21世纪以来,活跃的资本市场带动公司债券迅猛发展,公司债的发行数量及规模均得到高速增长,然而,在繁荣发展的公司债券市场背后,是累积并隐藏的信用风险。2014年,债券市场的政府刚性兑付被打破,公司债券违约潮爆发,威胁金融市场的秩序。为了维护金融稳定,增强金融服务实体经济的能力,十九大报告提出了健全金融监管,防范系统性金融风险的战略目标。在债券违约频频发生的背景下,本文尝试为公司债券市场构建一套有效的违约风险识别、度量和管控机制,为监管机构维护金融稳定,债券发行人衡量自身信用风险,债券投资者正确审视投资品种的信用风险提供思路。本文首先分析了公司债券市场的发展和违约发生现状,发现建筑行业的违约发生次数和金额都排在所有行业的前列,为此选取了建筑行业作为代表性行业。在分析发生违约的发债主体属性之后,发现在所有的违约发债主体中,非上市企业违约事件发生较多,而目前的研究大都聚焦于上市企业的信用风险,所以本文将非上市企业债券的信用风险确定为研究对象。在寻找度量模型方法的过程中,回顾了传统信用风险度量方法,学习了四个应用较广的现代计量手段,对现代信用风险度量模型进行对比,发现KMV模型目前较适合中国市场,而BP神经网络模型和KMV模型两种技术可以起到时间上、精确性上的互补,因此本文构建BP-KMV组合模型衡量建筑行业发债主体的违约风险。在样本选择上,本文选取了现在仍存在未到期公司债券的建筑行业60家上市企业和51家非上市企业,从Wind数据库中采集到了这些企业的全部股票市场数据和财务报表数据,通过BP-KMV组合模型的工作步骤测算出51家非上市企业的违约距离和预期违约率。用实际违约情况对模型结果进行检验,发现模型判断对违约预测有一定的参考性,且能够区分不同信用等级的发债主体的违约距离,信用等级较高的发债主体有较大的违约距离,违约风险越小,说明模型判断结果与信用评级机构的评级机制能起到相似的揭示企业信用状况的作用。最后本文根据实证分析结果和信用风险测度过程中发现的问题,提出了收集与整理违约数据,落实信息披露制度,提高信用评级质量等政策建议。