自2014年首只债券违约以来,信用债券的违约数量和金额均成指数化增长,到2018年违约金额、违约主体数量更是达到高潮。在宏观经济下行的背景下,债券违约现象将逐渐趋于常态化,对债券违约风险进行研究及风险预警具有重要的理论和现实意义。文章首先对本文的选题背景和研究意义进行了论述,在对相关文献进行梳理的基础上,采用对比分析法对我国信用债券的违约风险进行了研究。研究发现虽然我国债券违约事件的发生越来越多,但是和没有发生过违约的债券相比,两者间的数量差距依然很大,这种样本的不平衡性会严重影响模型的效果,而以往的研究,并没有对信用债券中样本分布的非平衡性进行单独的讨论。基于以上分析,本文试图构建出普适度更高且准确率足够的信用债券违约风险测度模型。文章第一部分首先对信用债券的概念以及信用风险的相关理论进行简要说明,再对债券违约风险度量的常用相关模型进行了介绍和对比分析。文章第二部分介绍研究的样本、债券违约相关指标、数据预处理及描述性统计分析,通过LASSO变量筛选确定指标体系。第三部分是本文的重点,主要进行实证分析。文章以2014至2020年间发行的信用债券作为研究样本,分别从过采样和欠采样的思路出发,比较了不同采样方法下模型的效果,最终选用效果最好的Smote算法对本文的不平衡样本进行处理。而在模型选取上,通过对债券违约风险预测领域常用的模型进行了梳理,比通过实验对不同模型在本文研究中的使用效果进行了对比,发现SMOTELogistic模型可解释性强但预测准确率不高,SMOTE-XGBoost预测准确率高但解释性不强,单一模型无法做到兼具准确性和可解释性。针对这种情况,本文将Smote-XGBoost模型的预测结果看作是对客户的第一印象,并作为增广变量引入Logistic模型中,最终建立了各取所长的混合模型体系:XGB-SMOTE-Logistic组合模型。然后对模型的效果进行了评估,结果显示该模型无论是在预测准确率,还是在对违约样本识别的查准率和查全率均达到了一定的水准,同时兼具了较好的解释性,是综合表型最好实际应用价值最高的模型,可以为投资者、监管者和发行者提供一定的参考价值。最后,本文在实证分析的基础上,结合宏观经济背景,从投资者、监管者、发行者三个角度出发,设计了相应的信用债券监控预警机制,并给出了相应的建议。