大数据时代的到来使得机器学习方法成为时代的新宠。支持向量机(SVM)作为一种高效率的分类器,被应用于各行各业。传统的支持向量机就像一个黑匣子,无法对变量进行筛选。所以学者将支持向量机与基于惩罚函数的变量选择方法结合,实现支持向量机的变量选择,目前的方法仅可以实现支持向量机的组变量选择。本文在之前研究的基础上,将双层变量选择方法Sparse Group Lasso方法与支持向量机结合,提出SGL-SVM方法,既能在组间进行组变量选择,又能在组内进行组内变量选择,在同时存在组间稀疏性和组内稀疏性的数据中有更好的表现。本文采用坐标梯度下降法和块坐标下降法求解最优化问题,并以AUC值作为模型评价标准,通过五折交叉验证选择最优参数。在三组模拟实验中,我们将SGL-SVM与GL-SVM、L1-SVM、CSVM方法在预测效果与变量选择效果两方面进行比较,发现SGL-SVM在具有分组结构的数据中表现优秀,尤其在高维数据中优势明显。在提高预测精度的同时提高变量选择效果,在不同参数和组结构的数据中有稳定表现。因财务数据具有天然的分组结构,本文将SGL-SVM方法应用于制造业上市公司财务困境预测,选取2013到2016年A股中因财务困境被特别处理的制造业上市公司作为正例,其余A股制造业上市公司作为负例,采用过抽样与欠抽样结合的双重抽样方法对数据作平衡处理,并用原始数据的30%作为预测集对方法的预测能力进行外推检验。通过100次建模,对比SGL-SVM方法的预测效果,检验其在实际问题中的稳定性,得出SGL-SVM在正例样本预测中准确率远高于其他方法的结论,综合表现也较优。变量选择结果得出成长能力、盈利能力和收益质量是反映公司的财务状况的主要方面,现金流量和资本结构也是预测公司是否陷入财务困境的重要指标,而偿债能力和营运能力等对财务困境的预测能力相对有限。