每股经营活动产生的现金流量净额和股权集中,均包含在T-2、T-3和T-4年的XGBoost算法财务困境预测模型中,它们属于长期预测指标;而营运资金周转率只在T-3年的模型中的重要性明显较大,属于短期判别指标。对比分析各模型的预测结果,发现距离财务困境的时间越近,财务困境预测的准确率越高;另一方面,无论是T-2年、T-3年还是T-4年,Lasso-logistic模型比全变量Logistic模型的预测效果好,XGBoost算法的模型预测效果又明显比随机森林算法、GBDT算法和Lasso-logistic模型要好,在T-2年XGBoost算法的财务困境预测中,对财务困境公司查全率达到0.96。综合对比,XGBoost算法在财务困境公司即少数类的识别上具有极大优势,还可以对变量的重要性进行排序,具有一定的现实意义。