自21世纪以来,中国与国际社会的经济贸易合作愈加密切,在体验“地球村”贸易便利的同时,中国企业也承受着复杂国际经济环境带来的风险和挑战。受金融危机影响,近年来我国经济一直处于下行状态,每年有不少企业因管理不善陷入财务困境。与此同时,银行等金融机构也受到影响,许多企业因发生财务困境而无力偿还贷款,这一定程度上影响到经济系统的正常运行。基于这样的经济现状,迫切需要建立一套科学高效的财务困境预测体系。然而,目前的大部分研究是建立在类别平衡和静态数据样本基础之上,这使得所构建的模型不能有效适应非平衡动态数据流环境下的财务困境预测。在此背景下,本文从类别非平衡和动态数据流视角展开财务困境预测研究。文章首先指明研究背景和意义,并介绍研究内容、研究方法、技术路线和论文创新之处。其次,通过阅读大量文献,总结前人研究成果,剖析财务困境概念、类型及成因。接着,对财务困境预测指标体系的构建方法进行归纳,梳理出现有的财务困境预测方法;对于动态数据流引起的财务困境概念漂移问题,指明其含义和成因,并对其解决方法进行概括总结。在此基础上,本文以沪深两市上市公司为研究对象,将2002年至2016年间首次被ST的438家上市公司作为财务困境样本公司,按照配对原则,以1:5的比例选择2190家财务正常样本公司,从而构成2628个公司样本。然后,以财务困境样本公司被ST前第二年的财务数据为初始数据集,经过数据预处理、正态性检验、均值比较、逐步判别分析和多重共线性检验,最终得到包含19个财务指标的财务困境预测样本数据集。通过对样本数据集进行描述性统计和财务指标管理分析,得到的结果表明:两类样本公司的财务指标普遍存在动态变化;相比财务正常样本公司,财务困境公司资产周转缓慢,盈利能力、偿债能力和股东报酬率较低,发展能力受限,整体经营绩效较差。本文以支持向量机(Support Vector Machine,SVM)为核心算法,构建财务困境预测模型。由于经济环境变化会引发财务困境概念漂移现象,使得运用旧样本所构建的模型并不适用于财务困境动态预测,故而本文引入时序赋权方法为较新的样本赋予更高权重,并结合多分类器集成算法,构建基准模型。同时,由于类别非平衡问题会使得财务困境预测效果被大幅降低,故而本文引入过采样方法处理类别非平衡问题。由此,本文分别运用外嵌过采样方法和内嵌过采样方法构建基于类别非平衡时序赋权的两种财务困境预测模型。在此基础上,运用Matlab软件对构建的财务困境预测模型进行仿真测试,得到的实证结果表明:(1)运用外嵌过采样方法和内嵌过采样方法所构建的模型预测准确率均高于基准模型,说明类别非平衡问题会降低财务困境预测模型对少数类样本的判别准确率,引入过采样方法可以增加少数类财务困境样本管理信息,有效实现两类样本信息平衡,从而改善模型预测性能。(2)对比两种过采样方法,运用内嵌过采样方法构建的模型具有更高的预测准确率,说明将过采样方法与时序赋权方法相结合,能够更有效地利用新的重要财务困境样本,既解决了类别非平衡问题,还有效地改善了模型对动态数据流的适应性能。在实证研究基础上,结合上市公司应对财务困境的案例,本文对上市公司防范和应对财务困境提出以下建议和管理启示:(1)企业应合理选择与运用建模样本,科学构建与选择预测模型,从而提高财务困境预测模型的预测性能。(2)企业应注重对成本费用指标、资金流动性指标与企业风险指标的选取与控制,以推进财务困境事前预测和控制,从而有效防范财务困境。(3)一旦通过财务困境预测机制发现企业即将陷入财务困境,企业应当根据经济环境变化,及时调整经营战略,对财务指标和经营状况进行深入分析,找出引发财务困境的关键因素,及时采取措施进行补救,防范财务困境恶化。