近几年,国内债券市场迅猛发展,规模近百万亿,已然成为全球第二大债券市场,市场地位日渐提高。然而伴随着债市繁荣,债市信用风险却逐渐同步显露。2018年-2019年,超过300只债券发生实质性违约。然而,与在信用债信用风险逐步暴露形成鲜明对比的是信用债主体信用评级依旧居高不下。近三年内,超过90%的违约债券均为“AA”级以上的高评级债券,评级通胀情况严重。信用评级失真不仅会误导债券投资者的投资行为,还会导致金融监管方对于信用债市场信用风险水平的错误估计。面对当前信用债违约频发的严峻形势,审计作为监管体系重要组成部分需充分发挥积极作用,在坚持防范系统性金融风险的宏观形势下,能否客观准确进行风险评估与风险度量成为影响审计工作质量的关键。考虑到BP神经网络在求解信用资产风险分布的优势,本文构建了KMV-BP组合模型实证研究了上市发债主体的信用风险,并根据实证分析结果,从审计监管部门角度给出具有创新性的审计对策建议。本文第一部分介绍了本文研究背景、目的、意义、方法等内容,并对前人研究成果进行评述。第二部分介绍了2019年整个信用债市场概况与信用债违约的风险情况,并且对信用债违约出现的原因进行论述。第三部分介绍了模型运用的基本理论。第四部分为实证研究部分。首先构建2018年A股和ST股上市公司在内的训练集和实证研究的2018年沪深上市企业债在内的测试集。然后将训练集数据运用因子分析理论与KMV模型理论得到的计算结果作为BP神经网络训练模型的输入信号与输出信号,建立起因子信号与KMV输出信号的对应关系。最后,将测试集财务数据的因子信号作为输入,运用训练好的神经网络模型计算出上市发债主体的真实资产价值与资产价值波动率。实证研究结果表明,上市发债主体的信用风险介于A股上市公司与ST股上市公司内;KMV-BP组合模型度量与传统信用评级的度量结果在方向上一致,在度量精度方面相较于信用评级更为准确,并且简要分析了信用评级通胀现象产生的原因在于当前评级的付费模式。并从审计监管部门的角度,从国家审计、注册会计师审计、内部审计三个角度提出相应的审计对策。