企业财务困境预测是企业信用评估领域的重要研究课题,也是现实社会生产中企业管理、投资、授信及监管决策所面临的棘手问题。我国当前信用环境仍有待改善,无论是金融行业,还是社会领域的失信行为都屡有发生。因此,评估和预测企业的信用风险无论是对于企业自身、投资者、信贷机构,还是管理机构而言都具有重要的意义。本文的研究在系统梳理国内外学者关于财务困境预测的理论研究、模型研究和模型演变过程的基础上,把握财务困境预测的技术发展脉络,界定财务困境的内涵,总结财务困境的表现及形成原因,归纳当前财务困境预测的领域现存的主要问题和不足。我们发现,现有的财务困境预测研究中大多都忽视了财务困境预测数据的两大关键特征:不平衡特性和数据流特征。不平衡特性造成在平衡数据上所建立模型在不平衡样本上分类精度低;数据流特征以及所造成的概念漂移现象造成随时间推移,旧的模型在新数据集上预测精度下降。为了克服上述两方面问题,本文提出了全新的动态财务困境预测算法（ANS-REA算法）,该算法通过在样本簇内处理不平衡问题,以解决少数样本集内部的不平衡问题;通过历史样本添加和过采样技术相结合的不平衡处理方法解决少数样本簇的绝对不平衡问题。同时为解决概念漂移问题,本文在建模样本选择上采用滑动时间窗口机制,并采用预测AUC值作为权重对不同时间戳样本上建立的子分类器进行集成。此外,本文还注意到财务困境发生的阶段性特点,提出了全新的结合多期预测结果动态财务困境预测框架,该框架基于T-2/T-3/T-4/T-5/T-6期预测分别构建预测指标,并且采用指数权重函数对各期预测结果进行赋权和集成,形成最终的预测结果。实证分析上:本文选取2007-2017年间373家因财务异常而被ST的上市企业作为财务困境样本,并采用倾向匹配得分法（PSM方法）为其配对1119家财务正常企业,两者共同构成不平衡比率为1:3的原始预测样本。预警指标构建上,本文选用53个备选财务指标和17个备选非财务指标构成备选指标池,财务指标涵盖公司长期及短期偿债能力、发展能力、运营能力、盈利能力和现金流情况等诸多方面指标;非财务指标涵盖公司治理结构、股权集中度、管理层持股和国有持股等多方面指标。指标筛选阶段,本文通过均值显著性检验确定T-2/T-3/T-4/T-5/T-6期进入模型的预测指标。实证结果显示:应用ANS-REA方法后,可以有效增加增加少数样本的数量,缓解样本不平衡现象且不会模糊少数样本和多数样本的界限。不同基础分类器的性能对比看,随机森林算法（RF）预测正确率及AUC值均优于其他六种常用基分类器。不同不平衡处理方法对比看,ANS-REA算法性能最佳,其平均预测AUC值和正确率优于其他常用的九种不平衡处理算法。结合不同期预测结果的预测框架效果对比看,结合五期预测结果（T-2至T-6）框架下预测平均AUC值最高。最后,本文在研究结论的基础上,针对现实生产中的突出问题提出了五方面的政策建议。