可转债是一类公司债,具有债券属性。由于可转债内部包含回售权、赎回权和转股权等,它又常被视作是债券和股票期权的组合。转债市场迅速发展下,转债定价研究也逐渐深入。目前,Black-Sholes解析解法、二叉树法、Monte Carlo模拟等方法已被广泛应用。但这些传统定价技术的假设条件较为严苛,不能完全适应于国内转债,导致传统定价方法下理论价格与市场价格之间存在较大偏差。本文转变思路,采用机器学习方法研究转债定价。长短时间记忆神经网络（LSTM）是循环神经网络（RNN）的一种。近年来在股价或债券价格预测问题方面,LSTM模型的应用效果比较理想。本文尝试利用LSTM模型对可转债定价进行实证分析。由于可转债价格影响因素十分复杂,在构建价格影响因子库的基础上,本文利用一种神经网络模型—自编码器来提取特征。本文选取2016年1月4日至2020年12月15日期间存续可转债的数据作为研究对象。从宏观环境、公司基本面、债券要素、期权要素、转债估值和条款设计六个角度出发,按样本转债的分组构建可转债价格影响因子库。在构建定价因子基础上,本文分别利用Monte Carlo模拟法、LSTM模型、自编码-LSTM集成模型对两组样本债进行实证分析。两组实验中,发现自编码-LSTM集成模型的定价效果要优于LSTM模型,同时也优于Monte Carlo模拟法。这说明了通过自编码压缩后的特征值能有效降低LSTM模型的定价误差。但在银行组实验中,对比LSTM模型,Monte Carlo模拟法的定价精度更高。这是由于银行类样本债数据量小,而LSTM模型这类深度学习算法更擅长处理大样本。总体而言,自编码-LSTM集成模型的定价表现依然最佳。据此,本文证明了LSTM模型在国内转债定价问题的适用性,同时也证明了通过自编码器对原始输入特征进行降维,能提高LSTM模型的计算效率。