2008年的金融危机席卷了全球,对世界各国的经济产生了不同程度的冲击,而且其影响在一定范围内仍在持续和蔓延。财务风险作为一种信号传递,在一定程度上客观全面地反映了企业经营的好坏。中小企业在当今的市场数量上占绝对优势,是经济快速增长的关键力量,也是提供就业的重要渠道,是兼具活跃性和发展前景的公司类型。然而,它们的规模往往都比较小,在市场激烈的竞争中因受到各方面的制约筹资很困难,所以很容易破产,它们面临着比那些大规模企业更大的财务风险。我国于2009年10月23日在深圳交易所推出创业板,初衷是为中小规模企业提供一个新的融资平台,在一定程度上减轻了它们融资的负担。但这些中小规模的企业还面临着很多的问题,例如根基弱、所处的竞争日渐激烈的市场环境,上市之后处于成长期,它们的经营能力相对来说比较差,状况不稳定,所以它们肯定面临着更大的财务风险。 因此,如何对企业的财务风险状况进行客观合理地评价和预测,加强对财务风险的控制,对于保证创业板市场健康稳定的发展是十分必要的。目前对财务风险评价的指标体系服务的对象大都是在主板市场上市的公司,却并不适用于高成长、高科技、高风险高收益的创业板上市公司。因此,根据我国创业板市场发展的实际情况,建立适用于创业板上市公司的财务风险的评价体系,能够客观给公司利益相关者提供关于财务风险的信息,进而针对性的做出决策,除此之外,还可以帮助监管者制定实施有效的监管措施。本文创新点主要体现在两个方面：一方面是在对财务风险公司和财务正常公司两类的划分标准上,并不是以传统的公司名称前是否挂有“ST”字样来划分的；另一方面则体现在随机森林算法对不平衡数据分类问题的应用上。本文以2014年底在深市创业板上市的所有公司在财务方面的数据为切入点。通过对国内外财务风险评价及预测研究的回顾及创业板上市公司和财务风险的相关理论的简单介绍,根据指标体系的构建原则,选取了22个财务指标对创业板上市公司的财务状况进行研究；之后对数据进行筛选和整理,运用R软件删除无效数据,选择出有效的数据样本,最终得到有效的样本公司397家；最后利用随机森林算法对样本公司的财务状况进行研究。文章通过对过滤法和随机森林算法对特征选择的分析,可以得出下面两个结论：首先,如果要用随机森林方法对数据进行建模,那么就不需要对数据进行过多的处理；其次,使用选择出来的特征子集构建的模型性能不一定优于原始指标集所构建的模型,应该通过比较选取出性能更佳的指标集作为模型的输入变量。文章利用随机森林算法处理了本文中的不平衡数据分类的问题,并衡量了对噪声的容忍度,结果显示：可以通过随机森林方法处理不平衡数据的分类问题；随机森林方法构建的模型可以容忍比较高的噪声,所以随机森林算法非常适合对上市公司财务风险方面进行研究。本文通过对创业板上市公司财务状况的研究和分析,提出了三点建议：首先,创业板上市公司应该建立对财务风险评价和预测的文化；其次,公司应该重点关注在盈利能力和成长能力两方面的提升,这点可以通过文章中选择出来的三个特征子集可以看出来；最后,对于监管机构,使用该模型分析公司经营的质量,则可以提供给市场参与者更多的信息。本文的研究也存在着一些不足之处：在所选取的上市公司中,制造业占公司的总数超过了70%,表明在行业上严重的失衡,而文章中未考虑到公司行业的差异性；作为机器学习方法之一的随机森林分类算法,以决策树作为其元分类器,还可以考虑将一些其他的分类算法引入到对公司财务风险的研究中,例如K-近邻、支持向量机、神经网络等组合分类算法,并将这几种分类器算法构建模型的性能和适用性进行比较,所以组合分类的算法也是将来值得重点研究的一个方向。