近年来中国债券市场经历了快速的发展,但是信用风险监管的步伐却没有跟上。从2014年起国内信用债违约事件开始增加,2016年国内全年违约债79支,违约金额高达403亿元。从国内债券市场信用风险监管及预警机制来看,评级不客观,跟踪不及时以及评级方法落后的现象普遍存在。因此充分结合大数据等科技的发展,研究适合国内债券市场的信用风险监管方法迫在眉睫。在对国内债券市场的发展状况进行梳理和国内信用评级现状进行分析的基础上,本文结合国内外理论研究成果、国内市场可用信息、大数据挖掘及自动化技术,采用证券交易信息,构建信用风险度量和预警模型。基于债券交易信息和债券基础属性,构建DS模型。根据计算所得风险中性违约概率转换的信用分,度量和预测债券信用风险。基于上市公司发行主体的财务和股票交易信息,结合BS期权定价理论,构建KMV模型。根据计算所得违约距离,度量和预测上市公司发行主体的信用风险。本文解决了由于信息不完全造成的信用评级不客观甚至无评级信息的问题,打破了传统信用评级中所需财务信息不连续和时间滞后的局限。债券市场专业信用评级机构下调债券或者发行主体的信用级别后,会引起债券到期收益率的显著提高。但是在债券信用级别下调之前,一些债券的到期收益率已明显提高。部分投资者对债券信用风险的察觉早于专业信用评级机构。基于债券交易信息构建的DS模型在国内债券市场是有效的。DS模型对于信用状况恶化的债券,具有显著的预警功能。DS模型对信用状况趋好的债券的预测能力要弱于对信用状况恶化债券的预测能力。但是国外评级机构常用的经典KMV模型却在国内市场失效。根据KMV计算所得的发债主体违约距离不服从正态分布,所以不可以直接转换成违约概率。当模型参数变化时,违约距离随着发债主体信用状况的分布情况会发生巨大的变化。整体来看,随着发行主体信用状况级别变化,违约距离期望值的变化具有一定的规律性。当发行主体信用级别处于A层及其以上时,发债主体信用状况越好,违约距离越小。但是当发债主体信用状况处于A层及其以下时,发债主体信用状况越好,违约距离越大。