可转债择券策略优化研究
一、传统可转债择券因子效果分析
- 传统策略以“双低”（转债价格低且转股溢价率低）为主，但随着市场扩容和资金涌入，转债平均价格和溢价率上抬，双低策略收益下滑。
- 偏股型转债线性因子策略表现良好，本研究进一步探索机器学习提升整体转债择券策略表现。
二、神经网络模型优化探索（GRU）
- 输入探索：日度K线+转债溢价率组合效果最佳，正股量价信息贡献为负。
- 损失函数尝试：专注多头损失函数导致信息比率和多空指标下滑，效果不佳。
- 数据增强策略：
- 目的：缓解训练样本不足问题。
- 方案：随机回看窗口、缩放波动率、高斯噪声。
- 效果：2022年前数据增强显著提升模型表现，2022年后使用原始数据更适应市场变化。
- 结论：数据增强在数据量少时有效提升模型性能。
三、决策树模型优化探索（LGBM）
- 输入探索：转债和正股Alpha158因子组合表现最佳，手工构建的12个因子表现不佳。
- 结论：Alpha158组合满足LGBM模型需求，手工因子需进一步扩充。
四、机器学习转债择券策略构建
- 因子合成：
- GRU与LGBM因子相关性低（0.35）。
- 合成ML因子：GRU因子+转债Alpha158+正股Alpha158因子（等权）。
- 效果：合成后因子指标提升，多头和多空净值平稳性增强。
- 因子检验：
- 与手工线性因子对比：
- 偏股型：ML因子IC和多空表现更优。
- 平衡型：ML因子所有指标更优，多头净值更稳定。
- 偏债型：ML因子所有指标更优，多头净值表现更优。
- 策略构建：
- 基于ML因子构建择券策略：
- 全部转债：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%。
- 偏股型：年化收益率20.77%，信息比率1.44。
- 平衡型：年化收益率11.11%，信息比率1.64。
- 偏债型：年化收益率9.09%，信息比率0.90。
- 结论：ML因子策略在不同类型转债上均实现稳健超额收益和风险控制。
五、研究结论
- GRU模型优化：日度K线+溢价率输入最佳，数据增强在样本量少时有效。
- LGBM模型优化：Alpha158因子组合最佳。
- ML因子策略：GRU与LGBM因子合成提升表现，策略在多种转债类型上实现稳健超额收益。
