自2014年我国第一起债券违约事件“11超日债”发生后,近几年,债券违约情况层出不穷,违约的数量和违约所涉及的金额也逐渐增加。从当前我国的政策环境来看,积极宽松的政策环境难以为继,取而代之的是“货币紧平衡”状态,我国宏观经济的运行也步入中低速发展的“新常态”。在这种情况下,很多行业出现严重的产能过剩。在去产能、去杠杆的任务的驱动下,部分企业融资情况不容乐观,资金链出现断裂,致使信用风险不断增加。信用风险愈加明显,但是我国对于信用风险的度量只处于起步阶段,很多投资管理公司对于投资标的债券也只是从基本面予以分析,缺乏定量衡量。本文基于投资者的角度,应用CreditMetrics模型对债券投资组合的信用风险加以测算。由于CreditMetrics模型最初由J.P.Morgan公司开发,其输入参数并不是十分贴合我国实际情况,因此本文对模型的输入参数和计算方法进行了修正和优化。主要工作如下:1.对于信用评级转移矩阵,将标准普尔评级转移矩阵、大公评级转移矩阵和基于隐含评级测算的评级转移矩阵进行了对比分析,结果显示由于我国债券评级偏高,低等级评级数据缺乏,加以违约债券数量少,经国内数据得出的评级转移矩阵存在边缘为零的情况,因此在CreditMetrics模型中应用标准普尔公司提供的信用等级迁移矩阵。对于标的债券的信用级别,本文用隐含评级代替传统的债项评级。2.对于贴现率,本文采用息票剥离法逐步由各个等级企业债的到期收益率计算得出,最终整理成远期风险贴现期限结构。3.对于债券之间相关性,本文摒弃线性相关性,应用Copula函数的性质计算相应公司股票之间的相关性。在这一过程中,本文采用了核密度估计的方法来估计相应公司股票收益率数据的边际分布。4.对于债券投资组合,本文采取蒙特卡洛模拟的方法,并应用Cholesky分解的方法对相关系数矩阵分解,进而生成服从给定相关性联合正态分布数据,通过与给定信用等级变化门槛值对应,得到基于模拟数据的相关信用等级。5.对于信用风险的衡量,本文采取CVaR的方法进行计算。最终证明基于信用风险尖峰厚尾的特征,CVaR计算结果要优于VaR计算结果,CVaR方法更加适用于尾部较厚的信用风险。尽管本文从参数修正和计算方法优化上对CreditMetrics模型进行了改进,但是这并不能掩盖我国评级数据缺乏的缺陷,因此本文基于研究过程和相应的结果,提出完善评级体系,引导外部评级机构主动对小型企业进行评级,从而建立基于各个层次公司的评级转移数据库和违约概率数据库的建议。