近年来,随着债券市场的不断发展与发行规模的不断扩张,其中的信用风险问题也日益突出,而信用风险一直以来都是我国债券市场中面临的重要风险。但目前国内对于信用风险的分析、测度与管理等方面仍相对滞后。本文以房地产行业的非上市公司债为研究主体。因为房地产行业企业融资渠道受限和到期偿付压力增大,并且限购限售限贷等房地产调控政策的出台又使得房地产企业销售难度增大,对企业的现金流量造成影响,房企的流动性压力显著增加,发债企业的信用资质分化程度将进一步加剧,中小房企尤其是债务率高的房企、收入利润不稳或虚高的房地产企业将面临较大的经营风险和违约风险。当前,学术界中存在着几种主流的信用风险测度模型,其中,KMV模型以其良好的预测能力和较高程度贴合市场的能力成为目前应用最广泛的模型之一。KMV模型是由KMV公司在Merton模型的基础上发展而来,主要用于测度违约上市公司的违约概率。该模型把企业的负债看作是以其资产价值为标的看涨期权,当债务到期时,如果企业资产的价值小于负债的价值,则企业会选择违约;如果企业资产的价值大于负债的价值,则股东会选择偿还债务以获得剩余的权益部分。本文研究的主要内容是基于BP神经网络与改进的KMV模型结合对非上市公司债的信用风险进行测度。由于KMV模型是用于上市公司的,这就使得大部分缺乏完整的财务数据以及相应的股权价格和波动性等指标的中小企业及非上市公司无法使用,因此要想使用该模型就必须先通过合理方法估算出非上市公司市场价值和波动率。同时,KMV模型是基于大量美国上市公司违约事件以及历年的数据建立的,但是由于我国的股票市场与美国的存在巨大差异,因此必须考虑对违约点以及违约距离重新进行测算。本文首先对非上市公司违约概率计算的理论基础进行总结,包括现有的公司估值方法进行介绍,主要分为市场法、收益法以及成本法,然后介绍了主流研究中对于非上市公司市场价值估计常用的PFM模型,并总结各种方法的原理及优缺点;其次,介绍了目前常用的几种违约风险度量模型以及KMV模型的基本原理,针对其各个模型的特点,对比说明了KMV模型的优点,分析了为什么在本文中采用KMV模型对非上市公司的违约概率进行预测;接着介绍了BP神经网络的基本原理及特点以及如何搭建模型来对市场价值以及波动率进行预测,针对如何选择训练指标这一问题通过Pearson相关系数的方法,从资产价值、盈利能力、成长能力、资本结构等六个方面选取了九个指标;最后,将非上市公司的财务数据代入模型中进行市场价值与波动率的测算,再结合改进的KMV模型得到了较为可靠的违约概率预测结果,并与未改进系数的BP-KMV模型以及PFM模型得到的结果进行比较分析,验证了改进的BP-KMV模型的有效性。总结全文内容,主要得到以下研究结论:第一,本文利用Pearson相关系数方法对BP神经网络的训练指标进行选取,最终得到的BP神经网络能够有效的估计非上市公司的资产价值与波动率,证明了Pearson相关系数方法在筛选指标方面的有效性。第二,得到的结果与实际情况比较吻合,与未改进的BP-KMV模型以及PFM模型相比,发现采用改进系数的BP-KMV模型能够更好地预测非上市公司债的违约概率,证明了模型预测的有效性以及未来在国内应用的可能性。第三,从最终得到的房地产行业非上市公司债的违约概率来看,违约概率较大的基本都集中在部分AA+级以及AA级债券中,而AAA级债券的违约概率基本约等于零,与我国的实际情况相符,在2017年至2018年10月间,有相当大的一部分违约债券集中在AA级与AA+级。