自2014年我国出现首例债券实质违约以来,我国的债券违约数量不断增多,特别是在2018年,债券市场更是频繁爆雷,违约金额达到1205.61亿元,这给投资者和整个市场都带来了很不好的影响。一方面,目前将随机森林模型运用到债券违约预测模型的文章还较少;另一方面,中国特色社会主义经济的背景之下,政府隐性担保对债券市场影响重大,让市场有债券刚性兑付的预期,企业也不断发债扩张。而当我国经济增速放缓,地方政府隐性担保能力下降,刚性兑付被打破,企业资金链紧张,企业债券违约不断出现。本文以2014年1月1日-2019年8月31日的87家债券违约主体和870家非违约主体作为研究样本,选取政府隐性担保以及样本公司违约滞后两年的财务数据、公司特征变量等作为预测因子,使用机器学习方法中的随机森林模型进行违约预测,并将其预测结果与传统的logit回归模型进行对比。实证结果表明,随机森林模型能够有效地预测中国债券违约,随机森林模型的预测准确率非常高,样本内训练时模型的总体准确率达到99.45%,样本外预测时模型的总体准确率也达到94.84%。无论是样本内训练还是样本外预测,随机森林模型的准确率均高于logit模型。这表明随机森林模型可能更适用于监测企业债券违约问题。从logit回归结果来看,政府隐性担保变量的系数为负数,且在1%的水平上显著,这表明企业发生违约的风险与地方政府的隐性担保能力负相关。当地方政府的隐性担保能力较强时,企业发生债券违约的风险较低;当地方政府的隐性担保能力较弱时,企业发生债券违约的风险较高。同时,这也间接地说明了企业发生债券违约的风险与宏观经济环境相关。同时,企业过度投资和违约正相关,且在5%的水平上显著,表明企业如果前期发生过度投资行为,后期发生违约的概率增大。