• 传统可转债因子稳定性提升 [page::0][page::4][page::5]：

- 通过时序标准化算子对转股溢价率和双低因子进行调整，多空最大回撤分别由28.62%和30.43%下降至17.56%和10.91%，夏普比率分别提升至2.60和2.57。

• 可转债多因子模型表现对比 [page::6][page::7][page::8]：

- 采用转股溢价率、双低等基础因子及其调整因子，结合等权、历史线性回归和历史ICIR加权三种合成方式。
- 历史ICIR加权方法效果最佳，基础因子+调整因子模型多头收益显著提升，年化多空收益率最高可达77.08%。

• 基于GRU模型的深度学习因子总结 [page::8][page::9][page::10][page::11]：

- 可转债行情日频GRU模型输入60日时序标准化行情数据预测未来5日收益，年化多空收益率45.74%，夏普3.05。


- 细化至分钟频率行情GRU因子，年化多空收益率49.74%，夏普3.51，表现稳定且无明显衰减。


- 利用正股行情映射GRU因子表现最强，年化多空收益率77.18%，最大回撤7.36%，夏普5.39；正股分钟行情GRU因子稍弱，年化多空收益率51.51%，夏普4.67。

• 多因子与GRU模型结合策略表现突出 [page::12][page::13][page::14][page::15]：

- 因子相关性低，采用历史ICIR加权融合多因子、日行情GRU、正股GRU及正股分钟GRU因子，2021年至2025年累计多空年化收益率达113.35%，最大回撤4.83%，夏普比率7.17。


| 年份 | 策略收益率 | 基准收益率 | 超额收益率 | 策略夏普率 | 基准夏普率 | 超额最大回撤 |
|------|-------------|------------|------------|-------------|------------|--------------|
| 2021 | 43.87% | 32.10% | 11.76% | 3.43 | 2.58 | 2.72% |
| 2022 | 2.30% | -7.74% | 10.04% | 0.02 | -0.70 | 3.63% |
| 2023 | 10.61% | 0.56% | 10.04% | 1.21 | -0.17 | 2.07% |
| 2024 | 9.42% | 4.01% | 5.41% | 0.50 | 0.14 | 4.64% |
| 2025 | 29.13% | 39.04% | -9.91% | 2.62 | 3.33 | 2.38% |
- 总计 | 16.01% | 7.31% | 8.70% | 1.14 | 0.43 | 4.64% |

• 风险提示 [page::1][page::15]：

- 因子和模型有失效风险，市场可能变化导致策略表现波动。
- 实盘交易环境复杂，交易成本与市场冲击可能影响实际收益。

金融研究报告深度分析：中邮·金工 | 深度学习增强的可转债量化策略

---

1. 元数据与概览

• 报告标题：《深度学习增强的可转债量化策略》

- 作者： 肖承志、金晓杰

• 发布机构： 中邮证券研究所（中邮证券有限责任公司）

- 发布时间： 2025年3月27日（正文）

• 研究主题： 利用深度学习（GRU模型）结合传统量化多因子模型，提升可转债投资策略的稳定性和收益率。

本报告旨在通过深度挖掘和改进传统可转债因子，结合深度学习模型（以GRU为核心），建立更有效的可转债量化投资策略。作者展示了通过技术创新显著优化传统因子的性能，提升投资组合的风险调整收益表现，最终实现超越市场基准——万得可转债等权指数的投资回报。[page::0,15]

---

2. 逐节深度解读

2.1 摘要与投资要点总结

• 传统因子改进： 通过引入“时序标准化算子”调整转股溢价率和双低因子，使因子表现更稳定。最大回撤大幅减小，夏普比率显著提升。

- 多因子模型增强： 采用不同合成方式与因子组合，历史ICIR加权法展现最好表现，且结合基础因子与调整因子效果更优。

• GRU模型表现：

- 基于可转债日行情和分钟行情的GRU模型均能有效预测未来收益。
- 利用正股行情信息训练的GRU模型表现尤为优异。

• 最终组合： 综合GRU模型和多因子模型后，策略多空年化收益率超过113%，最大回撤收窄至4.83%，夏普比率超过7，显著超额击败指数基准。

总体信息重点在于利用深度学习模型中的时序信息和传统财务因子的融合，突破了单一因子稳定性不足的瓶颈，实现阶段性领先的量化投资效果。[page::0]

---

2.2 可转债投资策略发展

• 早期阶段： 投资风格单一，视可转债为固定收益资产，重视债券票息和期限。

- 条款与价格驱动阶段： 打新策略流行，利用市场溢价获取短期收益；双低（低转股溢价率+低转债价格）策略关注安全边际和转股潜力；利用下修和强赎条款制造交易机会。

• 多元化与精细化阶段： 行业轮动、成长股投资及量化策略应用，强调宏观与个股基本面研究，结合系统化投资。

- 最新趋势： 强调红利策略和信用风险定价，结合衍生品工具进行风险管理，提升组合防御能力。

本报告基于市场行情数据，致力于通过量化和深度学习改进因子选债，兼顾股性与债性信息的挖掘。[page::1-3]

---

2.3 多因子模型在可转债中的表现

2.3.1 传统因子回顾及问题

• 转股溢价率： 衡量转债价格相对转股价值的溢价，低值更优。统计采用周度Rank IC和等权前后50只证券构建多空组合。

- 双低因子： 结合低转股溢价率和低价格，原理是价格低增加安全边际、低溢价率改善股性。

2.3.2 因子不足

• 转股溢价率因因不同条款及主体信用评级，造成不可比现象，导致IC表现不稳定。

- 双低因子高度依赖价格，且表现主要源于空头收益，价格较低转债池内表现衰减，说明因子alpha主要通过空头价格高的标的实现，易受市场共识冲击而失效。

2.3.3 改进方法

采用时序标准化算子：

\[
factor{adj} = \frac{factor - factor.rolling(d).mean()}{factor.rolling(d).std()}
\]

标准化因子穿透横截面条款和信用差异，减缓数值绝对偏差的影响。调整后转股溢价率和双低因子IC表现明显改善，稳定性大幅提升，最大回撤和夏普比率改进显著，虽然整体收益略有牺牲，但风险控制更加稳健。

具体指标表现（多空最大回撤与夏普比率）：

• 转股溢价率多空最大回撤由28.62%降至17.56%，夏普比率由1.91升至2.60。

- 双低因子多空最大回撤由30.43%降至10.91%，夏普比率由2.09升至2.57。

此改进带来的稳定性提升对于实盘应用价值巨大。[page::3-6]

---

2.4 多因子模型合成与表现

测试三种组合权重方式：

• 等权：所有因子贡献均等

- 历史线性回归权重

• 历史ICIR（信息系数收益率比）加权

结果显示历史ICIR加权的性能最佳，特别是在结合基础因子和调整因子时：

• IC均值达到8.34%，ICIR提升到0.62

- 多空年化收益超过77%

• 最大回撤控制在16.39%以内，夏普比率达到3.86

结合基础+调整因子的模型在多头收益上有显著提升，但多空收益提升相对有限。

累积IC表现和多空收益图表均支持此结论，历史ICIR加权模型展现出更平滑且向上的IC曲线，说明预测能力稳定且强。[page::6-8]

---

2.5 深度学习GRU模型在可转债中的应用

2.5.1 基于日行情的GRU模型

• 输入：过去60日可转债各类行情（开、高、低、收、成交量、成交额等）及转股溢价率，数据经过时间序列标准化。

- 输出：未来5日收益率预测。

• 模型细节：单层GRU，hiddensize=32，优化器Adam，学习率0.001，早停机制。

- 表现：多空年化收益率45.74%，最大回撤13.04%，夏普比率3.05，年化多头收益26.54%，夏普1.68。

2.5.2 基于分钟行情的GRU模型

• 输入数据粒度升级为日内分钟级行情，结构相似。

- 表现更优：多空年化收益49.74%，夏普3.51，年化多头收益26.01%，夏普1.72，且夏普时间序列未见衰减。

2.5.3 基于正股行情的GRU模型

• 利用正股日行情GRU因子直接映射可转债，多空表现更强，年化收益率达77.18%，最大回撤仅7.36%，夏普高达5.39。

- 使用正股分钟行情训练的GRU模型对可转债表现稍差，多空年化收益51.51%，最大回撤10.23%，夏普4.67。

结果表明，正股行情提供了更丰富且预测力强的信息，特别是其空头信号有效避开低收益转债风险。[page::8-11]

---

2.6 多因子模型与GRU模型结合

2.6.1 因子相关性分析

• 多因子与日行情GRU相关系数为0.28，低相关。

- 正股GRU与多因子几乎无相关（-0.01），但与正股分钟GRU相关度较高（0.51）。

• 几个因子组合多样，说明融合后可覆盖更广风险收益因子空间。

2.6.2 合成方法与表现

• 最终选用历史ICIR加权合成基础因子、调整因子、多头可转债日行情GRU、正股映射GRU、正股分钟GRU因子。

- 测试区间：2021年1月1日至2025年2月28日。

• 合成因子多空年化收益113.35%，最大回撤4.83%，夏普比率7.17。

- 多头年化收益41.25%，最大回撤13.22%。

2.6.3 组合实盘模拟测试

• 基准：万得可转债等权指数，50只组合，周频交易，单边换手30%，全天VWAP成交，手续费0.1%。

- 结果：组合显著跑赢指数基准。

• 年化收益16.01%，超额收益8.70%，最大回撤12.36%，超额最大回撤仅4.64%，信息比率高达1.96。

经过实盘模拟，策略展现稳健的风险调整收益能力和良好的交易执行表现。[page::12-14]

---

2.7 风险提示

• 因子失效： 因子基于历史，未来市场变化可能导致因子失效或反向表现。

- 模型失效： 训练于历史数据的模型可能对未来市场环境的新逻辑不适应。

• 实盘交易风险： 回测基于理想处理，实际交易环境复杂，存在滑点、流动性风险等，可能引起偏差。

报告明确提醒投资者策略存在的重要风险，体现谨慎态度。[page::1,15]

---

3. 图表深度解读

3.1 传统因子表现图解

• 图表1 & 2：转股溢价率IC及多空收益走势图，IC呈现起伏波动，整体偏正，表明因子有效但稳定性有限，多空收益持续攀升。

- 图表3 & 4：双低因子IC及收益，IC长期偏负且下滑，显示因子缺乏稳定预测力，多空收益增长主要靠空头表现。

• 图表5 & 6：双低因子按转债价格分组IC表现，高价转债因子IC更负，低价组IC表现减弱，显示价格对因子表现影响显著。

3.2 标准化后因子改进效果

• 图表7 & 8（调整转股溢价率）及图表10 & 11（调整双低）：调整后IC波动收敛，风险明显降低。多头收益更加稳定，尤其夏普比率提升，最大回撤大幅压缩。

- 图表9 & 12（年度表现对比表）系统展示了传统因子与调整后因子的年度对比，明确显示了风险收益比提升和波动大幅降低。

3.3 多因子合成方法比较

• 图表13：多种合成方法的IC均值、ICIR、年化收益和风险指标一览，历史ICIR加权最优秀。

- 图表14至19（等权、线性拟合及ICIR加权多因子模型IC和收益走势）：显示ICIR加权因子累计IC持续稳定增长，收益率更强且最大回撤较低，验证了加权方法的有效性。

3.4 GRU模型关键图表

• 图表20：展示GRU模型结构，直观体现模型输入（行情数据60天），单层GRU通道和输出预测流程。

- 图表21 & 22（日行情GRU因子IC及多空收益）：IC累积稳步攀升，多空收益稳健上涨。

• 图表24 & 25（分钟行情GRU）：比日行情信息更丰富，IC表现及收益提升明显。

- 图表27至32（正股GRU因子及分钟行情）：正股行情GRU模型IC和多空收益进一步优于可转债本身行情模型，强调了正股信息的高价值。

3.5 因子结合与最终组合表现

• 图表33（因子相关矩阵）：多因子与GRU模型因子相关性偏低，合成多元因子有较好互补性。

- 图表34 & 35（合成因子IC及多空收益）：合成因子IC稳步攀升至20以上，多空收益稳健上涨。

• 图表37 & 38（组合与基准表现）：投资组合收益显著跑赢指数，年化超额收益稳健，最大回撤更低，信息比率达到1.96，策略稳定性和收益均优于市场平均。

所有图表均基于Wind、聚源、RiceQuant等权威数据库，回测涵盖2020年至2025年初，展现了长期有效性及稳定的因子表现。[page::3-14]

---

4. 估值分析

本报告聚焦量化策略构建与因子改进，未涉及具体公司估值模型或估值目标价设定，不属于传统股票估值报告类别。因而估值分析不涉及估值方法论，关注点在策略收益与回撤指标的建模和优化。[page::全篇]

---

5. 风险因素评估

• 因子失效风险因其基于历史行情，市场结构或政策变化或行业环境变化均有可能导致失效。

- 模型失效风险关注深度学习模型因训练数据局限，无法应对未来市场全新状态。

• 实盘交易风险考虑手续费、流动性影响、滑点等因素，表示现实操作中表现可能较模拟回测逊色。

这些风险点表明作者对投资策略的局限性保持清醒认识，提示用户理性审视模型适用性。[page::15]

---

6. 批判性视角与细微差别

• 报告重视传统因子不足并创新性加入时序标准化算子，虽带来稳定性提升，但调整后多头收益有一定牺牲，需权衡风险和收益。

- LSTM家族的GRU模型在中短期可转债收益预测中表现优异，但模型敏感性与过拟合风险未做充分讨论，可能隐藏潜在稳健性隐患。

• 组合实盘交易回测参数简单，未详细讨论市场冲击成本和极端行情表现，实盘表现仍需谨慎验证。

- 报告只涉及有限维度的传统因子，未来可能扩展更多基本面因子或宏观因子提升模型深度。

• 正股基本面信息虽有潜力，报告因篇幅限制未涉，未来或构建更全面因子体系。

总体而言，报告科学严谨，创新融合了深度学习和传统多因子理念，略显侧重技术指标，对于模型的风险点和局限性虽给了告警但尚可进一步强化。[page::15]

---

7. 结论性综合

本报告系统梳理了可转债投资策略的演进，明确了传统量化因子（转股溢价率、双低因子）存在的不足，并首创性应用时序标准化算子大幅提升因子稳定性和风险调整收益。采用历史ICIR加权法优化多因子模型，加之GRU深度学习模型挖掘可转债日、分钟行情及正股行情中的预测信息，构建了兼具传统金融逻辑和AI模型优势的综合因子体系。

核心发现如下：

• 标准化调整后的因子最大回撤减半以上，夏普比率提升20%-30%，表现更稳健。

- 多因子合成以ICIR加权优于等权和线性回归，加权模型多空年化收益接近80%，风险受控。

• GRU模型有效挖掘高频行情，尤其正股行情数据极大提升预测能力，空头信号有效避险。

- 因子间低相关性保障模型融合完善风险覆盖。

• 综合因子构建的策略多空年化收益高达113%，夏普比率7.17，最大回撤不到5%，并在实盘模拟测试中显著跑赢万得可转债等权指数，超额收益8.7%，超额回撤低至4.64%，信息比率优异，展现高水平特征。

综合来看，报告不仅拓展了可转债量化投资的技术路径，也展示了深度学习技术在固收转股产品中的应用潜力，尤其是在稳定收益和风险控制方面有显著提升。投资者通过该策略能获得更高效的资产配置工具，提升整体组合表现。

同时，报告谨慎提示因子与模型失效风险，彰显科学态度，且未来可通过引入更多因子、结合正股基本面等方式进一步提升模型深度和实用性。

本报告代表中邮证券研究所在可转债量化策略领域的重要前瞻性探索，对于研究者和实务投资者均具备较高的参考价值。[page::0-15]

---

总结：报告内容详实，图文并茂，结合量化与深度学习，开创了可转债投资因子改进与模型融合的新范式，提升了收益和稳定性，同时明确了多项风险和未来发展方向，是一份极具实务指导意义的高水准证券研究报告。

---

附：重要图表示例

• 传统转股溢价率与双低因子IC及多空表现图表（图1-4）

- 标准化调整后因子IC及收益改善图表（图7-11）

• 多因子合成不同方法及模型累积IC和收益（图13-19）

- GRU模型结构及基于日/分钟行情、正股行情不同GRU因子表现（图20-32）

• 因子相关性及最终合成因子IC、多空收益与实盘组合表现（图33-38）

注：以上图表均可见于原报告内，支持报告结论，来源于Wind、聚源、RiceQuant数据库，确保数据权威性可信度。[page::3-14]

---

此分析旨在全面解读报告的每个重要论点与数据，阐述分析逻辑及图表内涵，帮助读者系统理解深度学习技术如何融合传统金融数据提升可转债量化策略的科学性及实用价值。

报告