Alpha掘金系列之十四：GBDT+NN机器学习可转债择券策略

神经网络模型——以GRU为代表的优化探索 对于GRU模型，我们发现利用日度K线和转债的三种溢价率作为输入，可以取得最好的效果。为了提升模型的多头表现，我们尝试使用专注于多头的损失函数，但效果不佳，反而导致信息比率和多空指标下滑。为应对训练样本不足的问题，我们引入了数据增强策略，尤其在2022年之前的数据上取得了显著成效。然而，在数据充足的2022年之后，使用原始数据反而更能适应市场变化。通过这一模型调整，GRU模型在多头和多空上的表现均有所提升，这表明数据增强在数据量较少的情况下对于提升模型性能是有效的。 决策树模型——以LGBM为代表的优化探索 对于LGBM模型，我们将转债和正股的Alpha158因子，以及一组手工构建的12个因子作为输入，以提供多样化的因子视角。结果显示，转债和正股的Alpha158因子的组合在LGBM模型中实现了最佳的多头表现，而手工构建的因子表现不佳，可能需要进一步的因子扩充来满足模型需求。 机器学习转债择券策略 GRU模型与LGBM模型训练得到的因子相关性较低，仅为0.35，因此我们将两者等权合成得到机器学习转债择券因子（ML因子）。ML因子在全部转债上IC均值为9.71%，5分组多头年化收益率为22.80%，多空年化收益率31.83%；在偏股/平衡/偏债型转债上IC均值为8.41%/9.42%/8.90%，多头年化收益率为28.36%/18.99%/15.32%，多空年化收益率39.04%/25.41%/20.04%。进一步考虑扣费和换手率缓冲，使用20%的转债，相对中证转债指数构建机器学习转债择券策略，该策略在全部转债上年化收益率14.59%，跟踪误差5.18%，信息比率2.23，超额最大回撤4.24%；在偏股/平衡/偏债型转债上年化收益率分别为20.77%/11.11%/9.09%，信息比率分别为1.44/1.64/0.90。风险提示 1、以上结果通过历史数据统计、建模和测算完成，在政策、市场环境发生变化时模型存在时效的风险。 2、策略通过一定的假设通过历史数据回测得到，当交易成本提高或其他条件改变时，可能导致策略收益下降甚至出现亏损。 内容目录 一、传统可转债择券因子效果不佳..................................................................5二、神经网络模型——以GRU为代表的优化探索......................................................52.1增量信息的影响..........................................................................52.2专注多头的损失函数尝试..................................................................72.3数据增强有效缓解极端分布................................................................8三、决策树模型——以LGBM为代表的优化探索......................................................11四、机器学习转债择券策略.......................................................................134.1 GRU与LGBM因子合成....................................................................134.2机器学习转债择券因子检验...............................................................144.3机器学习转债择券策略...................................................................16总结...........................................................................................19风险提示.......................................................................................19 图表目录 图表1：可转债数量变化.........................................................................5图表2：GRU模型数据集..........................................................................6图表3：GRU模型增量信息统计数据................................................................6图表4：GRU模型增量信息多头净值................................................................6图表5：GRU模型增量信息多头超额净值............................................................6图表6：GRU模型增量信息多空净值................................................................7图表7：GRU模型增量信息分组年化超额............................................................7图表8：GRU模型多头损失统计数据................................................................7图表9：GRU模型多头损失多头净值................................................................7图表10：GRU模型多头损失多头超额净值...........................................................7图表11：GRU模型多头损失多空净值...............................................................8图表12：GRU模型多头损失分组年化超额...........................................................8图表13：可转债分年度训练样本数................................................................8图表14：数据增强举例（1）.....................................................................9图表15：数据增强举例（2）.....................................................................9 图表16：GRU模型时序数据增强方案...............................................................9图表17：GRU模型数据增强统计数据...............................................................9图表18：GRU模型数据增强多头净值..............................................................10图表19：GRU模型数据增强多头超额净值..........................................................10图表20：GRU模型数据增强拼接后统计数据........................................................10图表21：GRU模型数据增强拼接后多头净值........................................................10图表22：GRU模型数据增强拼接后多头超额净值....................................................10图表23：GRU模型数据增强拼接后多空净值........................................................11图表24：GRU模型数据增强拼接后分组年化超额....................................................11图表25：LGBM模型数据集.......................................................................11图表26：LGBM模型增量信息统计数据.............................................................12图表27：LGBM模型增量信息多头净值.............................................................12图表28：LGBM模型增量信息多头超额净值.........................................................12图表29：LGBM模型增量信息多空净值.............................................................13图表30：LGBM模型增量信息分组年化超额.........................................................13图表31：GRU与LGBM各输入对应因子相关性.......................................................13图表32：机器学习转债择券因子统计数据.........................................................14图表33：机器学习转债择券因子多头净值.........................................................14图表34：机器学习转债择券因子多头超额净值.....................................................14图表35：机器学习转债择券因子多空净值.........................................................14图表36：机器学习转债择券因子分组年化超额.....................................................14图表37：ML转债因子在偏股型转债中统计数据.....................................................15图表38：ML转债因子在偏股型转债中多头净值.....................................................15图表39：ML转债