把上面的代码用matlab写出来

以下是使用MATLAB编写的可转债多因子择券的模型：

% 读取数据
data = readtable('convertible_bond_data.csv');

% 定义因子
factors = {'market_cap', 'pb_ratio', 'roe', 'debt_to_equity_ratio'};

% 定义权重
weights = [0.25, 0.25, 0.25, 0.25];

% 计算因子得分
for i = 1:length(factors)
    factor = factors{i};
    data.([factor '_score']) = discretize(data.(factor), 5, 'categorical');
end

% 计算综合得分
data.composite_score = 0;
for i = 1:length(factors)
    factor = factors{i};
    data.composite_score = data.composite_score + data.([factor '_score']) * weights(i);
end

% 建立回归模型
X = data{:,factors};
X = [ones(size(X, 1), 1) X];
y = data.composite_score;
[beta,~,~,~,~] = regress(y, X);

% 预测得分
new_data = readtable('new_data.csv');
for i = 1:length(factors)
    factor = factors{i};
    new_data.([factor '_score']) = discretize(new_data.(factor), 5, 'categorical');
end
new_data.composite_score = 0;
for i = 1:length(factors)
    factor = factors{i};
    new_data.composite_score = new_data.composite_score + new_data.([factor '_score']) * weights(i);
end
X_new = new_data{:,factors};
X_new = [ones(size(X_new, 1), 1) X_new];
predicted_score = X_new * beta;

% 选取得分最高的可转债
[~,idx] = max(predicted_score);
target_bond = new_data(idx,:);

这个MATLAB代码的逻辑和上面的Python代码基本一致，只是用了MATLAB的语法和函数来实现。首先定义因子和权重，然后计算因子得分和综合得分。接着，使用线性回归模型拟合历史数据，然后使用新数据来预测综合得分，并选取得分最高的可转债作为目标。在这个例子中，我们使用了四个因子，即市值、市净率、净资产收益率和负债比率。