1.一种基于机器学习的债券发行人违约分析方法，其特征在于，包括如下步骤：
S1获取财务数据和评级数据：从公开渠道获得企业的财务数据和评级机构评级数据，并进行储存，如果存在空值，则也将其储存为空值；其中，财务数据包括企业经营情况、企业偿债能力、企业负债情况，企业经营情况进一步包括销售毛利率、营业净利率，企业偿债能力进一步包括EBIT/短期负债、速动比率、经营性现金流/有息负债，企业负债情况进一步包括资产负债率、合并报表经调整的资产负债率、母公司经调整的资产负债率；评级机构数据包括评级机构当期评级、评级机构评级展望；
合并报表经调整的资产负债率＝合并报表中的经调整的负债合计/经调整的资产合计；
母公司经调整的资产负债率＝母公司报表中的经调整的负债合计/经调整的资产合计；
S2模型训练样本的选取和清洗：选取已发生信用风险事件的企业，获得该企业在违约事件发生之前最近一期直到该期向前推M期的财务数据和评级机构评级数据，其中，M≥3；
选取已知截至某一时点还未出现信用风险事件的企业，获得该企业距离该时点最近一期直到该期向前推N期的财务数据和评级机构评级数据，其中，N≥3；
对于数据中存在空值的，保留空值，待所有输入数据都处理准备完成，如果某家企业数据的某个唯独的时间序列数据中出现全部为空或者有且仅有1个有效数值的情况，则去掉该企业，否则，运用插值或外推法填补空白数据位置；
S3模型的建立和训练：
以支持向量机为基础的模型：由于经过S1、S2所形成的输入数据为多维时间序列数据，无法用传统的支持向量机训练，本步骤中采用由Cuturi提出的Global Alignment Kernel核函数，将两个多维时间序列数据进行相似性比较，并输出一个数字结果，利用核函数的特性，将其作为支持向量机的核函数，进而针对多维时间序列数据进行训练模型；
以人工神经网络为基础的模型：将经过S1、S2所形成的多维时间序列数据，输入到以人工神经网络为基础的分析模型中，模型的设计参数为：
隐藏层个数＝输入数据维度；
每个隐藏层中神经元的个数＝输入数据对应维度的样本数；
S4利用训练好的模型进行分析预测：
选取好待进行信用分析的企业，按照步骤S1、S2进行输入数据的准备，然后输入步骤S3中训练好的分析模型，即可获得企业或发行人是否会在近期内出现信用风险事件的预测分析结果。
2.根据权利要求1所述的一种基于机器学习的债券发行人违约分析方法，其特征在于，所述评级机构评级数据来源为季报、半年报或年报数据中的一种或几种。
3.根据权利要求1所述的一种基于机器学习的债券发行人违约分析方法，其特征在于，销售毛利率＝(主营业务收入-主营业务成本)/主营业务收入；
营业净利率＝净利润/营业总收入；
EBIT/短期负债＝息税前利润/短期负债总额；
速动比率＝速动资产/流动负债；
经营性现金流/有息负债＝经营性现金流/有息负债总额；
评级机构当期评级＝在报表日当期评级机构对该公司的评级情况，“AAA”为1，“AA+”为0.5，“AA”为0，其他为-1，如果有多个评级，则选取距离现在时间最近的一个；
评级机构评级展望＝在报表日当期评级机构对该公司的评级展望情况，“正面”为1，“稳定”为0，“负面”为-1，如果有多个评级展望，则选取距离现在时间最近的一个；
资产负债率＝负债总额/资产总额。
4.根据权利要求1所述的一种基于机器学习的债券发行人违约分析方法，其特征在于，所述步骤S2完成后，根据数据的特性，选择是否将整理好的原始数据进行归一化操作，如果归一化后预测效果好，则采用归一化，反之则不用。
5.根据权利要求1所述的一种基于机器学习的债券发行人违约分析方法，其特征在于，所述步骤S3中，以支持向量机为基础的模型，具体的预测模型的训练步骤如下：
S301采用由Cuturi提出的Global Alignment Kernel核函数；
S302采用交叉验证的方法，将输入数据分为训练样本和交叉验证样本，输入以GAK为核函数的支持向量机进行训练；
S303获得训练完成后的模型。
6.根据权利要求1所述的一种基于机器学习的债权发行人违约分析方法，其特征在于，所述步骤S3中，以人工神经网络为基础的模型，具体的预测模型的训练步骤如下：
S311初始化网络权重和神经元的阈值；
S312前向传播：将输入数据带入神经网络，按照公式一层一层的计算隐层神经元的输出层神经元的输入和输出；
S313后向传播：根据误差计算公式修正神经网络中的权重和阈值；
S314一直持续S311-S313直到满足训练终止条件，获得训练完成后的模型。