Este estudio utiliza el aprendizaje automático para investigar los efectos de las características de la empresa y del CEO en el riesgo de caída del precio de las acciones, recopilando una gran cantidad de datos sobre empresas que cotizan en bolsa en China. Los resultados muestran que el eXtreme Gradient Boosting (XGBoost) es el modelo más efectivo para predecir el riesgo de caída del precio de las acciones, con un rendimiento relativamente satisfactorio. Mientras tanto, se utiliza el método SHapley Additive exPlanations (SHAP) para interpretar la importancia de las características. Los resultados muestran que el retorno promedio semanal de una empresa durante un año (RET) contribuye más y está negativamente asociado con el riesgo de caída, seguido por Sigma, la edad de la OPI y el tamaño de la empresa. También encontramos que, entre las características del CEO, la remuneración del CEO contribuye sustancialmente al riesgo de caída a nivel de la empresa. Nuestros hallazgos tienen importantes implicaciones para la investigación sobre el impacto de las características de la empresa y del CEO en el riesgo de caída del precio de las acciones y proporcionan una nueva forma para que los inversores planifiquen sus decisiones de inversión y su comportamiento de asunción de riesgos de manera racional.