现阶段新兴产业是我国经济结构转型升级的关键领域,已经被提升到国家战略层面上。截止到2017年上半年,新兴产业上市公司占A股比重达38.3%,高铁体系和遥感卫星等关键领域和技术取得了重大突破,表明了其质量也不断提升。然而互联网金融、光伏产业和高端装备制造等领域频频发生企业违约行为,影响了资本市场的投资判断并造成资本的配置错位,进而制约了我国新兴产业健康、持续的发展。针对国内学者关于企业信用风险测度的研究发现:其信用风险测度方法复杂,且可操作性有待于提升。因此,如何确高效、准确测度新兴产业上市公司的信用风险,引导投资者理性投资新兴企业,已成为当前学界和实务界关注的重点和焦点。本文梳理了企业信用风险测度的研究脉络,发现企业信用风险的研究经历了一个从粗糙定性到精确定量的过程,并伴随着现代金融理论以及计算机技术的引入,有了突破性的发展。通过对比现代企业信用风险测度模型的优劣势,从三个方面对KMV模型进行了改进:一是使用GARCH模型测度资产波动率,优化了KMV模型输入参数的计算方法;二是使用遗传算法对于违约点参数的优化改进;三是使用违约距离对新兴产业上市公司信用风险进行测度。因此,本文基于遗传算法和KMV模型,从违约点参数优化视角构建了GA-KMV模型以测度新兴产业上市公司的信用风险。本文实证检验选择了148家新兴产业上市公司,使用了GA-KMV模型违约距离对新兴上市公司的信用风险进行量化分析。研究发现:(1)通过GA-KMV模型得到新兴产业上市公司的违约点参数α为3.922,β为1.626,均大于KMV模型违约点参数,表明了我国市场对新兴企业违约容忍度高于美国;(2)从违约距离视角分析,GAKMV模型识别准确率在75%左右,相比于直接套用KMV模型40%-50%的识别准确度有了较大提升。因此,文章提出以GA-KMV模型为基础,建议构建以监管部门主导的信用违约数据库,形成一个可持续、一体化的数据平台,包含企业信用违约风险量化、信息跟踪和监管等功能;(3)应该关注网络经济、绿色低碳、高端装备制造三个新兴领域的行业的违约距离差异,针对高风险和低风险企业提出不同的投融资策略以引导资本理性流动。