El mercado financiero ha estado desarrollándose rápidamente en los últimos años, y el tema del riesgo crediticio relacionado con las empresas cotizadas ha ido cobrando cada vez más importancia. Por lo tanto, predecir el riesgo crediticio de las empresas cotizadas es una preocupación urgente para los bancos, reguladores e inversores. Los modelos comúnmente utilizados son el Z-score, Logit (modelo de regresión logística), la máquina virtual basada en núcleo (KVM) y los modelos de redes neuronales. Sin embargo, los resultados alcanzados podrían ser más satisfactorios. Este documento propone un modelo de predicción de riesgo crediticio para empresas cotizadas basado en una CNN-LSTM y un mecanismo de atención. Nuestro enfoque se basa en los beneficios del modelo de red neuronal de memoria a corto y largo plazo (LSTM) para la predicción a largo plazo de series temporales combinado con un modelo de red neuronal convolucional (CNN). Además, las ventajas de estar integrado en un modelo CNN-LSTM incluyen la reducción de la complejidad de los datos, la mejora de la velocidad de cálculo y entrenamiento del modelo y la resolución de la posible falta de datos históricos en la predicción a largo plazo de la secuencia LSTM, lo que resulta en precisión en la predicción. Para reducir problemas, introdujimos un mecanismo de atención para asignar pesos de forma independiente y optimizar el modelo. Los resultados muestran que nuestro modelo tiene ventajas distintas en comparación con otras CNN, LSTM, CNN-LSTM y otros modelos. La investigación sobre la predicción del riesgo crediticio de la fórmula de cotización tiene un significado significativo.