长期以来,能源产业一直在我国经济发展中起基础性作用,其发展的状况,既关系着我国的能源安全,也与我国的民生问题息息相关,是实体经济中不可或缺的重要一员。但是我国进入21世纪以来,随着能源消费结构的变化,传统能源的消费由主要依靠煤炭转向石油、天然气,而我国石油天然气资源的缺乏导致对石油等能源产生较高的对外依存度,特别是在“一带一路”的倡导下,由于沿线国家政治安全原因,使传统能源安全受到影响。而新能源又对内面临技术开发难度大、研发成本高、资金需求量大、投资周期长的难题;对外面临着行业竞争压力以及国际贸易保护,因此,在内外因素的双重作用下,新能源上市公司会存在较高的信用风险。只有对能源上市公司建立科学有效的信用风险预警模型,才能对其面临的信用风险进行准确的预测,从而对该信用风险进行有效的防范与应对,达到实现维护能源安全、促进社会经济的和谐稳定的目的。到目前,已经有不少学者和研究人员运用多种预警模型对信用风险进行预测,特别是具有优越的预测性能的BP神经网络模型,在信用风险的预测中比较受欢迎。但是,考虑到特征指标的选取对于传统的BP神经网络模型进行信用风险预测结果有着非常重要影响,而风险研究所使用的特征指标在提取时,相当大部分学者是根据前人文献的经验提取的方法和主成分分析法对特征指标进行处理,这两种方法主要是对特征指标进行综合而非约减,就导致特征指标在可解释性上是缺乏的,加之传统BP神经网络模型其阈值和权值的设定具有随机性,因此,会直接影响到模型对信用风险预警的性能。为了解决这些问题,因此本文利用Lasso的指标筛选方法对信用风险的特征指标进行提取,并引用FOA参数寻优的方法对传统BP神经网络模型的参数进行优化,这样只用控制FOA算法的几个参数就可以实现寻优,克服BP神经网络模型训练速度慢、难收敛、易陷入局部极小值等缺点,从而建立了对中国能源上市公司信用风险预测行之有效的改进BP模型,即FOA-BP信用风险预警模型,然后通过实证研究验证了FOA-BP模型在信用风险预警性能的优越性。实证研究表明了:1、解决了信用风险特征指标的提取问题。本文通过对初选的36个信用风险特征指标进行标准化归一化后,引入Lasso的处理方法方法对特征指标进行提取,筛选出了20个信用风险特征指标,一定程度上能够提升模型对信用风险预警的准确性。2、解决了参数寻优问题。将FOA算法来代替梯度求解的方法,采用迭代的方式优化BP神经网络信用风险预警模型的参数,构建FOA-BP模型来实现对信用风险进行预警,实证研究表明,与其传统BP神经网络预警模型相比而言,改进后的模型实现收敛的效率更高和适应能力更强。并且在7:3、6:4、5:5这样的不同样本比例下,利用FOA修正后的BP神经网络模型对我国能源上市公司的信用风险预测,其泛化性更好。3、在传统BP神经网络信用风险预警模型预测实验中可以知道,在7:3、6:4、5:5这样的不同样本比例下,虽然传统BP神经网络模型的预测结果ACC值较高,但是都有较为严重的第二类错误,这表明单纯使用BP神经网络信用风险预警模型进行预测信用风险是不准确的。4、从基于FOA算法的SVM模型、基于FOA算法的Logit模型和FOA-BP模型进行信用风险预测性能对比研究中可以看到,基于FOA算法的SVM模型和Logit模型的信用风险准确率值、G值、F值皆没有FOA-BP模型令人满意,FOA-BP模型对信用风险的预警准确度更高。通过上述研究,本文认为,基于FOA对BP神经网络参数进行改进而构建的FOA-BP的信用风险预警模型,是投资者、经营者、监管者进行预防和应对信用风险的有效操作工具。对于投资者来说,可以利用FOA-BP信用风险预警模型预先捕捉信用风险信号,优化投资策略,减少因信用风险带来的投资损失;对于经营者来说,可以通过运用FOA-BP信用风险模型提前对信用风险进行有效的预测,加强经营管理,并制定实施信用风险应对方案,实现企业健康稳定发展;对于监管者而言,可以加强资本市场信用风险防控措施,为应对信用风险预先制定合理有效的政策措施,从而降低信用风险对资本市场的影响。