根据2023年股票新规，持续异常的净利润、营业收入以及净资产将使股票被标记为ST可能性大幅上升。我们针对ST股票构建了60维左右的因子数据集，并采用XGBoost进行建模，模型拟合结果显示重要性前三的因子为扣非前后净利润孰低值、净资产、PE（LYR）。模型样本外预测的AUC和召回率都超过0.95，样本外的结果显示该模型预测股票下期被标为ST的概率超越90%。
　　ST股票：
　　ST股票即特别处理股票，根据2023年股票新规，持续异常的净利润、营业收入以及净资产将使ST可能性大幅上升。从以往ST股票的时间分布来看，4月份年报季是ST股票爆发期，而在经济环境平稳时，上市公司面临的风险较小，ST发生的可能性也更低。ST新规中强调了与净资产、主营业务收入、扣除非经常性损益前后净利润孰低者等相关的财务指标，这为我们构建ST股票因子集提供了思路。构建ST股票因子集用于预测ST风险对投资者而言具有重要意义，ST股票面对跌停风险、流动性风险、踩雷风险等，易影响基金估值和投资组合收益。
　　我们梳理了各大交易所的退市规则，总结为交易类、财务类、规范类、重大违法类四类，并按照数据可得性主要聚焦于ST新规、交易类和财务类强制退市规定。从各月的ST股票数据来看，退市风险预警在四月份明显高于其他月份，而在二月和十二月相对较低。这样的分布情况可能提供了一些有关市场行为和企业决策的线索。
　　基于XGBoost的股票ST预测模型：
　　为预测每只股票次月ST的概率，我们构建了针对ST预测任务的月度指标集，分别从ST股票新规、学术研究、其他补充因子三个维度计算了60+因子，并采用XGBoost进行建模以捕捉股票特征与是否会被特别处理ST之间的非线性关系。
　　基于XGBoost的股票ST预测模型：
　　模型采用的原始数据为2010年至今的全A标的，按照ST新规、交易类强制退市和财务类强制退市规则进行因子构造，并结合已有研究纳入基础量价因子、估值因子等，并采用欠采样技术保证样本平衡性。完成训练后的XGBoost能够画出模型分裂过程，从XGBoost的分裂过程来看，重要性排在前三的因子分别为扣非前后净利润孰低值（Min_net_profit）、净资产（Total_equity）、PE（LYR）。交易类因子代表市场对ST的提前反应，但其决策优先级低于财务类因子，如近20日最低收盘价、月内最大连续下跌天数等，在第三层才开始参与决策。模型在测试集上的平均AUC为0.997，平均召回率为0.958，在分类性能和正例覆盖上都有着十分不错的表现。基于训练好的模型，我们给出了2023年11月的最新ST股票预测结果。