从2007年来,由于颁布了各种政策指导性文件,公司债券在我国的发行数量和规模都大幅增加。公司债已经成为上市公司低成本融资的一个主要方式,由于低风险和稳定的回报,让很多投资者和机构对其青睐。随着公司债券的迅速发展,违约事件逐年增加,2019年由于公司债券违约共造成了377.21亿元违约金额,对广大投资者造成了难以估计的损失。因此,度量公司债券违约风险大小具有重要的现实意义。目前为止,国际上度量债券违约概率大小的主流方法是KMV公司提出的KMV模型,由于其数据比较容易获得,计算步骤较少,因此有广泛的适用性。但是KMV模型是上世纪通过分析美国债券交易数据而得出的,并不完全适用于中国公司债券市场。由于使用该模型必要的两个指标——股权价值和股价波动率是非上市公司无法获取的信息,因此第二章首先选取我国发生实质违约的上市公司债券,通过其股权价值、股权价值波动率、长期负债和短期负债,估计违约距离,进而用违约距离对违约风险进行度量。将我国公司债券分为实质违约样本和未实质违约债券两组样本,经过实证研究发现,两组违约概率具有显著性差异,这说明KMV模型在一定程度上可以解释我国公司债券违约风险的大小,对债券的投资者来说具有参考性。为了解决K M V模型无法衡量非上市公司违约风险的问题,在第三章运用了 PFM模型中行业替代法估计非上市公司的资产价值与资产价值波动率,然而这种方法比较粗糙且不严谨,并且我国公司债券的发行主体是上市公司的数据较少,行业替代法难以实施,因此提出用税前息前折旧折耗前盈余、账面价值、销售额和资产负债比等指标拟合资产价值及其波动率。第四章运用经典神经网络方法——误差逆传播算法(BP算法)对回归估计法进行优化。BP算法是一种能够反映出非线性映射的算法,擅长在未知输入变量与输出变量关系的前提下,通过自主学习、自主适应,不断地调整参数,得到符合期望的最优输出,因此适用于本文情况。选取税前息前折旧折耗前盈余、账面价值、销售额和资产负债比等指标作为输入变量,选择2018-2019年发生实质违约和未发生违约的公司债券作为训练集,分析适用于我国债券市场的非上市公司债资产价值及其波动率的估计方式。通过对2018-2019年的公司债券违约距离进行分析,结果表明,该模型计算的违约距离,会使违约组与未违约组间有显著性差异,具有防范我国公司债券违约风险的实际意义。