随着我国市场经济制度的不断完善,信用评价已经逐渐成为社会经济发展的重要基础,债券市场也成为一国完善金融市场的基石,因此,研究债券的信用问题,构建信用评价模型,对我国信贷业务的蓬勃发展起到很大的推动作用,也成为市场经济发展的必然选择。本文以2017年我国上市债券公司的债券为实证研究对象,通过构建随机森林模型,建立了一套债券信用评价指标体系,并基于指标重要性程度对信用评价指标进行权重测算,进而构建模糊积分信用评价方程并对其信用评估结果作等级划分。研究的主要结论如下:(1)在债券信用评价海选指标集的基础上,构建随机森林模型并优化,根据建模结果计算指标的重要性值,据此保留对违约状态有显著判别能力的信用评价指标,最终构建了一套包含有13个指标的信用评价指标体系。同时,将指标体系与国际“5C”评价原则进行对比分析,结果表明该信用评价指标体系的构建是合理的;进而绘制ROC曲线判定出该指标体系对违约状态的判定能力较强,其有效性较高。(2)根据指标重要性值确定指标的权重系数,并得到对应准则层的权重值,数据显示外部宏观环境是影响债券信用程度的主要因素,其次是财务因素和非财务因素,三方面的因素密切联系,对债券信用评价的影响均是非常重要的。(3)构建模糊积分方程测算评价样本的信用评分,并据此划分评价样本的信用等级。其结果显示信用评分越高的债券,其所属的信用等级越高,信用状态越好;较高的信用等级内包含的违约样本数较少;整体信用等级的划分大致呈现钟形分布,绝大多数债券的信用水平稳定在A级、BBB级和BB级之间,符合当下债券市场的实际信用水平。研究的创新在于一是通过随机森林最优模型测算指标的重要性程度,最终筛选出对信用评价结果具有重要影响的信用评价指标体系,反映了大数据非参数环境下信用评价指标筛选的新思路;二是使用指标的重要性程度测算指标权重,反映了对违约状态鉴别能力越强,则指标权重越大的权重测算思路。研究的特色在于一是改善现实信贷数据中违约样本与非违约样本的非平衡现象,提高违约样本与非违约样本的分类精度;二是运用模糊积分的方法建立信用评价方程,克服了传统经典的线性加权评价模型的弊端。