随着供给侧结构性改革的深入,打破“刚性兑付”的脚步加快,我国正在逐步迈入一个更加严格控制和统一监管的时代,金融行业在经济全球化的背景下蓬勃发展。与此同时,市场壮大过程中积累的矛盾也在日渐显现,从债券市场来看,部分民营企业甚至国企自2014年起掀起无序的、间歇性的“违约潮”,这种由改革引发的必然性提示我们时刻对信用风险带来的隐患保持警觉,建立一套适合我国的信用风险度量机制成为市场上一项重要的举措。KMV模型度量信用风险以其模型的直观性、数据可获得性高、结果的优良特性已被广泛认可和使用。原始的KMV模型是在横跨美国市场上多个不同经济周期、多个产业的大量违约记录的基础上开发的,尤其是其中违约系数的设定,反映了美市公司债务价值结构对其发生危机时偿还能力的影响。现今,我国违约市场数据并不充分,市场的发展相对滞后,这就使得以1和0.5为系数的违约水平得到的违约距离和违约概率与我国实际行情有较大差异,因而违约水平的确定是中国市场与美国市场建立KMV模型时需要重新考虑的因素。在KMV模型中,违约水平反映了债务人是否“行使期权”,是模型较为核心的参数,因此从我国实际出发找出更适合的“执行价格”,对于更准确的度量风险、防范违约危机、建立更完善的信用体系有着重大意义。本文正是以寻找更优的违约系数为出发点,首先分类统计了 2014年至今发生的违约事件已形成和潜在的损失,举例说明了市场上的违约事件造成的不良影响,概括性的论述了信用风险度量模型的发展历程和研究成果,并结合近些年的最新研究,重点对KMV模型的改进与发展做了评述;文章的第二部分从个人和机构两个角度简单论述了债权人常用的信用风险模型的建模步骤和各自的特点、适用情形;第三、第四部分是本文的主体内容,详细介绍了 Black-Scholes-Merton模型,以及在其基础上开发的KMV模型、不同学者对KMV模型的参数修正和优化算法,提出在对违约系数优化时使用一种高效的方法——遗传算法,并在第四章详细列举了遗传算法工具箱中常见的选择方法、交叉和变异算子。文章的最后一部分将遗传算法应用于KMV模型中违约系数的修正,选取了截至2015年12月31日、2016年12月31日被ST的公司及类似非ST公司为训练样本集,2017年12月31日的ST公司及同行业类似的非ST公司为测试样本集,在B-S公式中非确定的执行价格下,使其与计算违约距离时使用的违约点一同更新,得到近三年更适用于我国A股市场的违约系数分别为3.259、1.104,在此基础上得到以违约距离分类的准确率由73.3%提升至76.7%,正常企业与关注类企业的违约距离差异显著,ROC曲线表现优良、AUC值有所增加,资产价值及其波动率、违约概率DR的计算结果也更加严格。在实证分析的基础上,对模型和结果做出了评价,为信用风险体系的发展提供了一定的参考。