债券市场作为我国金融系统的重要组成部分,近年来得到了快速的发展。从发债规模来看,目前我国现存债券发行存量已经达到100万亿元,成为世界第二大的债券市场。从发债主体来看,我国债券市场发债主体类别多样,包括中央政府、地方政府、国有企业、民营企业。但跟发达国家相比,我国债券市场存在种类不够多样、信用评级制度不够完善、市场化不足等问题。作为一种有价证券,宏观经济以及发行主体财务情况等因素会对债券评级产生影响,在特殊情况下还会导致债券出现信用风险违约事件,随着我国“全面深化改革”、“三去一降一补”等相关举措的落地,我国债券信用违约风险已经不容忽视。关于债券信用违约问题,目前的研究主要集中在两个方面:一是凭借主观经验判断,通过债券的市场表现来推断债券是否会发生违约风险,但通常结果不够准确,解释性较差;二是对债券各项指标进行量化分析,使用统计学方法或机器学习方法来对债券进行违约预测,包括KMV模型、线性判别、逻辑回归等方法的应用。随着大数据技术的不断发展,支持向量机技术开始应用在债券的违约风险研究中。相比于传统的研究方法,支持向量机可以解决金融数据中高维度的非线性问题。本文的主要研究对象是由我国民营企业为发行主体的信用债,以支持向量机为研究工具。在实证研究部分首先确定所选取债券的特征维度,最终从财务指标与非财务指标中共确定18维特征维度,然后对数据进行缺失值的填充以及标准归一化处理,得到完整的原始数据样本。由于原始数据样本属于典型的不平衡数据集,本文分别利用RANDOM、SMOTE、ADYSYN方法以及原应用在软件异常点检测中的MAHAKIL等重采样方法对原数据样本进行平衡处理。在得到平衡样本之后,利用One-Hot独热编码技术对样本进行维度扩充,使得原始数据样本的连续型数据和离散型数据可以被模型所处理,接着利用PCA降维技术对样本数据进行降维处理,然后将处理后的样本输入到事先调试好的支持向量机模型中,得到四组模型的各项评价指标,最后说明MAHAKILPCA的组合模型综合评价优秀,对信用债违约的预测效果更加准确。