本研究探讨了利用机器学习方法预测可转债横截面收益的可行性，重点关注中国市场的独特环境。研究采用了13种机器学习算法，包括线性模型、降维方法、树模型及神经网络，并构建了56个预测变量，涵盖可转债特性与股票市场因素。通过样本外测试，研究发现神经网络模型（尤其是单隐藏层神经网络NN1）在预测精度上显著优于传统线性模型与其他非线性方法。此外，研究识别了影响可转债收益的核心预测变量，如债券价格、历史收益、转股溢价及到期收益率等，并验证了机器学习方法在整合信息与处理非线性关系上的优势。研究结论为量化策略研究员提供了基于数据驱动的建模思路，强调了机器学习在复杂金融工具定价与预测中的应用价值。