金融危机强调了金融关系的一部分是全球宏观经济变异性和系统性风险的潜在来源。使用深度学习（DL）预测金融危机（dl），利用神经网络（NN）来确定指示未来金融危机的模式并分析复杂的财务数据。dl方法，例如经常性神经网络（RNN）或长期记忆（LSTM），这些方法可以处理大量过去的财务数据，例如地缘政治事件，经济指标和市场价格。这些模型的目的是确定可以通过从早期危机及其前体学习来导致经济衰退的精致联系和信号。该问题属于金融市场的复杂和动态性质，要求持续培训和修改方法，以在发展财务状况方面保持显着性。尽管DL显示了提高预测能力的潜力，但要接受金融市场的固有歧义以及建立模型以提高其准确性和可靠性的要求至关重要。本研究提出了一种基于水母搜索算法的特征选择，其中最佳深度学习算法（JSAFS-ODL）用于金融危机预测（FCP）。JSAFS-ODL技术的目标被归类为金融危机或非财务危机的存在。为此，JSAFS-ODL技术应用基于JSA的功能选择（JSA-FS）来选择最佳功能集。此外，RNN-GRU模型可用于FCP。为了增强RNN-GRU方法的检测结果，可以将黑猩猩优化算法（COA）用于与RNN-GRU模型相关的超参数的最佳调整。为了确保JSAFS-ODL程序的更好性能，涉及一系列测试。获得的值强调了JSAFS-ODL技术达到JSAFS-ODL技术的显着性能。