小企业的违约判别模型为银行贷款决策与企业融资提供重要依据。本文通过指标分箱后的特征变量建立了小企业违约判别模型。本文构建的基于最优特征变量组合的小企业违约判别模型,共包括五章内容:第一章是绪论,第二章是基于最优特征变量组合的违约判别模型的基本原理,第三章是违约判别模型的构建,第四章是中国小企业样本的实证分析,第五章是结论。本文的研究重点包括两个方面:一是如何将一个指标拆分成不同的特征变量。任何一个违约判别模型都需要变量,不同变量构建的违约判别模型精度不同。例如“收入”这个指标拆分成“高收入”、“中等收入”、“低收入”这类的特征,具有“高收入”特征的客户往往具有更强的清偿能力,更不容易违约。而将“收入”拆分成几个区间,区间划分的临界点不同时,特征变量的违约鉴别能力不同。二是最优特征变量组合的遴选问题。m个特征变量,就会有2m个特征变量组合,不同的特征变量组合构建的违约判别模型不同,模型的判别精度就不同。本文的创新有二:一是在特征变量的构造上,根据基尼方差这个特征区间的违约鉴别能力最大的情况下反推一个指标数值区间的最优划分的临界点,由此得到了由指标数值区间拆分成的、违约鉴别能力最强的特征变量。二是在最优特征组合的遴选上,在m个特征变量所构成的m（m+1）/2个特征变量组合中,根据第一类错误率和第二类错误率加权判错率最小反推一个最优的特征组合并建立与之对应的违约判别模型。研究表明:一是在由32个关键特征变量构成的最优特征组合中,“法人代表信用卡记录”的特征值为最差记录、即“有违约记录”时更容易违约,“存货周转率”的特征值处于最低周转区间[0.00,5.87)、即存货周转慢的企业更容易违约,“城市居民人均可支配收入”的特征值处于最低收入区间[3058.00,9692.40)的城市中的小企业贷款更容易违约。二是“城市居民人均可支配收入”的最低区间[3058.00,9692.40)和较低区间[9692.40,10687.56)两个特征变量都对小企业违约具有影响,其在32个影响因素中重要程度排序分别是第3和第18位,说明这两个变量对应的指标“城市居民人均可支配收入”是一个重要的指标;类似的指标还有“营业收入增长率”和企业负责人的“家庭月收入”等指标,它们都有两个特征的变量对违约状态有直接的影响。三是在小企业违约风险的影响因素中,企业内部非财务因素重要性占比为51.90%,比企业内部财务因素和外部宏观条件更重要。四是本研究模型的违约判别精度高于包括深度学习DNN在内的DT、KNN、SVM、LR、LDA等大数据模型。