近年来我国债券市场高速发展,信用债券规模迅速提升,但是随之而来的信用风险问题也到了不容忽视的地步,债券违约进入“常态化”,信用风险不断累积,市场亟需对信用信用风险的进行更高效且准确的评估。近年来,定量研究的信用风险预测逐渐成为信用风险评估的主流,利用机器学习进行信用风险评估已成为信用风险评估研究的重点。一个行之有效的信用风险评估模型,不仅要满足更高的评估准确性,还要有结合实际且完整的数据选择,如何寻找更合适的数据进行信用风险评估是信用风险研究的重要研究方向。受到市场流动性变化,经济产业结构调整等多方面因素影响,企业的经营状况、盈利能力等要素在不断变化,企业的风险水平和偿债能力也在不断变化,评级机构有责任及时跟进企业风险情况并对评级进行更新调整。投资者想要对发债企业信用风险进行评估,最方便直观的方法之一就是考虑企业的信用评级情况。信用评级更新是信用评级机构为了满足发债企业的发债需求和市场监管而发布新评级所产生的评级调整,包括评级不变、评级上调、评级下调,是对发债企业信用水平最实时的评价。当前国内学者利用信用评级进行企业信用风险评估预测的研究较少,主要集中在企业违约、破产等预测。本文构建两阶段信用评级变动预测模型,通过预测信用评级变动进行信用风险评估预测,为信用评估理论和方法提供了一些有意义的借鉴和参考思路。本文在总结和学习以往信用风险相关文献和理论的基础上,利用2008年到2020年的信用债发行企业的主体信用评级更新数据进行信用评级变动预测研究,对债券市场主体信用评级更新数用于信用风险评估做可行性研究。虽然已经有学者利用信用评级变动数据构建评级变动信用风险预测模型,但是仅用评级“上调”“下调”数据进行信用评估分析,然而使用包含评级不变、评级上调、评级下调的完整信用评级更新数据进行信用风险评估预测的研究还未涉及。本文通过建立两阶段模型将包含三类别的信用评级更新预测转化为二分类预测,构建两阶段企业信用评级变动预测模型,将机器学习算法、数据不平衡处理方法和信用评级变动预测模型相结合,对比了不同分类器的预测性能。数据处理方面,本文为考察数据是否包含时间信息,采用两种划分训练集和测试集的方法,也采用采样方法使数据类别平衡,以期取得更好的预测效果。本文选取42种预测变量,对模型解释性和变量的影响进行深入挖掘。研究发现,第一,两阶段信用评级变动预测模型具有可行性,模型可以对信用评级更新的每一类样本都能进行预测分析,模型对评级不变样本的预测性能强于评级变动样本,对评级下调的预测能力强于信用评级上调。机器学习算法对信用评级变动数据展现更优越的预测性能,其中GBDT分类器是预测性能最佳的模型且具有可解释性。第二,基于纵向样本的模型对评级变动和评级下调的预测准确率方面比基于横截面样本的模型更高。说明用过去数据预测未来评级是否变动的效果更好。经过数据不平衡处理的GBDT分类器两阶段信用评级变动预测模型性能可以进一步提升。第三,本文对预测变量的重要度进行排序和边际分析,得出大多数指标对模型预测成功都有影响,并发现财务指标和市场指标是影响力最大的预测变量,重要指标对预测结果都有显著的线性或非线性影响。