国外研究综述对于财务预警理论的研究从上世纪30年代就已经开始了，研究的重点主要集中在财务预警模型的构建与实际应用上。

    Fitzpatrick在1932年选取了19家上市公司作为实验样本，他通过计算出单个财务比率将样本公司划分为破产和非破产两个组，用于测量财务指标对于公司财务状况预测的准确性。最终结果表明，在那些财务比率的指标中，判别企业财务状况最准确的是“所有者权益／总负债”和“净利润／所有者权益”两个比率。财务指标类信息在企业的财务报表中很容易获取，所以之后的学者们都习惯采用财务指标类信息作为预警指标。63993

    在 Fitzpatrick的基础上，Beaver在1966年运用了设计方法对公司的财务风险和财务危机进行了预警研究。Beaver也是运用了单一财务比率指标作为基本变量，利用配对样本法，挑选了在1954年—1964年间79家运营失败和产业相同且资产规模相近的79家正常公司进行配对研究，并且分别检验出了30个变量在公司破产前1.5年的预测能力。他的研究证实，“现金净流量／总负债”和“净利润／总资产”这两个单一财务指标的预测能力较强，在公司破产前一年的精准度分别达到了90％和88％。Beaver的单变量财务预警模型对于风险预警的进一步研究具有积极的现实意义。首先是公司需要根据各个财务比率不同的预测能力而区别地将这些财务指标运用到预测财务风险中去。其次，Beaver所提到的多比率分析法和有关市场公允价值的信息可以提高预警的准确度，这一思想为多变量预警模型的建立奠定了坚实的基础。 

    1968年，Altman使用多元线性模型对公司的财务风险问题进行了研究。他选取了33家面临财务困境的公司和相似资产规模的33家正常公司进行配对，同时选取了5个财务指标用来判断公司是否陷入财务危机或是破产的可能。但是该模型并不能直接运用到我国上市公司的财务风险预测中去，因为那时Altman提出的多元线性判断模型的前提是样本数据符合正态分布，即变量与变量之间不存在任何线性关系，并且样本群体的协方差矩阵必须是假设相等的。后来，Altman在1977年根据美国在1969—1975年间的公司数据又开发了包含7个财务比率的Zeta模型，该模型可以使得公司在破产前1年的财务风险预测准确度达到96.2％。

    Ohlom在1980年提出了条件概率模型，该模型建立在累积概率函数的基础上，运用最大似然估计，克服了线性模型应用假设的局限性。Ohlom使用Logit模型用于预测公司的财务困境。他选择了105家破产公司与2058家非破产公司进行配对。通过配对，分析了样本公司破产概率的分布情况，并具体分析了两组样本的分类错误与分割点的关系。

    Odom.M.D和Sharda RA.在1990年首次将人工神经网络运用到了财务风险的预测研究中。他们选用了65家破产公司和64家规模相似的正常公司进行配对，将样本划分为保留样本和训练样本，以z模型中的五个财务比率作为研究变量，通过类神经网络的方法构建了财务预警模型。结果显示，该预警模型对于这两类公司的判别精度为100％。而对于保留样本中破产公司和正常公司的判别精度分别为8l.75％和78.l8％。这表明，神经网络对于风险预测更具有准确性。论文网

    Harlan和Maqofie(2002)通过对前人关于财务风险预警模型的研究进行总结，他们将预警模型的样本和分析指标进行了重新选择。作者将预警模型的指标分为三类，包括利润表指标(销售挣额、摊销和折旧额、净收益)、资产负债表指标(流动资产、净资产、总资产、应付票掘、流动负债、长期负债、股东权益)和总量指标(税折旧摊销前利润、现金净流量)。