Con el rápido desarrollo del mercado de capitales, los casos de fraude financiero son cada vez más comunes. Las estrategias de fraude en evolución representan amenazas significativas para la regulación financiera, el orden del mercado y los intereses de los inversores comunes. Con el fin de combinar el rendimiento de generalización de diferentes métodos de aprendizaje automático y mejorar la efectividad de la predicción de fraude financiero, este documento propone un nuevo marco de predicción de fraude financiero basado en el aprendizaje en conjunto por apilamiento. Este marco, basado en datos de empresas cotizadas, considera de manera integral los indicadores de ratios financieros y los indicadores no financieros. Utiliza la técnica de apilamiento para integrar numerosos modelos base de algoritmos de aprendizaje automático para predecir el fraude financiero. Además, el marco propuesto tiene una alta versatilidad y es adecuado para diversas tareas relacionadas con la predicción de fraude financiero, abordando el problema de las dificultades en la selección de modelos en investigaciones anteriores debido a diferentes escenarios y datos. También realizamos estudios de caso sobre empresas e industrias específicas, confirmando la significativa interpretabilidad y aplicabilidad práctica del marco propuesto. Los resultados muestran que la tasa de recuperación y el Área Bajo la Curva (AUC) de nuestro marco alcanzaron 0.8246 y 0.8146, respectivamente, superando a modelos de aprendizaje automático convencionales como XGBoost y LightGBM en estudios existentes. Este estudio de investigación es de gran importancia para predecir el creciente número de casos de fraude financiero, proporcionando una herramienta confiable para las instituciones regulatorias financieras y los inversores.