| 摘要 | 第3-4页 |
| abstract | 第4页 |
| 1. 绪论 | 第6-12页 |
| 1.1 可转债简介 | 第6-10页 |
| 1.1.1 可转换债券相关要素 | 第6-8页 |
| 1.1.2 可转换债券的价格构成 | 第8-9页 |
| 1.1.3 影响可转债价值的描述性要素和变量 | 第9-10页 |
| 1.2 可转债发展现状 | 第10-11页 |
| 1.3 本文的研究背景、框架和意义 | 第11-12页 |
| 2. 文献综述 | 第12-17页 |
| 2.1 国外可转债定价理论的发展 | 第12-15页 |
| 2.1.1 只考虑公司价值的单因素模型 | 第13页 |
| 2.1.2 只考虑股价的单因素模型 | 第13-14页 |
| 2.1.3 在公司价值上加入利率因素的双因素模型 | 第14页 |
| 2.1.4 在股票价值上加入利率因素的双因素模型 | 第14页 |
| 2.1.5 信用风险模型 | 第14-15页 |
| 2.2 国内可转债定价的相关研究 | 第15-17页 |
| 3. 基于股票价值的单因素模型的实证研究 | 第17-20页 |
| 3.1 数据的选取与来源 | 第17-18页 |
| 3.2 实证过程与结论 | 第18-20页 |
| 4．机器学习方法运用于可转债估价的实证研究 | 第20-37页 |
| 4.1 常用的机器学习方法简介 | 第21-23页 |
| 4.1.1 决策树回归 | 第21页 |
| 4.1.2 boosting回归 | 第21-22页 |
| 4.1.3 bagging回归 | 第22页 |
| 4.1.4 随机森林回归 | 第22-23页 |
| 4.1.5 人工神经网络回归 | 第23页 |
| 4.1.6 支持向量机回归 | 第23页 |
| 4.2 数据指标选择与来源 | 第23-29页 |
| 4.3 各机器学习方法估价效果分析 | 第29-34页 |
| 4.3.1 决策树回归结果 | 第29-30页 |
| 4.3.2 boosting回归结果 | 第30-31页 |
| 4.3.3 bagging回归结果 | 第31-32页 |
| 4.3.4 随机森林回归结果 | 第32-33页 |
| 4.3.5 人工神经网络回归结果 | 第33-34页 |
| 4.3.6 支持向量机回归结果 | 第34页 |
| 4.4 几种机器回归方法预测效果以及五折交叉验证结果比较 | 第34-35页 |
| 4.5 机器学习模型预测结果与单因素模型理论价对比 | 第35-37页 |
| 5. 结论与展望 | 第37-39页 |
| 5.1 本文结论与建议 | 第37-38页 |
| 5.2 研究展望 | 第38-39页 |
| 6. 参考文献 | 第39-41页 |
| 7. 附录 | 第41-47页 |
| 8. 致谢 | 第47页 |