本文首先通过基于股价的单因素模型对当前在市场流通的全部13只可转债进行了实证分析,发现根据此模型计算出的理论价值普遍高于市场价格,这也与很多前人的研究结论相符。这说明所用定价模型并不完全适应于我国的可转债市场,我国的可转债市场机制与假定条件并不与国外完全相符。运用此单因素模型计算可转债的定价存在很明显的误差。接着,基于此模型不可避免的缺陷,本文尝试转换思路,跳出公式模型的禁锢,从机器学习的角度,开展可转债估价问题探索。通过机器学习方法对无法做任何假定的错综复杂的可转债价格影响因素进行分析,所选影响因素几乎涵盖所有方面。通过几种常用的机器学习方法作比较,得出结论为:对于可转债价格估价,运用随机森林的方法最好,五折交叉验证的训练集NMSE低至0.009,测试集NMSE也低至0.046。进一步选择随机森林模型对13只可转债进行价格估计,估价效果明显优于基于股价的单因素模型。这种拟合与预测效果可能比任何一种基于公式模型计算出的可转债估价都要理想。因此,在实际可转债估价运用中,可以运用随机森林回归方法得到相应模型,对新的数据进行预测来得到可转债的估价。