近几年,为了突出“房住不炒”这一基本原则,政府出台了一系列的房地产调控政策,这些政策直接影响着我国的各家房地产公司,而作为房地产公司生命线的融资现金流首当其冲。资产证券化在我国的发展给房地产公司的融资提供了新的选择,它是当前房地产公司延续生命的一种重要手段,而能够通过资产证券化的方式进行融资,从某种意义上说,也是房地产公司整体实力的一种体现。目前市场上资产证券化的种类主要有供应链、购房尾款、物业费、CMBS等,各种证券化方式也会给房地产公司带来不同的融资选择,不仅能降低企业的融资成本,改善公司的资本结构,还能通过合理的安排来达到财务上的目的。市场上主流的资产证券化融资模式中,商业地产资产证券化（CMBS）是最为复杂且涉及参与方最多的之一,房地产公司往往在该融资安排当中身兼数职,同时伴随着大量的关联方交易,很有可能存在值得关注的重大风险,因此对该问题的风险研究十分有必要。本文将采用文献研究法、定量模型分析法以及案例分析法对商业地产资产证券化风险评估问题进行定性和定量的研究。其中,在定量模型分析法中,本文构建BP神经网络模型对该问题进行研究,在研究模型上进行了一定的创新。BP神经网络模型的运用使商业地产资产证券化风险评估结果更加的客观和准确,但本文在数据样本的获取上存在着一定的不足。另外,在案例分析法中,本文选取的案例是深圳印力中心,该项目采用的“单SPV”融资结构也是深交所的首次实验,故通过该案例的研究分析能够完善商业地产资产证券化风险评估问题的研究体系。文章将先就所研究问题的背景、意义、方法等方面进行详细阐述,再重点介绍商业地产资产证券化的发展沿革、优势、特征等,以及本文需要借鉴的关于资产证券化的主要风险研究理论,并详细描述了商业地产资产证券化风险的含义、特点以及管理流程,然后对BP神经网络的概念、原理、特点和基本算法进行了详细地阐述。通过对商业地产抵押贷款证券化的全面了解,结合我国商业地产抵押贷款证券化发展的实际情况,识别出了与基础资产、资产支持证券、专项计划管理以及其他方面的重大风险点,对四大风险点进行详细分析,并在此基础上进一步识别出20个细分风险点,然后基于风险识别结果建立风险指标体系,并以该风险指标体系为基础设计问卷。通过向专家发放问卷的方式收集数据样本,然后根据所收集的数据样本构建BP神经网络模型进行风险预测,并就预测结果作出评价。本文还将基于MIV的BP神经网络对输入变量进行筛选,通过MATLAB程序计算出三项对输出结果影响最大的输入变量（风险点）,并提出合理有效的风险防范措施。另外,本文将以深圳印力中心项目为例对该问题进行案例分析研究。首先是对项目的一般说明,然后再对项目的各参与方的经营业务和财务状况进行详细分析,并基于上述分析得出了项目综合风险的定性结论,再使用前文所建立的商业地产资产证券化风险指标体系来获取本项目的数据样本,将数据样本导入之前构建好的BP神经网络模型,并将模型输出结果与评级机构给该项目的信用评级做对比,然后做出评价。本文结合对商业地产资产证券化的定性分析以及运用BP神经网络模型对该问题进行定量分析实现了对商业地产资产证券化综合风险的预测和评价,并基于MIV的BP神经网络对输入变量进行筛选,最终发现了三个商业地产资产证券化风险敏感因素,一是商业物业租金的获取存在一定的不确定性;二是商业物业所获取的现金流可能被关联方混合和挪用;三是信用增级措施可能无法在CMBS发生违约时发挥作用,并基于上述三个风险敏感因素给出了合理有效的风险防范措施,该措施在一定程度上能够降低我国商业地产资产证券化违约事件发生的概率。