债券作为一种证券除了是一种融资手段,对于企业来说也是能够证明其经济权益的法律凭证。然而随着我国金融市场不断发展,有越来越多债券产品涌入债券市场,同时,违约的债券也不计其数,自2014年债券打破刚性兑付后,债券违约现象出现的频率越来越高。其中,不乏有评级为“A”级及以上的债券也出现了违约情况。对债券进行评级在一定程度上能够起到预估企业信用风险的作用,但由于我国信用评级市场不健全、建设相对缓慢等原因导致了评级可信度低,其预估信用风险的能力也随之降低。因此,如何判断企业信用的风险性,提高判断准确率和可信度成了行业内关注的一个问题。信用评级方法较为复杂,要将其优化,需要足够的专业经验才能实现,并且该方法较为主观。为了保证评估方法上的客观性和可行性,本文通过建立信用评分模型的方式来评估和量化债券的风险性。本文研究目的是找出企业经营和融资方面影响债券违约风险的具体因素,并将债券风险性以量化的方式呈现,以便于投资人或企业自身做出相应的决策。在样本选取方面,考虑到不同行业对债券风险性的影响深浅不同,本文只在同一行业下选择样本,为了避免数据不平衡的情况,最终选择了违约率最高的制造业企业作为分析样本。采用了能够反映企业经营状况的各项财务指标作为自变量集,在坏样本的定义上,相比于其他研究中将已违约债券、投机级债券作为坏样本,本文还将被列入可能降级名单的债券也作为坏样本。模型选择上从理论上比较了决策树、神经网络、支持向量机、逻辑回归四种方法,基于准确性和模型可解释性考虑,选择了逻辑回归模型。变量选择部分将数据经过分箱、编码等预处理之后,分别运用过滤法、包装法、嵌入法筛选变量并根据其选择结果分别建立逻辑回归模型。通过比较三个模型的混淆矩阵及其相应的召回率、坏账率等指标、ROC曲线和AUC值以K-S曲线和KS值来评估三个模型的效果。经过比较,发现嵌入法选择的变量在预测能力和区分能力上优于其他两种方法。将嵌入法选择的变量结合其WOE编码、模型预测坏样本的概率、变量系数对变量及各取值区间进行评分,实现了债券风险性的量化。