我国的金融系统在遭受到2008年全球金融危机的影响后,在2015年,我国股市又发生“股灾”。在2018年去杠杆的大环境下,加之美国发起的“贸易战”的影响,国内股市又开始动荡不安,系统性金融风险开始增加。同时,国家明确指出要“健全金融监管体系,守住不发生系统性金融风险的底线”。金融系统内机构之间的波动关联是金融风险传染的主要渠道,建立一个基于波动溢出网络的风险预警模型是对现有预警方式的扩充,可以更好的在系统性金融风险传染和积累阶段发出预警信号。本文先从理论上阐述了各金融机构之间的波动溢出是发生系统性金融风险的必要条件;然后选取我国五个部门（银行、证券、保险、房地产、其它金融业）56家上市金融机构从2014年1月到2020年12月的收益率数据,计算得出日波动率,再使用LASSO-VAR对各机构的波动率数据采取滚动预测的方式建模,然后进行广义方差分解得到各机构之间的波动溢出指数,构建波动溢出网络,最后对各时点的波动溢出网络分别使用门控图神经网络（GGNN）与图同构网络（GIN）进行预警建模。实证结果表明:银行部门与证券部门是波动溢出方,房地产部门与其他金融业部门为主要的波动溢入部门,在我国2015年“股灾”发生前,金融市场的波动溢出效应明显加强,各机构的跨部门的波动溢出效应对比其它时期也显著增强。在系统性金融风险上升时,各金融机构之间的波动溢出是风险积累的一个重要渠道。进一步本文将风险聚集期（2014年12月-2015年5月）设置为一级预警期,股市动荡期（2015年6月-2016年6月）设置为二级预警期,进行有监督训练,建立预警模型,模型测试集预测精度都在97%以上,其中基于GIN的预警模型在训练集和测试集的表现最佳,但是基于GGNN的预警模型更接近我国系统性金融风险的实际情况。