企业信用评级问题在我国金融市场上的作用越来越不容忽视,其意义在于保障投资者的资金安全,也能够减少企业与金融机构及个人之间的信息不对称问题。因此,研究企业信用评级预测问题具有较强的现实意义。目前社会上已有专业的信用评级机构,从事针对企业和个人的信用评级工作。这些外部评级机构根据企业相关数据信息对企业进行评级并定期调整,使得企业以其匹配的利率进行融资。目前国内的评级机构,一方面,其评级模型及评级结果不公开,需要到专门的数据库或官网付费查询。另一方面,我国目前已有企业数量众多,外部评级公司只能覆盖其中一部分,且这部分企业在评级有效期后,评级结果便得不到更新。投资者们更希望有一种低成本、个人可操作的预测模型对企业主体信用进行评级。对于预测模型的选择,国内外多采用支持向量机方法、神经网络方法等,也多采用穷举法或经验法对模型进行调参,以网格调参为主。本文创新性地采用了XGBoost方法,在运算中运用损失函数进行泰勒二阶展开,在设定的目标函数中加入了正则项,能够有效提高其精确度和泛化能力,并采用贝叶斯最优化算法对模型进行参数寻优,通过高斯函数回归,提高模型预测精度。以2019年内更新过企业信用评级数据的企业相关信息为样本,在采样方法上,对比了SMOTE采样、欠采样、过采样技术后,选取SMOTE采样技术解决样本不平衡问题,随后初步建立XGBoost模型对比样本内外预测效果,通过贝叶斯最优化算法寻找全局最优参数组合提高模型的样本内外预测准确率。经过实证发现,在企业信用评级预测模型中,特征重要性较为靠前的是存货周转率和流动比率。经过与现有预测方案的对比,我们可以得出结论,基于XGBoost算法的企业信用评级模型对于已有的预测模型效果有了很好的改进,大大提高了模型的预测准确率,模型经过贝叶斯最优化算法调参也比网格调参具有更好的分类性能。