转债策略研究系列：可转债多因子策略组合构建初探

转债策略研究系列 可转债多因子策略组合构建初探 2023年05月08日 转债市场快速发展 2017年以来，可转债发行数量迅速上升，截至2023年四月中旬，沪深转 债市场存续可转债518只，总规模867586亿。数量众多的转债支持我们通过量化的方式来进行择券，利用可转债与正股的相关性高的特点，我们尝试借鉴股票多因子模型并将其应用到可转债上构建可转债的多因子模型。 因子选择 将多因子投资思路应用于可转债，基于转债、转债正股、正股三类因子来研 分析师谭逸鸣执业证书：S0100522030001电话：18673120168 究对可转债组合的期望收益具有显著相关性的各类因子，构建的多因子择券模型具有显著的超额收益。具体来看： 转债因子包括转债自身量价因子、转债估值因子；转债正股因子基于转债与 邮箱：tanyimingmszqcom研究助理尚凌楠执业证书：S0100122070033电话：18801385469 正股定位的预期差；正股因子包括量价因子、估值因子。样本内因子测试显示， 邮箱：shanglingnanmszqcom 这几类因子与可转债未来收益率具有显著的相关关系，在择券方面具有一定的有效性。通过对几类因子筛选后得到的多因子组合选券效果优异。 相关研究 多因子策略 多因子组合策略历史回测表现出显著而稳健的绝对收益和超额收益。在样本 1信用一二级市场跟踪周报20230507：净融资下降，收益率下行、信用利差普遍走阔20230507 内（2018年3月至2020年12月）对因子进行筛选得到的多因子组合，通过正 2品种利差跟踪周报20230507：收益率显著 交化处理后多因子组合策略在全时段上（2018年3月至2023年4月）的累计 下行，非金类信用债信用利差多走阔20230 收益为20330，年化回报率为2505，夏普比率为138，最大回撤率为1319，相对中证转债指数的年化超额收益为1767。 5073城投、产业利差跟踪周报20230507：城投利差小幅走阔、产业利差涨跌互现202305 择时尝试。根据布林带、MACD技术指标信号来做择时，对组合的回撤改善 07 具有不错的效果，卡尔马比率均得到正提升。 4交易所批文更新跟踪周报20230507：本周 对后续策略改进的思考 交易所私募债“通过”规模明显增加20230507 后续的研究，将对因子构建与择时模型做进一步深化。前者是从增厚收益的 5城投主体研究与分析系列：多视角再看主 角度，希望挖掘更多与转债收益率高度相关的因子，后者主要是从控制回撤的角 体：湖北20230506 度，希望能通过模型达到预测市场宏观状态以及预测因子未来收益的目标。 风险提示：模型失效风险，流动性风险，信用风险 目录 1可转债多因子策略简介3 11多因子模型理论基础3 12多因子策略构建方式简介3 2因子选择5 21转债因子转债量价、估值因子5 22转债正股因子考虑正股与转债定位的预期差8 23正股因子正股量价、估值因子9 3多因子策略构建13 31多因子组合13 32择时尝试布林带及MACD15 4多因子策略组合17 5风险提示19 插图目录20 表格目录20 1可转债多因子策略简介 2017年以来，可转债发行数量迅速上升，截至2023年四月中旬，沪深转债 市场存续可转债518只，总规模867586亿。数量众多的转债支持我们通过量化的方式来进行择券，利用可转债与正股的相关性高的特点，我们尝试借鉴股票多因子模型并将其应用到转债上构建可转债的多因子模型。 图1：转债市场存量规模（亿元，只） 10000 可转债余额存续可转债（右） 1000 8000800 6000600 4000400 2000200 2023421 20221231 20211231 20201231 20191231 20181231 20171231 00 资料来源：wind，民生证券研究院 11多因子模型理论基础 多因子模型基于套利定价理论（ArbitragePricingTheory），最先由StephenRoss提出。该理论表明：市场均衡状态下，证券或组合的期望收益率取决于其承担的风险因素；证券或组合的期望收益率与多个因素之间存在（近似的）线性关系。将多因子投资思路应用于可转债的选债，即通过研究对转债组合的期望收益具有显著相关性的各类因子，构建多因子模型来进行择券并构建组合投资策略。 12多因子策略构建方式简介 因子评估。常用的因子评价方法包括对因子信息系数（IC）、分层回测、回归分析。在我们的回测框架中，为检验因子有效性，首先观察因子的IC和IR值。IC值为当期因子值与下一期可转债收益率的截面秩相关系数，IC的绝对值越大，则表明该因子的预测能力越强，IR为因子IC均值与其标准差比值，IR越大则因子的稳定性越好。其次是对因子进行分层回测。根据标的因子暴露值排序分组，观察各组的回测表现，关注不同组别区分度，以及分组看是否具有良好的单调性。 数据处理。在对因子进行测试前，对因子数据进行数据清洗和处理，包括：异 常值处理、标准化处理、中性化处理。 1异常值处理：将因子数据为超过正负3倍标准差的压缩至正负3倍标准差； 2标准化处理：通过zscore标准化，将因子数据值映射到标准分布（即均值为0，标准差为1）上； 3中性化处理：目的为剔除因子由于转债所处行业和市值的干扰。处理方法：将行业作为虚拟变量，将因子与行业、市值对数在横截面上回归，得到残差，残差即作为中性化后的因子值。 回测设置。回测时间选取2018年3月至2023年4月，将其分割为训练集和 测试集，其中训练集时间为2018年3月至2020年12月。单因子测试阶段我们均基于因子在样本内（即训练集）的表现。具体回测设置： 1回测标的池选取上市可交易的所有可转债、剔除剩余余额小于2亿元的转债。若可交易标的小于80只，则买入前四分之一，若大于80只则买入前20只标的。在单因子分层回测时则将标的池按因子值高到低排序，选取前100只（不足100只则全部取出）等分为五组，第一组为前20只，第二组为前2140只，，第五组为前81100只。 2换仓周期为20个交易日，所有入选标的以开盘价买入相同金额，交易手续费双边千一。考虑调仓当天部分涨势过大的转债实操能否买入的问题，若转债开盘价相对前一收盘价涨超10，则下一交易日买入。不考虑其他交易摩擦成本。 3基准指数。选取中证转债指数作为组合收益比较基准。 2因子选择 可转债是一种复杂的衍生品，其价值可以看作纯债价值加上期权价值，因而我们需要同时考虑对可转债纯债价值与可转债期权价值产生影响的因素。其中前者主要受无风险利率的影响，后者需要考虑包括无风险利率、正股价格、转股价格、正股波动率等诸多因素，对于转债的其他附加条款（回售、下修、赎回）的定价相对复杂，尝试通过可转债定价模型估值来构建因子。与此同时，转债与正股的高度相关性以及转债自身的交易行为也是我们需要考虑的因素。 综上，在模型具体的因子方面，大致围绕转债因子、转债与正股的关联以及正股因子三个方面来选择。 21转债因子转债量价、估值因子 转债因子包括量价类因子以及基于转债价格、条款的估值因子。测试显示，估值因子与可转债未来收益具有高度相关性，量价类单因子回测多头收益显著。 可转债本身是一种交易非常活跃的证券类型，其量价行为和股票有许多相似之处，所以很直接地，可以尝试观察转债相关的量价类因子，包括基于量价数据进行简单计算得到的动量、转折指标等（在本文均看作量价类因子）。 表1：转债因子 转债因子 类型 公式 IC均值绝对值 ICIR 夏普比 纯债溢价率 估值 （转债价格纯债价值）纯债价值100 538 1967 127 二叉树定价因子 估值 二叉树模型定价与收盘价的偏离度百分比 468 2204 075 价格偏度因子 转折 三个月转债换手率加权的价格偏度 323 2438 077 BS定价因子 估值 BS模型定价与收盘价的偏离度百分比 255 1540 052 换手率 量价 指定交易日成交量截至该日转债余额100 237 1073 078 振幅 量价 指定交易日最高价指定交易日最低价指定交易日前收盘价100 212 1221 075 收益率因子1 动量 过去10个交易日收益率均值 210 1081 076 收益率因子4 动量 过去60个交易日收益率均值 186 999 084 收益率因子2 动量 过去20个交易日收益率均值 145 776 091 收益率因子3 动量 过去40个交易日收益率均值 059 291 107 资料来源：民生证券研究院整理 以IC均值绝对值2为阈值，则从下表可以发现价格偏度、换手率、振幅因子均对可转债收益率具有较显著的预测能力，样本内回测因子多头的夏普比均值高达077。 其中价格偏度因子作为反转因子，因子值越高，转债上涨趋势未来反转可能性越高，因此其预期收益相对越低。测试显示，其IC均值为323，价格偏度因子与可转债未来收益相关性为负。转债换手率、振幅因子表现类似，因子测试显示均为正向的选债因子，表现出转债交易的动量效应，说明在样本内时间段转债短期换手率越高或振幅越大，则转债未来收益越高。下图分组回测显示转债换手率、振幅因子分层区分度以及单调性好于价格偏度因子。 图2：价格偏度因子分组回测净值图3：转债换手率因子分组回测净值 第一组第二组第三组第四组第五组第一组第二组第三组第四组第五组 18 16 14 12 1 2 2018 08 24 22 2 18 16 14 12 1 20 2018 08 资料来源：Wind，民生证券研究院资料来源：Wind，民生证券研究院 可转债收益率动量系列因子即可转债在过去历史n（n10，20，40，60）个交易日的收益率均值。从测试来看，与转债未来收益呈正相关性，整体IC均值绝对值虽然相对偏低，不过在样本内回测因子多头的夏普比相对高于其他量价类因子。例如收益率因子2虽然IC均值绝对值为145，但其单因子回测夏普比率高达091，高于其他大部分量价指标，因子分层回测结果来看，区分度较高，且为正向的选债因子，体现了追涨杀跌的交易行为。 图4：转债振幅因子分组回测净值图5：收益率因子2分组回测净值 18 16 14 12 1 2 2018 08 第一组第二组第三组第四组第五组 22 2 18 16 14 12 1 08 第一组第二组第三组第四组第五组 2020126 202096 202066 202036 2019126 201996 201966 201936 2018126 201896 201866 201836 资料来源：Wind，民生证券研究院资料来源：Wind，民生证券研究院 转债估值类因子，包括纯债溢价率以及基于可转债定价模型的可转债价格偏 离因子。 纯债溢价率为转债价格超出纯债价值的溢价部分，一般用来衡量转债的债性。纯债溢价率越低相对来说其债性越强，受正股影响相对较小。通过因子测试，在样本内纯债溢价率与转债未来收益呈高度负相关性，其IC均值为538，单因子回测夏普比率高达127，具有不错的选债能力。 图6：纯债溢价率因子分组回测净值 资料来源：wind，民生证券研究院 进一步地，我们构建了可转债价格偏离因子。构造该因子需要先构建可转债的定价模型，主要是对可转债的期权价值的估计。虽然使用蒙特卡洛方法能更好的考虑期权的路径依赖问题，并且能够模拟出转债的回售、下修、赎回条款，但是其计算时间太长，因子计算效率低，我们选择BS模型和二叉树模型来进行估计。对模型得到的定价，计算其与收盘价的偏差百分比作为价格偏离因子。因子值越高，则转债被低估程度越高，未来预期收益更高。其中二叉树方法相对BS对于期权价值的估计更准确。 因子测试显示，二叉树定价因子表现相对更优。二叉树定价因子IC均值高达468，BS定价因子IC均值为255，两者均对可转债收益率具有较显著的预测能力，相对来说前者与转债未来收益相关性更高。从分层回测结果来看，二叉