李 昊，梁 州，黄 迅，林 宇（教授）

一、引言

近年来，我国债券市场实现了大幅度的跨越式发展，2016年全年发行债券35.6万亿元，同比增长56.1%，各类债券余额同比增长30.7%，达到了63.8万亿元，约占GDP比重的85.7%。然而，在债券市场迅猛发展之际，受过度投资、缺乏有效风险管理、信息不对称、投机氛围浓厚等复杂因素的综合影响，自2014年“11超日债”违约开始，“15五洋债”“15机床MTN001”等众多公司违约事件近年来不断涌现[1]。这不仅扰乱了我国债券市场的既定秩序，给投资者带来严重损失，甚至还可能诱发系统性风险，阻碍整个经济社会的健康发展。因此，科学开展对我国债券市场公司违约概率的预测研究，对于公司经营者以及监管层防范和化解风险与危机具有重大而深远的意义。

相当长时期以来，学术界与实务界已不遗余力地开发出Credit Risk+、逻辑（Logistic）回归、概率比（Probit）回归、KMV、人工神经网络（Artifical Neural Network，ANN）等一系列模型对公司的违约概率进行了广泛而深入的研究[2][3][4][5][6]。虽然相关研究取得了令人满意的成果，但是上述模型却都存在前提条件过于苛刻、过学习、局部最小值等问题[7]。令人欣喜的是，支持向量机（Support Vector Machine，SVM）却正好拥有解决这些问题的突出优势，使其具有更为优异的泛化推广能力，从而自其被提出以来，就受到广大学者的青睐并被广泛运用于金融领域的研究之中[8]。并且在传统SVM的基础上，学者们还进一步研究出具有更高运算速度和更强抗干扰能力的最小二乘SVM（Least Square Support Vector Machine，LS-SVM）对公司违约概率进行预测研究，且取得了较为瞩目的研究成果[9]。……