企业无时无刻不受其内部条件和外部环境变化的影响,并使其处于风险之中。从2007年以来,美国次贷危机触发了全球性金融危机,企业破产与失败在世界范围内正呈结构性增加的态势。作为能够预测公司财务危机并为公司投资人、管理者和债务人等各利益相关者提供预警信号的风险管理工具,财务危机预警一直受到广大国内外学者的广泛关注,并逐渐成为公司财务管理领域中的热点问题之一。因此,能够有效地进行财务危机预警对避免金融危机的蔓延具有重要的现实意义。　　当前,国内外的财务危机预警模型研究仅将预测准确率作为衡量预警模型优劣的唯一标准,忽略了一个重要问题,即预警模型将财务危机企业预测为正常企业,和把正常企业预测为财务危机企业相比,人们付出的代价会有很大差异。通常前者被称为预警模型的第Ⅰ类错误,后者为预警模型的第Ⅱ类错误。并且根据现实情况,当模型使用者的身份不同时,预警模型出现错误带给使用者的经济损失也有区别,然而以往并没有学者对其展开讨论或研究。再者,大部分基于模式识别的预警模型没有考虑财务数据具有时间序列特征,仅使用截面数据建立预警模型,忽略了企业陷入财务危机是一个循序渐进的过程。因此,建立基于代价敏感的财务危机预警模型能够满足这种复杂环境下财务危机预警的需要,具有重要的理论意义。　　本文从企业财务危机的概念界定、表现形式等角度综述国内外的研究情况,对企业产生财务危机的原因进行了详细的分析。从理论层面上,通过阐述预警理论、财务危机预警理论和代价敏感学习理论建立起企业财务危机的成因与财务指标变化之间的关系,提出了基于代价敏感的企业财务危机预警建模的思路框架。　　在理论模型提出之前,选取样本数据集和筛选财务指标。以上海证券交易所和深圳证券交易所的170家上市公司的30个财务指标数据建立财务危机预警模型的样本数据集。正态性检验和均值非参数检验从实证方面验证了大部分正常企业和财务危机企业在财务指标上具有显著差异。样本数据集经过特征提取后,获得备选财务指标体系,作为第四章、第五章和第六章财务危机预警模型的输入。　　针对选取的截面样本数据集,提出两种基于单分类器的代价敏感企业财务危机预警模型。在深入分析BP神经网络及代价敏感神经网络的基本理论后,利用代价敏感神经网络建立企业财务危机预警模型,通过实验验证表明该模型的有效性,接着结合代价敏感支持向量机的基本理论,最后通过实验验证的方法证明该方法能有效减少对企业财务危机预警的错分代价。　　在选取的截面样本数据集的基础上,提出财务指标时间序列轨迹视角下的决策树财务危机预警方法。结合单分类器财务危机预警方法空间几何意义,分析了仅利用截面数据信息建立企业财务危机预警模型的不足,并利用企业财务指标时间序列轨迹的特性,提出财务指标时间序列轨迹视角下的决策树财务危机预警建模方法。利用 pearson卡方检验和fisher精确检验证明企业财务指标时间序列轨迹含有较多的分类信息,因此将财务指标及其相关的时间序列轨迹共同训练企业财务危机预警模型,通过实证表明该方法能有效提高预警模型的预警准确率。　　针对截面数据集和具有时间序列轨迹特征的数据集,提出基于代价敏感选择性集成的企业财务危机预警模型方法。从单分类器生成和结论融合两个方面将代价敏感学习机制引入集成学习建立财务危机预警模型,从而基于选择性集成学习的企业财务危机预警模型能够具有更小的错分代价。首先在单分类器生成阶段,对Adaboosting算法进行改进,使其权值调整具有代价敏感特性,生成代价敏感单分类器。然后,利用遗传算法对单分类器的结论进行融合,生成错分代价的选择性集成模型以建立财务危机预警模型,最后,通过实验验证该方法的有效性。　　本文所进行的基于代价敏感学习的企业财务危机预警建模研究,分别从单分类器和集成学习两个角度进行研究,拓广了基于错分代价视角下的企业财务危机预警研究,为利益相关者提供理论和技术支撑,具有重要的理论和实际意义。