债券违约是指债券的发行主体在指定时间没有按照先前达成的债券协议履行义务的行为。债券违约风险预测作为一个热门话题在债券投资者、商业银行和公司经理等各种利益相关者的决策中扮演着重要角色。本文构建了基于最优指标组合的债券违约风险预警模型。本文的第一部分是绪论,第二部分是基于最优指标组合的债券违约预警模型原理,第三部分是基于最优指标组合债券违约预警模型的构建,第四部分是中国债券数据违约预警的实证研究,第五部分是结论与创新特色的总结。本研究的研究重点包括:一是模型违约判别临界点的选择。当模型的判别临界点不同的时候,对同一组样本进行预测,判别出来的违约债券与非违约债券个数就会不同,进而模型的预测精度就不同。势必存在一个最优的临界点,能把违约债券与非违约债券最大程度地区分开。二是最优指标组合的确定。在现如今的大数据环境下,指标的数量十分庞大,选用不同指标组合对同一笔债券进行预测,得到的违约概率就会不同,进而会影响违约的预测结果。势必有一个最优的组合,可以使预测模型的精度达到最高。本文的特色与创新主要表现在:一是通过调整第一类错误与第二类错误的权重大小,从1:1,1:2取至1:5,以第一类错误与第二类错误的加权之和最小为目标函数,求解逻辑回归模型的最优临界点。依据模型的总体精度Accuracy值最高,来确定最优配比,从而确定最优的判别临界点。二是本文采用随机森林算法,遍历20-500棵决策树时的违约预测精度,以第二类错误(Type Ⅱ-error)最小和AUC最大为目标,反推随机森林模型中决策树的最优棵数,并得到最优的指标组合。本文采用2014-2018年中国债券市场已到期的上市公司债券数据进行实证研究,结果表明:“货币资金/短期债务”、“净利润”、“发行主体发行债券数量”、“行业景气指数”和“行业企业家信心指数”五个指标在各个时期对债券违约预测都有重要影响。对比分析表明,本文构建的违约预测模型的预测精度要优于现有的经典预测模型,包括:支持向量机模型(Support Vector Machine,SVM)、线性判别模型(Linear Discriminate Analysis,LDA)等七个经典模型。本文还采用KW检验对中国债券市场的行业特征与发债企业属性特征进行了分析:按照行业划分,“教育”和“制造业”的信用资质最好,“租赁和商务服务业”最差;按照发债企业属性划分,个人企业的信用资质最高,国有企业和民营企业次之,公众企业信用资质最差。