宏观固收量化研究系列之（十一）：分类型可转债多因子组合的构建

分类型可转债多因子组合的构建 ——宏观固收量化研究系列之（十一） 研究结论 可转债同时具有股性和债性，业界常常根据平底溢价率的区间，将转债划分为偏股型、平衡型和偏债型三个类型，从而区分出转债的股性债性强弱。从历史平均表现上看，可以看出偏股型转债具有更高的波动和更高的收益，平衡型转债次之，而偏债型转债则具有低波动、低收益的特点。 股性和债性的相对强弱将转债的收益和波动风格划分开来，是一个重要的风险因子，因而对于基于转债估值和量价特征的因子择券的效果，往往也因转债的类型而异。另一方面，对于不同的转债类型，投资者的偏好和配置权重往往各异，从构建因子组合的角度，如果对每一类转债分开进行研究，会更加契合投资者的需求。 本文提供了一种思路，即在每个类型的转债样本中构建多因子模型的可能性，基于估值和量化两个大类逻辑，分别测试在不同组别的表现，进而筛选出样本内表现较好的因子。 对于偏股型转债样本来说，本文最终选用的因子包括：绝对价格、蒙特卡洛模型定价偏离度、双低的3M时序ZSCORE、隐波差的3M时序ZSCORE、正股60日Amihud指标、正股60日ATR、转债近20日温和和隔夜收益之和均值、转债近20日开盘半小时成交量占比标准差。合成因子取得7.16%的RankIC均值，IC_IR达0.32，IC胜率达60.96%；分组表现上看，多头年化超额收益率达12.49%，信息比率达1.38，多空年化收益率达24.85%。 对于平衡型样本来说，本文最终选用的因子包括：纯债到期收益率、转股溢价率、蒙特卡洛模型定价偏离度、双低的3M时序ZSCORE、正股60日Amihud指标、转债近20日开盘半小时成交量占比均值、正股10日PERCENTB指标、换手率调整后的转债近60日日内5分钟线收益率方差均值、换手率调整后的转债10日RSI指标。合成因子取得8.58%的RankIC均值，IC_IR达0.42，IC胜率达67.81%；分组表现上看，多头年化超额收益率达10.25%，信息比率达2.25，多空年化收益率达19.31%。 对于偏债型样本来说，本文最终选用的因子包括：纯债溢价率、双低的6M时序ZSCORE、正股20日PERCENTB指标、正股20日动量、正股20日MFI指标。合成因子取得7.8%的RankIC均值，IC_IR达0.33，IC胜率达66.44%；分组表现上看，多头年化超额收益率达10.54%，信息比率达2，多空年化收益率达17.19%。 本文还尝试了对于三个类型的转债多头多因子组合构建权重配置模型，在不对市场行情进行择时的前提下，基于组合的收益风险特征，对这3个组合的权重进行动态分配，以减少波动和回撤。本文测试了按照各类型个数占比配置、等权重配置、风险平价配置、均值方差模型配置和波动率倒数配置。结果表明，按照各类型个数占比加权和等权这两种被动的方式构建的组合，收益达26.09%和27.54%，但回撤较大。而按照风险平价模型和波动率倒数模型这两类更多考虑风险贡献的配置方法，具有更低的回撤，并且收益也与等权相接近，分别有26.87%和26.79%的年化收益率，最大回撤分别为11.44%和12.33%。 风险提示 量化模型失效的风险 市场极端环境的冲击 金融工程|专题报告 报告发布日期2023年09月17日 杨怡玲yangyiling@orientsec.com.cn 执业证书编号：S0860523040002 宋之辰songzhichen@orientsec.com.cn 执业证书编号：S0860523080001 可转债多因子模型初探：——宏观固收量化研究系列之（十） 2023-07-01 基于神经网络模型的利率择时：——宏观 2023-03-12 固收量化研究系列之（九）基于量价信息的利率择时探讨：——宏观 2022-12-13 固收量化研究系列之（八）债券的风险模型研究：——宏观固收量化 2022-09-03 研究系列之（七） 有关分析师的申明，见本报告最后部分。其他重要信息披露见分析师申明之后部分，或请与您的投资代表联系。并请阅读本证券研究报告最后一页的免责申明。 目录 一、研究背景5 二、模型设定7 2.1样本池7 2.2因子数据预处理8 2.3因子评估8 三、单因子构建9 3.1估值类因子9 3.2量价类因子12 四、分类型下的单因子筛选与因子合成15 4.1偏股型转债的因子与组合16 4.2平衡型转债的因子与组合17 4.3偏债型转债的因子与组合18 五、策略组合19 六、结论23 风险提示24 图表目录 图1：可转债的属性示意图5 图2：可转债的各类型数量(月末统计)6 图3：可转债的各类型累计净值6 图4：可转债样本剔除前后的数量8 图5：转债平价与转股溢价率的分布(2023年8月21日)10 图6：转债平价与转债价格的分布(2023年8月21日)10 图7：绝对价格因子的分组及分类型表现11 图8：纯债溢价率因子的分组及分类型表现11 图9：纯债到期收益率因子的分组及分类型表现11 图10：蒙特卡洛模型定价偏离度的分组及分类型表现11 图11：双低的3M时序ZScore的分组及分类型表现11 图12：双低的6M时序ZScore的分组及分类型表现11 图13：隐波差的3M时序ZScore的分组及分类型表现11 图14：转股溢价率的分组及分类型表现11 图15：正股PERCENTB10日因子的分组及分类型表现14 图16：正股MFI20日的分组及分类型表现14 图17：正股Amihud因子的分组及分类型表现14 图18：正股ATR因子的分组及分类型表现14 图19：换手率调整后的转债近60日日内收益率方差均值的分组及分类型表现14 图20：换手率调整后的转债10日RSI的分组及分类型表现14 图21：转债近60日开盘半小时成交量占比均值的分组及分类型表现15 图22：转债近60日开盘半小时成交量占比标准差的分组及分类型表现15 图23：偏股型转债合成因子的RankIC序列16 图24：偏股型转债合成因子的净值16 图25：偏股型TOP组合净值表现17 图26：偏股型TOP30组合超额收益表现17 图27：平衡型转债合成因子的RankIC17 图28：平衡型转债合成因子的分组净值(费前)17 图29：平衡型TOP组合净值表现18 图30：平衡型TOP30组合超额收益表现18 图31：偏债型转债合成因子的RankIC19 图32：偏债型转债合成因子的净值19 图33：偏债型TOP组合净值表现19 图34：偏债型TOP20组合超额收益表现19 图35：各配置方案的净值表现22 图36：各配置方案的超额收益表现22 图37：波动率倒数加权的各组合比例23 图38：风险平价加权的各组合比例23 表1：转债估值单因子的表现10 表2：量价单因子的表现13 表3：偏股型样本的因子列表16 表4：偏股型TOP组合表现16 表5：平衡型样本的因子列表17 表6：平衡型TOP组合表现18 表7：偏债型样本的因子列表18 表8：偏债型TOP组合表现19 表9：各配置方案的表现21 表10：各配置方案的分年度表现21 一、研究背景 在之前发布的《可转债多因子模型初探——宏观固收量化研究系列之（十）》中，我们对中国市场的全样本转债测试了一系列单因子，并最终对样本内有效的因子进行加权，构建了在全样本转债中普遍有效的多因子策略。 从品种设计上看，可转债是一种具有转股权利的公司债券，其持有者有权选择在存续期内将全部或部分转债转换成发行公司的普通股票，因此可转债兼具股性和债性，如下图所示： 图1：可转债的属性示意图 资料来源：东方证券研究所绘制 因此，从期权的角度出发，可转债的股性和债性决定了可转债的收益与波动的特征。一种常见的划分方法是，首先计算可转债当前的平价底价溢价率： 平底溢价率= 然后按照如下规则将转债分为以下三类： 偏股型转债：平底溢价率>20% 平价 −1 纯债价值 平衡型转债：平底溢价率介于-20%到20%之间 偏债型转债：平底溢价率<-20% 下图展示了历史上，三种类型的转债的各自数量的变化： 图2：可转债的各类型数量(月末统计) 资料来源：东方证券研究所&Wind资讯 上图显示，不同类型的样本数量比例变化较大，但平衡型转债的数量一直是三者中最多的。以 2023年8月31日为例，平衡型转债的数量达264个，占整个转债市场的50%，偏债型转债数量 次之，达172个，偏股型转债数量最少，有100个。下图展示了三种类型的转债的自2017年以来的累计净值： 图3：可转债的各类型累计净值 资料来源：东方证券研究所&Wind资讯 从平均表现上看，可以看出偏股型转债具有更高的波动和更高的收益，平衡型转债次之，而偏债型转债则具有低波动、低收益的特点。因此，股性和债性的相对强弱很明显的将转债的收益波动风格划分开来，因此对于基于转债估值和量价特征的因子择券的效果，也因转债的类型而异。即 便某些因子在所有转债样本中普遍有效，但是在了解每个因子在不同样本中的作用，也有助于我们理解因子背后的逻辑。 另一方面，在中国可转债的实际投资中，不同类型的机构投资者对转债的配置需求均有所不同。如对于追求绝对收益或稳健收益的“固收+”类的组合来说，投资者对于可转债部分的定位，是选择收益较为稳健、并拥有潜在的正股拉动收益这种风格的转债。而如对于持仓大部分均为可转债的可转债基金来说，投资者偏好的是挖掘出相较于指数具有超额收益的转债，而这也往往需要从弹性较高或者估值较低的转债中择券。所以，从投资目标上看，对于不同的转债类型，投资者的偏好和配置权重往往各异，从挖掘因子的角度，如果对每一类转债分开进行研究，会更加契合投资者的需求。 因此，本文继续从多因子的框架上研究转债择券，对每种类型的转债构建不同的因子体系，进而在逻辑上和效果上都对策略进行优化。 二、模型设定 2.1样本池 基于信用评级、收益稳健性、流动性和可投资性的考虑，本文采取双周度的调仓频率，每期对全市场的转债进行如下筛选，最终确定下来多因子研究的样本池： 剔除上市不超过10个交易日的转债； 剔除同时满足近10日换手率超过100%、价格高于130、转股溢价率高于30的转债； 剔除余额低于2亿的转债； 剔除主体评级低于A+的转债； 剔除近10日日均成交量排名后10%的转债 测试时间选定为2018年1月1日至2023年8月31日。 下图展示了剔除后的样本以及各类型转债的分布，本文之后涉及到单因子的收益以及策略收益的计算中，所采用的基准均是基于剔除后的样本双周频调仓所构成的等权指数。 图4：可转债样本剔除前后的数量 资料来源：东方证券研究所&Wind资讯 2.2因子数据预处理 本文所用到的转债有关基本信息、行情和因子数据均来自于Wind资讯，对于因子数据，我们进行如下的预处理： 缺失值处理：对因子值有缺失的转债按照所属类型(偏股/平衡/偏债)的中位数填充； 去极值：采用MAD法去极值，将对于超过3倍绝对中位数范围的数据判定为极值，并将其均匀插值到3-3.5倍绝对中位数范围内； 中性化与标准化：本文是将样本分成偏股、平衡、偏债3类样本独立进行研究，因此和《可转债多因子模型初探》一样，我们对每个截面的因子值在偏债型、平衡型、偏股型三种类型下分别做分组的ZScore标准化处理。 2.3因子评估 本文会对偏股/平衡/偏债三种类型的转债样本分别做单因子测试和多因子合成，而对可转债的因子评估指标也采用常见的RankIC体系和分组收益表现两种方法来评定某单因子的表现： RankIC：当期因子值与未来一期(未来10日)回报率的截面秩相关系数，该值的绝对值越大，表示因子的对下期的收益预测能力较强； ICIR：RankIC的均值除以标准差，该值的绝对值越大，表示因子的收益预测能力的稳健性较高； 分组收益：由于早期可转债的数量不多，难以像股票因子分成较多的组别，而我们既关注因子的分组单调性，同时也关注头部及尾部的表现，因此本文考虑