债券是企业进行直接融资的重要手段之一,我国债券市场虽然诞生较晚,但近些年的债券融资规模却逐年攀升甚至已超越股权融资规模。2014年我国市场出现首只打破刚兑的债券,此后债券违约逐年增加,因此对违约风险进行把控和预警越来越重要。此外人工智能和数据挖掘快速发展,探索基于随机森林的债券违约预测模型有助于为相关研究理论添砖加瓦。首先,本文根据已有文献资料对公司债违约的影响因素进行整理归纳,通过分析形成违约风险影响因素的逻辑体系,并从宏观经济、财务因子以及债券属性三大层面共33个特征值构建了特征指标体系;第二步先对随机森林变量重要性评价方法进行改进,建立客观有效地筛选重要特征指标的方法。在特征指标体系下,筛选得到重要性排名前11的特征指标。基于重要特征指标构建随机森林预测模型,并对样本债券进行训练和测试,实证最后将随机森林模型与基于重要特征的Logistic模型进行了横向比较;论文最后以不在样本中的“11凯迪MTN1”债券违约事件为案例,分析了违约的过程和成因,并利用基于重要特征的随机森林模型对该债券进行违约预测并与实际情况进行对比,侧面验证了本文模型具有优良的适用性、可行性和准确性。本文得到一下结论:(1)相比于Logistic基于重要特征的随机森林违约预测模型在测试集上有更准确的表现;(2)随机森林模型具有优良特征指标评价能力,结合逐步向后评价法能够筛选出对债券违约状态具有重要贡献的特征指标,将重要指标作为预测模型的输入提高了模型的效率,同时也使模型具备更广的适用性;(3)文章搭建的债券特征指标体系中,对债券违约状态最有预测贡献度的指标是债券属性因素和财务指标因素。随机森林在信用债违约预测中具有重要的实践意义,对预测评估目标债券滞后一期的违约概率具有比较高的准确率。