改革开放以来,我国金融市场不断发展,规模不断扩大,与此同时,各类风险事件也频繁发生。一般而言,金融风险包括信用风险、市场风险、操作风险和流动性风险。其中信用风险涉及范围最为广泛,是需要管理和防范的首要风险。目前,国际市场上已有四种较为成熟的信用风险度量模型,分别是Credit Metrics模型、Credit risk+模型、Credit Portfolio View模型、KMV模型。其中KMV模型能够在公司信用风险发生或者公司破产之前有效地预测到公司资信状况的变化,且其主要是根据公司资产价值、债务状况预测违约概率,所需要的基础数据容易获得,对于在我国的应用创造了条件。不过,我国金融市场与西方市场有较大差异,诸如:上市公司股本结构复杂、非流通股占比过大等,这些都使得在使用KMV模型时需要对参数加以调整。KMV模型有一关键参数即违约点的设置,其经典模型中设定为1倍短期负债与0.5倍长期负债的总和,但我国的金融市场环境、公司的负债能力、风险爆发点均与西方不同,用(1,0.5)系数并不合适。所以,本文利用智能算法粒子群算法,基于A股的2996家公司的数据,在设定初始粒子5个,迭代寻找30次之后,寻找到在我国的最优短期负债系数和最优长期负债系数是3.79和1.64,实证设置了中国市场环境下KMV模型的最优违约点。随后用曼-惠特尼方法和ROC曲线进行检验和分析,检验表明:传统KMV模型的短期负债系数和长期负债系数(1,0.5)无法区分ST股和非ST股,3.79和1.64这一组系数可以较好地区分ST股和非ST股,也即修正后的KMV模型能够更好地识别我国上市公司的信用风险。