近年来,我国债券市场取得了迅猛发展,截至2020年底,债券存量达114.31万亿元。2020年各类债券发行总额达57.3万亿元,较上年增长26.51%,占当年GDP的56.39%,在新冠疫情重创经济的情况下,仍有力支撑了实体经济。随着市场规模的增加,信用类债券违约日趋严重,截至2020年底,已有181家发行主体发行的740只债券发生违约,从私募债到公募债,从民营企业到国有企业,从非上市公司到上市公司,从利息违约到本金违约,信用事件发生的频度、涉及的广度及严重程度进一步加剧,债券的信用风险也越来越引起社会的广泛关注。此外,自“债券通”推出以来,境外投资者持有人民币债券规模以年均40%的速度增长。随着我国债券被正式纳入全球三大主流债券指数以及彭博巴克莱中国高流动性信用债指数的推出,人民币债券对外资的吸引力将进一步增加,而影响外资投资我国金融资产的重要因素——人民币汇率,对债券市场的影响也将日益凸显。再者,信息时代背景下,影响债券市场走势的因素增多,债券市场参与主体和监管主体决策的难度加大,对更精准把握债券市场走势有迫切需求。在上述背景下,对债券定价和风险管理的基础——反映债券投融资成本和风险的信用利差进行研究具有重要理论意义和实用价值。首先,本文使用由2010年1月至2020年5月间的我国上市公司的企业财务数据和发行的债券数据、股票市场和债券市场指数数据构建的月度非平衡面板数据,从信用利差分解视角,采用固定效应模型和两步系统广义矩估计分别探讨股票市场系统性风险和债券市场系统性风险对信用利差的影响和对信用利差的解释力。然后,基于投资者异质性,将央行外汇干预、汇率与信用利差纳入到一个开放经济框架内,构建包含央行外汇干预、人民币汇率与信用利差的内生动态系统框架,并采用带随机波动的时变参数结构向量自回归（SV-TVP-SVAR）模型实证研究外汇市场汇率对信用利差的动态影响。再次,从模型和预测数据集角度探索精准预测信用利差的思路,将上述研究成果作为选择预测信用利差的数据集的参考,应用深度学习算法,构建深层门控循环神经网络模型（1）,对我国债券市场信用利差指数进行预测;同时将多种预测技术作为基准模型进行对比分析,还深入探索了在深度学习模型中引入注意力机制和在预测数据集中加入网络搜索行为数据对模型预测信用利差的能力是否有进一步提升。通过以上三方面的深入研究,本文得到的主要结论如下:（1）股票市场系统性风险对公司债信用利差有显著影响,但对信用利差的解释力非常有限（平均小于5%）。债券市场系统性风险对公司债信用利差具有很强的解释力,平均能够解释39%的信用利差。（2）股票市场系统性风险和债券市场系统性风险对债券信用评级、剩余期限和公司产权性质敏感,对发债企业所属经济区域不敏感。信用评级越低的债券的系统性风险溢价越高,剩余期限越长的债券的系统性风险溢价越高,非国有企业发行的债券的系统性风险溢价越高。（3）央行外汇干预、人民币汇率变动与信用利差变化三个变量之间具有非线性联动关系,该关系在短、中、长期视角下均表现出了时变特性。汇率变动与信用利差变化之间的联动效应存在滞后性,央行外汇干预总体上会加剧信用利差波动。央行外汇干预、人民币汇率变动分别与不同期限、不同等级债券信用利差变化之间的联动效应存在差异,人民币汇率变动对中期债券和低评级债券信用利差的影响最大。人民银行采取外汇干预措施平滑人民币汇率波动的有效性在减弱。（4）深度学习和传统机器学习等智能算法对非线性关系的捕捉能力优于传统经典金融时间序列等非智能算法;带有门控机制单元的深度学习模型比不含门控机制单元的深度学习模型具有更好的预测精度和更高的预测稳定度;只有一个门控单元的深层JANET神经网络在预测效率、预测精度以及预测稳定度上的表现均最优;从预测的绝对表现看,构建的深层门控循环神经网络也是一种能够有效预测中国债券市场信用利差的模型;自注意力机制只有在深度学习模型本身的预测能力不强时发挥作用,此种情形下引入注意力机制能一定程度上改善模型预测能力。当深度学习模型的预测能力本身就比较强时,注意力机制的引入反而是一种干扰,会大幅削弱模型本身较强的预测能力。即注意力机制只能发挥“雪中送炭”的功能,而不能起到“锦上添花”的效果;由于互联网搜索指数度量的是公众注意力,而债券市场是一个机构投资者主宰的市场,导致其蕴藏的信息含量不足以影响信用利差,对提升深度学习模型的预测能力较弱。本文的研究不仅为我国股票市场和债券市场、外汇市场与债券市场的联动效应提供了实证证据,也有助于加深对我国债券市场“信用利差之谜”的理解,同时也可为投资者和发行主体科学决策和监管者精准防控我国债券市场风险提供决策参考。