债券融资作为企业重要的直接融资方式之一,自2008年以来,其融资规模已经大大超过股票融资规模,强有力地支持着我国实体经济的发展。然而在快速发展的同时,债券市场也逐渐暴露出一些风险和问题。在我国债券市场上发生首例实质性违约后的几年时间里,违约债券的数量和涉及金额快速增长,且涉及的债券品种众多。截至2018年底,我国信用债市场有存量债券23,532只,票面金额共计28.51万亿元,债券数量占整个债券市场的89.81%,债券余额占整个债券市场的61.61%。目前已发生违约信用债209只,占整个债券市场违约只数的85.31%,涉及发行主体87家,违约债券金额高达1,775.05亿元。可见信用债在债券存量和违约数量上都在整个债券市场中占有较大比重。在信用债违约的行业分布中,煤炭与消费用燃料行业(以下简称“煤炭业”)违约只数最多且涉及金额高达上百亿元。因此,煤炭业的信用债违约具有典型性,且煤炭业信用债大规模集中违约的原因值得探讨。本文的研究利用了文献研究法、机器学习法和实证研究法。首先结合煤炭业信用债违约的实际情况选取模型样本,从微观、行业、宏观三个不同角度选取模型指标。接着说明指标的分布情况并对异常指标值和异常样本进行处理。其次,本文进行模型设计,包括随机森林模型主要参数的设置和分类不平衡问题的处理。通过对模型进行训练,得到煤炭业信用债违约影响因素的重要性排序,进而获取了最优指标组合,该组合即煤炭业信用债违约的主要影响因素。此外,本文基于随机森林模型进行了指标偏相关分析,得到指标的违约区间。由模型结果得到的煤炭业信用债违约的主要影响因素包括发行时的债项评级、营业利润同比增长率、应收账款周转率、流动比率、公司规模、大股东持股比例和投资活动产生的现金流量净额占比。再次,本文将模型结果运用到永泰能源信用债违约的典型案例中,得到公司指标偏相关度,接着结合公司指标偏相关度分析了该公司债券违约的主要原因并提出对策建议。最后,总结本文的研究结论和启示。本文研究的指标丰富,在对异常指标值和异常样本处理后再运用随机森林模型得到煤炭业信用债违约的主要影响因素及其违约区间,并运用模型结果来分析典型案例,本文为今后的此类研究提供了新思路。