随着我国社会经济的飞速发展,使得创业板在国内市场中逐渐的占有一席之位,在创业板快速成长的同时,其面临的风险也在不断提升,因此必须构建一个科学的财务风险预警模型。但是,现如今,学术界对于资本市场中的财务风险预警的有关研究均集中于具有较强盈利能力、经营非常稳定且由超过20年发展历史的A股市场。基于构建针对创业板企业的有关财务风险预警模型,本人研究了创业板公司在2018年-2019年期间的有关财务数据,并对2017年-2019年的财务数据进行系统的考量,根据深圳证券交易所创业板股票上市规则（2020年6月修订）,把最近三年净利润年度首次为负且营业收入低于10亿元或者最近一个会计年度期末净资产为负作为公司是否存在财务风险的指标。本文为预测第T年上市公司是否存在财务风险选取了第T-1年的相关财务数据作为自变量。对2017年以前在创业板板块上市的公司进行划分,主要分成健康与风险这两种类型,整理归纳了大量关于财务风险预警方面的参考文献,并对有关数据实施过采样并采用两种特征选择方法得到的包含原指标集的共计三种不同的特征子集输入,在实证部分通过Cat Boost算法来分析各个企业的财务现状,同时还对模型的准确性进行检验,并与决策树、随机森林（RF）,极端随机树（Extra Tree）,Gradient Boosting,LGBM以及XGBoost模型实施比较研究,并得出下述结论:Cat Boost模型具有更高的稳定性且判别更精准。利用该模型,对相应的财务风险预警的精准率能够高达85%,并且在F1和AUC上都取得了较高值。总的来说,本文结合统计、金融和财务学的知识,通过机器学习模型在创业板上市公司财务风险预测方面建立预警模型,利用该模型能够预测财务风险发生前一年的有关财务数据,同时能够给创业板公司进行财务管理和风险预测提供一定的参考。