機器學習方法在可轉(zhuǎn)債估價上的運用.pdf

1、本文首先通過基于股價的單因素模型對當前在市場流通的全部13只可轉(zhuǎn)債進行了實證分析，發(fā)現(xiàn)根據(jù)此模型計算出的理論價值普遍高于市場價格，這也與很多前人的研究結(jié)論相符。這說明所用定價模型并不完全適應(yīng)于我國的可轉(zhuǎn)債市場，我國的可轉(zhuǎn)債市場機制與假定條件并不與國外完全相符。運用此單因素模型計算可轉(zhuǎn)債的定價存在很明顯的誤差。
　　接著，基于此模型不可避免的缺陷，本文嘗試轉(zhuǎn)換思路，跳出公式模型的禁錮，從機器學習的角度，開展可轉(zhuǎn)債估價問題探索。通過機

2、器學習方法對無法做任何假定的錯綜復(fù)雜的可轉(zhuǎn)債價格影響因素進行分析，所選影響因素幾乎涵蓋所有方面。通過幾種常用的機器學習方法作比較，得出結(jié)論為：對于可轉(zhuǎn)債價格估價，運用隨機森林的方法最好，五折交叉驗證的訓練集NMSE低至0.009，測試集NMSE也低至0.046。進一步選擇隨機森林模型對13只可轉(zhuǎn)債進行價格估計，估價效果明顯優(yōu)于基于股價的單因素模型。這種擬合與預(yù)測效果可能比任何一種基于公式模型計算出的可轉(zhuǎn)債估價都要理想。因此，在實際可轉(zhuǎn)債