机器学习方法由于其方便、有效的特点,近年来被广泛应用于各类金融资产价格预测中,但尚未有效覆盖可转换债券价格预测领域。随机森林方法是机器学习中在数据较少的情况下准确度较高的代表性方法,在我国可转换债券数据相对稀少的情况下非常适用。本文将基于机器学习中的随机森林回归方法,建立以学术研究中得到的部分可转换债券价格影响因素为核心变量的可转换债券价格预测模型,这部分变量为:股票价格、股票价格波动率、转股价格、无风险收益率、剩余期限、公司总规模、可转换债券相对公司规模。同时,本文将传统可转换债券定价模型中最具代表性的最小二乘蒙特卡洛模拟方法作为比较基准,与建立的随机森林可转换债券价格预测方法进行实证比较。本文实证研究的主要样本为2018年至2020年三年间市场上进行交易过,且数据量满足最小二乘蒙特卡洛模拟方法与随机森林回归模型方法定价或预测要求的共422只可转换债券。本文将同时应用两个模型对可转换债券样本三年内的价格以每日一次的频率进行定价与预测。最小二乘蒙特卡洛模拟方法对每一交易日每一可转换债券模拟5000条股票价格路径,并依次处理可转换债券各类条款,将所得的5000条路径起点的持有价值平均值作为该可转换债券当日的定价。随机森林回归模型对每一交易日前100个交易日内所有可转换债券收盘价及对应特征变量进行训练,并将当日交易的所有可转换债券于前一交易日内的相应变量数据输入所得模型进行预测。定价与预测完成后,将结果与实际市场价格比较。比较标准将基于两个模型在每一交易日及每一单个可转换债券样本上的平均绝对误差、均方根误差、平均绝对百分比误差。研究结果显示,本文建立的随机森林可转换债券价格预测方法结果的MAE、RMSE、MAPE指标在时间维度上的均值分别为2.34、5.10、1.78%,在单个可转换债券维度上的均值分别为3.02、5.69、2.17%,均远远低于最小二乘蒙特卡洛模拟方法的误差。因此,本文建立的随机森林可转换债券价格预测模型对可转换债券价格的预测效果更好,可转换债券投资者可以参考本文建立的模型对可转换债券当日收盘价的预测结果,制定更加合理的交易策略。