En este trabajo, exploramos un modelo novedoso para la fijación de precios de bonos convertibles chinos que integra de manera fluida técnicas de aprendizaje automático con modelos tradicionales. El método de mínimos cuadrados Monte Carlo (LSM) es efectivo para manejar múltiples variables de estado y complejas dependencias de trayectorias a través de un simple análisis de regresión. En nuestro enfoque, incorporamos técnicas de aprendizaje automático, específicamente regresión de vectores de soporte (SVR) y bosque aleatorio (RF). Al emplear la optimización bayesiana para ajustar el bosque aleatorio, logramos un mejor rendimiento predictivo. Esta integración está diseñada para mejorar la precisión y las capacidades predictivas de la fijación de precios de bonos convertibles. A través del uso de datos simulados y datos reales del mercado de bonos convertibles chinos, los resultados demuestran la superioridad de nuestro modelo propuesto sobre el clásico LSM, confirmando su efectividad. El desarrollo de un modelo de fijación de precios que incorpora técnicas de aprendizaje automático resulta particularmente efectivo para abordar el complejo sistema de fijación de precios de bonos convertibles chinos. Nuestro estudio contribuye al cuerpo de conocimiento sobre la fijación de precios de bonos convertibles y profundiza aún más la aplicación del aprendizaje automático en el campo de manera integrada y de apoyo.