En la era del big data, el sentimiento de los inversores tendrá un impacto en la toma de decisiones personales y en la fijación de precios de activos en el mercado de valores. Este documento utiliza el foro de acciones de Easteconomy y el foro de acciones de Sina como portador del sentimiento de los inversores para medir el índice de sentimiento positivo basado en los comentarios de los accionistas y para construir un sistema de índice de evaluación para la dimensión de opinión pública. Además, el sistema de índice de evaluación se construye a partir de cuatro dimensiones, que incluyen operación, innovación, finanzas y financiamiento, para evaluar la condición general de las empresas cotizadas desde múltiples perspectivas. En este documento, se utiliza el modelo SBM en el método de análisis envolvente de datos para medir los valores de eficiencia de cada dimensión del sistema de índice de evaluación de eficiencia multidimensional, y los valores de eficiencia de cada dimensión son los indicadores de eficiencia multidimensional. Posteriormente, se establecieron dos conjuntos de indicadores de características de entrada del modelo SVM: un conjunto contiene indicadores financieros tradicionales e indicadores de eficiencia multidimensional, y otro conjunto solo tiene indicadores financieros tradicionales. La precisión de la advertencia temprana de los dos conjuntos de indicadores de características de entrada se analizó empíricamente basándose en el modelo de advertencia temprana de máquina de vectores de soporte. Los resultados muestran que el modelo de advertencia temprana que incorpora indicadores de eficiencia multidimensional ha mejorado la precisión en comparación con el modelo de advertencia temprana basado en indicadores financieros tradicionales. Luego, el modelo fue optimizado por el algoritmo de optimización inteligente de enjambre de partículas, y se probó la solidez de los resultados. Además, se utilizaron seis métodos de aprendizaje automático convencionales, incluidos la Regresión Logística, GBDT, CatBoost, AdaBoost, Random Forest y Bagging, para comparar con el efecto de advertencia temprana del modelo DEA-SVM, y los resultados empíricos muestran que DEA-SVM tiene una alta precisión de advertencia temprana, lo que demuestra la superioridad del modelo propuesto. Los hallazgos de este estudio tienen un efecto positivo en prevenir y controlar aún más el riesgo de crisis financiera de las empresas cotizadas chinas y en promover y facilitar el crecimiento saludable de las empresas cotizadas chinas.