来源：期刊VIP网 时间：
作者：郑怡昕;王重仁;
单位：山东财经大学;
摘要：为了提高信用债违约预测的准确性和稳定性，便于金融风险管理，以2014年1月1日—2021年12月31日的信用债为研究对象，提出一种基于多目标优化的加权软投票集成算法。该算法通过计算每个基分类器的模糊密度来量化其识别能力，并使用多目标粒子群算法来求解基分类器的权重。将所提算法与其他单一分类器如支持向量机、逻辑回归、高斯贝叶斯、MLP，以及其他集成算法如投票类集成算法（voting）和stacking算法进行比较，采用期望PFI算法进行特征重要度分析。结果表明，加权软投票集成算法在信用债违约预测中表现出色，不仅提升了单一算法的性能，且相对于其他集成算法，具有更高的准确性、精确度和AUC值。违约前主体评级、交易所、违约前债项评级、总资产周转率、货币资金、净资产增长率、经营活动现金流量占营收比、GDP、PPI、注册地、短期国债利率、宏观经济景气指数（先行指数）、债券类型和所属行业的特征重要度较高，在信用债违约中值得关注。该研究可为金融风险预测提供一种有效方法，对于投资者和金融机构的风险预警具有重要参考意义。
关键词：金融风险管理;;信用债违约预警;;加权软投票集成算法;;多目标优化;;模糊密度;;期望PFI算法
基金资助：山东省科技型中小企业创新能力提升工程（2023TSGC0208）
