随着我国债券市场深化改革进程的推进,政府正逐步地退出债券隐性担保,债券市场的违约事件接连发生并趋于常态化,因此债券信用风险问题受到广泛关注。债券信用风险在很大程度上可以表现为信用利差。债券信用利差具有小样本、非线性、高维数等特点,即债券信用利差问题涉及的影响变量较多且变量间关系复杂。现有研究大多采用传统线性回归模型进行研究,而线性回归无法有效处理上述类型的数据,导致模型的效果较差。因此本文采用了随机森林模型,该模型擅长处理高维度、非线性问题,更加契合信用利差的数据特点。由于突破了线性回归模型在变量数量上的限制,本文得以构建一个较为全面的信用利差特征变量体系,能让模型包含更多的有效预测信息。同时,变量的增多可能导致随机森林模型出现过拟合问题,为此,本文采用特征选择方法对模型进行优化,利用优化的随机森林模型并结合构建的信用利差特征变量体系,对我国债券信用利差的变动进行预测研究。本文选取2014年-2020年的债券数据作为样本,首先,结合国内外相关研究、信用利差理论以及我国债市的实际情况,从财务层面、企业属性层面、债券属性层面、宏观层面四个层面构建了一个债券信用利差的特征变量体系。接着,为了比较优化随机森林模型的预测效果,本文以有无加入特征选择为控制变量设置了对照实验,每组数据又分别采用随机森林、支持向量机、朴素贝叶斯、逻辑回归模型进行预测效果比较,并利用python编程语言对上述模型进行实现。最后,为了克服随机森林模型的“盲盒”性,对信用利差的特征变量进行了重要性排序分析。本文通过实证得出以下结论:第一,在所有比较模型中,优化的随机森林模型对我国债券信用利差变动的预测准确率最高,高于传统线性回归模型。第二,嵌入法能够有效提升随机森林的预测准确率,且提升幅度是三种特征选择方法中最大的。第三,在特征变量重要性排序中,发债地的GDP水平、公司性质、债券是否是城投债、债券信用评级等指标在各自类别中的重要性靠前。本文可能的创新点有:一是采用了优化的随机森林模型对债券信用利差问题进行研究。一方面,更契合信用利差的数据特点。另一方面,可以突破传统线性模型在变量数量上的局限,并得以构建一个较为全面的特征变量体系,使模型包含更多有效的信息。二是针对随机森林模型的过拟合问题,采用了嵌入法进行模型优化,并设计对照实验,与三种典型的模型的实证效果进行比较。