随着国内外信用风险领域中研究方法的不断深入,国内资本市场的大幅波动再一次引起了商业银行、投资者和政府监管部门等对上市公司信用风险问题的高度重视。因此,在总结国内外的研究方法的基础上,将二元贝叶斯分位数回归模型运用到信用风险领域进行识别与测量,并与二元均值Logit回归模型、KMV模型分别进行对比研究。选取2014年——2016年间所有被公示特别处理ST或*ST的上市A股企业作为高信用风险组,根据违约公司的行业以及市值等因素,选择与其相对应的上市A股公司作为低信用风险组,设置预测时间均为1年,所有参与模型回归的数据,不论是财务信息数据还是资本信息数据均选择T-2(T为特殊处理公示年份)时间点上的数据。在基于上述样本与指标的基础上,对二元贝叶斯分位数回归模型、二元均值Logit回归模型、KMV模型进行实证分析与结果阐述。其中,对二元贝叶斯分位数回归模型的在不同分位数水平下的结果做一详细分析,基于KMV模型的不同分组对违约距离等指标进行双样本非参数检验。最后,引入一系列评价指标和评价曲线如正确率、召回率、ROC曲线和PR曲线等,将二元贝叶斯分位数回归模型分别与二元均值Logit回归模型和KMV模型进行双模型与三模型的对比研究。通过实证分析和对比研究综合表明:二元贝叶斯分位数回归模型可以有效地改进二元均值Logit模型仅针对平均风险与各财务指标的关系这一缺陷,得出在不同信用风险的条件下,各个财务指标的影响水平的变化趋势,同时经过三模型的对比研究后,可以得出,二元贝叶斯回归模型的预测违约公司的综合水平最高。