金融系统性风险一旦发生就会产生巨大的损失,商业银行是我国金融系统重要组成部分,而信用风险是商业银行所面临的主要金融风险之一,一些现有研究在系统性风险中考虑了信用风险的影响,但他们没有同时将机器学习方法引入系统性风险预测或分析中。随着人工智能技术在金融领域的应用不断深入,对机器学习可解释性的要求也越来越高,只有知道模型得到最终预测结果的原因,才能更有效地防范风险的发生。本文研究将人工智能方法应用于金融信用风险,在此基础上研究可解释性人工智能方法在金融系统性风险中的应用。本文的工作总结如下。论文提出了一种增强深度森林的方法建立了信用风险预测模型。传统的基于统计学习的信用风险预测模型不能有效利用现有的特征学习方法,因此预测准确度不高。为解决这个问题,在多粒度级联森林（gc Forest）的深度森林模型基础上提出一种增强深度森林的方法建立信用风险预测模型,借鉴残差学习的思想,建立了多粒度级联残差森林（grc Forest）模型,从而大幅增加提取的特征。除此之外,使用多维多粒度的扫描尽可能多地提取原始数据的特征,从而提高了特征提取的效率。对各模型的实验结果通过AUC、准确率等指标进行评价,同时把所提出模型与现有的统计学习和机器学习算法在四个不同的信用评分数据集上进行对比,可知所提出模型的AUC值相较于轻量级梯度提升机（Light GBM）方法平均高1.13%,相较于极端梯度提升（XGBoost）方法平均高1.44%。从实验结果可以看出,提出的模型预测效果最佳。将信用风险预测结果融入系统性风险预测模型并提出了基于grc Forest模型的改进型系统性风险预测模型（grc Forest＿FL）。本文通过银行间拆借网络模型得到的数据进行金融系统性风险预测,并且在模型中考虑了违约率,使模型更加符合现实。实验对加入违约率特征前后得到的数据集分别进行预测。首先将grc Forest中的基分类器由随机森林替换为XGBoost,提升分类准确性,并针对这一数据集中一些临界数据难以准确预测的问题,借鉴目标检测中Focal Loss的方法,在grc Forest模型基础上进一步改进,提出了grc Forest＿FL模型,在训练中降低简单样本的权重,聚焦于困难样本。对比所提出模型改进前后在两个数据集上的结果,实验通过AUC、准确率等指标可知所提出改进的模型在金融系统性风险预测中对困难样本的预测结果更准确,总体效果最佳。采用机器学习可解释性模型SHAP对系统性风险预测结果进行了分析。为了帮助理解金融系统性风险发生的原因,本文使用SHAP模型对系统性风险预测结果进行分析,分别使用在银行间拆借网络模型中加入违约率特征前后的两个数据集上得到的预测结果,通过SHAP值、SHAP交互值等指标得到每个预测样本中的特征对预测结果的影响,进而得到每个特征对整体预测结果的贡献以及每个特征之间的交互关系,并比较可解释性模型在两个数据集上的差异,得出一系列结论来帮助在不同市场情况下调整准备金率、利率等宏观经济指标以避免金融系统性风险的发生。