信用评级是衡量债券信用风险,降低投资者与发行人信息不对称的重要工具,然而中国作为一个新兴的债券市场,由于债券评级的需求来源于监管机构的政策,不同于海外债券债券市场评级需求来源于投资者的情况,因此中国评级行业提供优质产品的动力和压力较小。在中国,人们普遍对债券评级的质量持负面看法。因为绝大多数中国债券的评级存在虚高的现象,这一现象引起了人们对中国债券信用评级准确性的怀疑。因此,研究信用评级的信息含量有重要意义。传统对信用评级的研究主要是通过线性回归模型的方法分析债券信用评级的影响因素以及信用评级与债券发行利率、信用利差、债券违约的关系。但是由于线性模型设定的内生性问题,模型的预测能力稍弱于非线性模型。为了克服传统机器学习算法虽然能有效地对债券信用风险进行分类,但不能够解释因变量与自变量关系的缺陷。本文先使用随机森林算法以公开的市场信息对信用评级建模,再将筛选出来的特征变量放入线性回归模型,实现在拥有信用评级预测性能的同时又能得到因变量和自变量之间的影响关系。首先做出如下假设:（1）随机森林算法中,中间节点越靠上对信用评级影响越大。（2）我国信用评级能反应企业财务信息,财务指标越好,信用评级越高;（3）信用评级能解释债券到期收益率与同期国债收益率之差的变化,评级高的债券差值较小,反之则较大;（4）信用评级包含财务数据等公开数据之外评级公司的私人信息。通过对2016年-2020年发行的公司债券为样本数据进行的实证研究。本文首先分类讨论了决策树与随机森林在识别信用评级包含的公司财务指标重要性上的有效性,并且达到给自变量降维的目的,证明了利用历史的公开数据可以预测出债券的信用评级。其次,选用随机森林模型中排名靠前的中间节点对信用评级建立回归模型,发现可以部分解释变量的经济有效性。最后,讨论了财务信息以外的增益信息,发现评级机构的私人信息能解释信用利差,并对比了财务信息在解释两类评级机构的评级结果上的不同。