【摘要】本文选取2014-2022年发生实质违约与交叉违约的所有发行主体为研究对象，使用随机森林、AdaBoost、GBDT、XGBoost、LightGBM共5种集成算法构建了债券违约风险预测模型，并采用贝叶斯优化对模型的超参数进行优化。实证结果显示，在债券违约风险预测中，相较于传统机器学习算法，集成算法所构建的预警模型性能更为出色，具有更加优异的预测精度与稳定性，且在超参数优化中，贝叶斯优化运行效率更高、效果更好。同时，LightGBM算法在5个集成算法中表现最优，可以最为有效地进行债券违约风险预测。最后通过比较特征重要性，发现净资产收益率、总资产报酬率、营业利润率、第一大股东持股比例可以作为企业债券违约风险预警指标。