我国债券市场自改革开放之后真正起步,随着我国资本市场的不断深化,债券市场的种类、规模不断增加,债券市场在资本市场中的地位不断提升,债券作为我国重要的直接融资渠道发挥着重要作用。但是近几年宏观经济下行压力不断增加,加之“供给侧改革”、“去杠杆、去产能、去库存”的提出,先是钢铁、煤炭等过剩产能行业的公司面临资金周转困难、日常经营难以为继的状况,发生债券违约,之后各行各业的信用风险开始逐渐显现,由经营风险上升导致公司债券违约。从2014年“11超日债”的违约到2020年AAA级永煤债违约,债券“刚兑信仰”、“国企信仰”被一步步击碎,信用债的违约风险成为社会关注的焦点。截至到2020年末,信用债市场共发生581起违约事件,涉及违约金额5231.1亿元,其中上市公司信用债共违约155只,实质违约金额为793.41亿元,信用债违约日趋常态化。上市公司信用债的数量和规模在整个信用债市场上占据较大比重,由于其信息公开,数据易获取,在信用风险研究阶段,以上市违约主体作为实证研究的样本,具有较好的示范性。上市公司违约样本在近几年有了一定积累,本文选择2014-2020年实际发生违约的上市公司作为样本,按照行业属性和市值规模1:1匹配对照组样本,一共得到40个违约样本和40个对照样本,通过对文献的研究和梳理,选择采用KMV模型和Logit模型以及KMV-Logit模型这三个模型来量化研究上市公司信用债的违约风险,并将这三个模型得到的实证结果进行对比,找到能够全面衡量上市公司信用债违约风险的模型。首先,构建KMV模型,输入关键参数后得到上市公司的违约距离,结果显示违约距离可以较好地反映上市公司的信用风险,对不同年份的违约距离进一步分析发现市场行情能够明显影响违约距离的大小,因此提出对违约距离进行调整,调整后的违约距离在不同年份之间不存在显著性差异而且能较好区分违约组和对照组的信用状况。其次,构建Logit模型,本文从宏观经济状况、行业周期与政策、公司治理水平、财务状况四个方面来分析信用债违约原因,在对信用债违约原因分析基础上,从盈利能力、资本结构、营运能力、偿债能力、成长能力五个维度选取19个财务指标,从股东持股比例、董事长与CEO两职状况、公司属性、年报审计意见中选取5个公司治理指标共同作为自变量构建回归模型,实证结果表明净资产收益率越高、带息债务/全部投入资本越低、营业收入同比增长率越高、企业性质为国企的上市公司违约风险越小,该回归模型对样本的信用风险判别准确度达到81.3%。最后,构建KMV-Logit模型,将调整前的违约距离和调整后的违约距离均代入原有Logit模型中,发现加入调整前违约距离的模型有效性没有得到提升,而加入调整后违约距离构建的KMV-logit模型对样本数据的拟合效果更好,对现实发生违约的信用风险事件的判别准确率更高,其判别准确度提升为85.0%,该混合模型可以对我国上市公司信用债违约风险进行全面度量。在KMV模型、Logit模型以及KMV-Logit模型在不断改进和完善以及其有效性得到验证的背景下,模型可以进一步应用在度量非上市公司信用风险上,扩大信用风险度量模型的适用范围,从而能够更好预测和规避我国债券市场上的信用风险。