相对于发达经济体,我国信用债市场发展时间较短,目前正处于不断成熟化和规范化的阶段,市场参与者的类别不断丰富,发行城投债的地方融资平台正处于市场化转型过程,“刚兑”现象逐步打破,投资者对信用风险的重视程度提高。信用利差反映了市场对债券信用风险的定价情况,起到资源配置的指向作用,受到学者、投资者和政策制定者的重点关注。能够对债券信用利差产生影响的现实因素复杂多样,但目前国内已有文献对信用利差影响因素的实证分析大多仍采用的是传统参数回归模型,对于含分类变量、高维度样本的处理效果欠佳,并且选作研究对象的指标体系也不够完善。在此背景下,本文在前人研究的基础上,结合中国债券市场的现状和特点,创新性地提出一些新的变量,并利用随机森林回归模型这一机器学习算法对近期新发债券发行信用利差的影响因素进行研究。本文首先梳理了前人对相关问题的研究成果,包括国内外对信用利差影响因素的研究现状和信用风险定价的经典理论模型;在此基础上,本文同时结合前人研究和中国债券市场特点,从宏观经济层面、中观行业和区域层面、微观企业层面以及债项层面分别选取可能对债券发行信用利差产生显著影响的因素,分别针对这些因素对信用利差的影响机制展开理论分析。其后,本文采用随机森林模型对债券样本进行回归分析,得出各解释变量的重要性得分和排序,并对重要性得分靠前的解释变量进行偏依赖分析,最后对于结果给出经济学上的合理解释。本文研究发现,宏观层面的无风险利率水平、中观层面的地区和行业分类、微观层面的主体信用等级和公司产权性质对债券发行时的信用利差起主导作用,此外,影响债券流动性和融资便利性的两个因素——投资者类别和是否可在交易所场内质押,也对信用利差有较强的解释力度。通过进一步的分类比较,本文还得出结论,市场仍认为城投债背后存在政府隐性担保,且同样在资本实力偏弱的条件下,城投公司比一般工商企业更容易在债券市场成功发行私募债;市场对于高信用等级主体发行的债券的看法更接近于利率债,相对更重视是否含回售权和赎回权等债项要素。研究方法方面,由于随机森林方法具有预测精度高、擅长处理高维数据等优点,本文提出采用随机森林回归模型进行信用利差影响因素的实证分析。通过梳理随机森林方法在我国经济学研究领域中的应用,发现前人在分析多变量样本时,该方法均产生了比其他常见计量方法更好的预测效果。本文的理论基础部分介绍了随机森林回归模型的工作原理和优缺点,证明该方法在理论上适合应用于信用利差的回归分析。随后在实证过程中,对于训练集样本,该模型的解释程度达到80%以上,并通过四折交叉检验发现模型拟合程度高;在对测试集样本的预测检验中,通过绝对误差和相对误差指标以及四折交叉检验,得出该模型预测精度高的结论。