本文提出一种基于面板数据的实证回测框架，和涵盖一致性、稳定性和时效性的，以ROC(Receiver Operating Characteristic)为评估指标的信用风险度量质量评估体系。基于回测框架和评估体系，以2000年至2019年我国A股上市公司作为研究样本，设置1年和2年两种预测期限，使用“ST”和“违约”两种信用风险标签，比较KMV模型、数据挖掘技术和信用评级三者的信用风险度量质量。本文全面论述了“ST”和“违约”的异同，创造性地运用“ST”预测“违约”：以数量较为充足的ST样本训练机器学习模型，预测数量相对匮乏的违约样本，解决了目前违约样本不足且时间上聚集而难以建模的问题。研究结果表明，基于数据挖掘技术，利用“ST”样本训练得到的模型的违约预测效果显著优于信用评级，具备可行性。
　　在KMV模型实证研究中，本文探索不同输入变量和违约距离（DD）形式对于ST预测效果的影响，发现以违约点为短期负债、波动率为静态波动率、以个股超额收益率作为资产价值预期增长率估计的KMV-Merton模型的预测效果好于其他。并且，KMV模型违约距离从横截面数据看（逐个年份看）具有较好的准确度和稳定性，而基于面板数据的准确度下降明显；其中的原因是，违约距离随时间变化过于剧烈，而以超额收益率作为资产预期增长率估计具有“顺周期性”，进一步加剧了违约距离的波动，这使得违约距离跨时间可比性较差。而对于违约预测，结果表明KMV模型ROC在0.5附近，无法识别出“高市值、高杠杆、高增长、低股权波动率”的违约样本。
　　在基于数据挖掘技术的实证研究中，本文还探究了数据预处理、特征选择、模型选择对模型预测效果的影响。数据预处理方面，对数据进行离散化（分箱）处理对模型提升作用大于模型的选择；特征选择方面，基于IV值的特征筛选方法与“专家特征”各有优势；市场数据能够提供财务数据以外的信用风险信息从而提高模型性能，其中股权价值和超额收益发挥主要作用，KMV违约距离贡献并不明显，并且，这种提升随预测期限增加而减弱。模型选择方面，逻辑回归和基于线性核函数的SVM模型总体表现好于随机森林模型，当预测期限为1年时，三者差距并不大。